MLOps

영어	Machine Learning Operations
분류	운영 방법론
목적	ML 시스템 배포/운영
관련	DevOps, DataOps

'''MLOps'''(Machine Learning Operations)는 기계학습 모델의 개발, 배포, 운영을 체계화하는 방법론입니다. == 개요 == MLOps는 DevOps 원칙을 기계학습에 적용한 것입니다. 실험에서 프로덕션까지 ML 모델의 전체 생명주기를 관리하며, 모델 배포, 모니터링, 재학습을 자동화합니다. AI를 실제 비즈니스에 적용하는 데 필수적입니다. == MLOps 구성요소 == === 데이터 관리 === * 데이터 버전 관리 * 데이터 파이프라인 * 특성 저장소 (Feature Store) === 실험 관리 === * 실험 추적 * 모델 버전 관리 * 재현성 보장 === 모델 레지스트리 === * 모델 저장 * 메타데이터 관리 * 배포 준비 === CI/CD === * 자동 테스트 * 자동 배포 * 롤백 === 모니터링 === * 모델 성능 * 데이터 드리프트 * 시스템 상태 === 재학습 === * 트리거 기반 * 자동 파이프라인 * A/B 테스트 == ML 생명주기 == # 데이터 수집/준비 # 특성 엔지니어링 # 모델 학습 # 모델 평가 # 모델 배포 # 모니터링 # 재학습 == 주요 도구 == === 실험 추적 === * MLflow * Weights & Biases * Neptune === 파이프라인 === * Kubeflow * Apache Airflow * Prefect === 모델 서빙 === * TensorFlow Serving * TorchServe * Seldon Core === 특성 저장소 === * Feast * Tecton * Hopsworks === 플랫폼 === * Vertex AI (Google) * SageMaker (AWS) * Azure ML == 모니터링 대상 == === 모델 성능 === * 정확도 변화 * 지연 시간 * 처리량 === 데이터 드리프트 === * 입력 분포 변화 * 개념 드리프트 * 재학습 필요성 == 성숙도 수준 == * Level 0: 수동 프로세스 * Level 1: ML 파이프라인 자동화 * Level 2: CI/CD 파이프라인 == 관련 문서 == * [[기계학습]] * [[AutoML]] * [[딥러닝]] * [[클라우드 AI]] [[분류:인공지능]] [[분류:운영]] [[분류:DevOps]]