모델의 재현성을 보장하려면, 학습에 사용된 정확한 데이터셋을 보존하는 것이 핵심 단계입니다.
이 절차를 무엇이라고 부르나요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
이 장에서는 배포와 라이프사이클링에 중요한 MLOps 원칙과 프레임워크 구성 요소를 높은 수준에서 개괄합니다.
이 장에서는 운영 단계에 진입했을 때 매끄럽게 진행될 수 있도록, 개발 단계에서 미리 고려해야 할 사항들을 다룹니다. 궁극적인 목표는 MLOps 모범 사례로 모델을 학습시키고, 원활한 배포와 재현성, 배포 후 모니터링을 가능하게 하는 모델 패키지를 구축하는 방법을 설명하는 것입니다.
현재 연습
이 장에서는 다음과 같은 핵심 모델 운영 질문을 다룹니다: - 모델을 서빙하는 방식에는 어떤 것들이 있나요? - API란 무엇이며, 핵심 기능은 무엇인가요? - 최종 사용자에게 공개하기 전에 서비스를 철저히 테스트하려면 어떻게 해야 하나요? - 서비스 중단 없이 프로덕션 환경의 모델을 어떻게 업데이트하나요? 배치 예측, 실시간 예측, 입력 및 출력 데이터 검증, 단위 테스트, 통합 테스트, 카나리 배포 등 다양한 주제를 학습합니다.
마지막 장에서는 배포된 ML 서비스를 모니터링하고 유지 관리하는 방법과 모델 거버넌스를 다룹니다. 검증 지연(Verification latency), 공변량 이동(Covariate shift), 컨셉 드리프트(Concept drift), 인간 개입형 시스템(Human-in-the-loop) 등 중요한 개념을 학습합니다.
