앞서 논의했듯이, Machine Learning 애플리케이션을 운영하고 유지하는 일은 어렵습니다. 구체적으로 무엇이 그렇게 어렵게 만들까요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
1장에서는 여러 개의 Machine Learning 애플리케이션을 동시에 설계·개발·운영하려는 기업에 왜 MLOps가 필요한지 소개합니다. 확장과 자동화 같은 MLOps의 핵심 요소, 그 이점, 그리고 여전히 어려운 이유를 살펴봅니다. 또한 기술적·관리적 관점에서 MLOps 여정을 시작하려면 무엇이 필요한지도 알아봅니다.
2장에서는 설계부터 개발, 배포, 운영에 이르는 전체 MLOps 라이프사이클을 학습합니다. 생산성 높은 Machine Learning 애플리케이션에서 모니터링이 왜 필수인지, 그리고 왜 Machine Learning 모델을 정기적으로 재학습해야 하는지도 살펴봅니다.
3장에서는 이론을 넘어 실전으로 나아가 Machine Learning 모델 배포의 주요 과제와 위험을 파악합니다. 또한 MLOps 팀이 어떻게 성공적으로 운영하는지, 그리고 경영진이 Machine Learning의 확장을 뒷받침하기 위해 무엇을 할 수 있는지도 배웁니다.
현재 연습
마지막 장에서는 모범 사례와 피해야 할 함정을 중심으로 비즈니스에서 MLOps 여정을 성공적으로 시작하는 방법을 보여 드립니다. 끝으로 MLOps 성숙도의 다양한 수준을 살펴보고, 중요한 운영 프로세스를 위한 Machine Learning 애플리케이션을 설계·개발·운영한 실제 사례 연구로 강의를 마무리합니다.
