📦AI와 미래

MLOps 엔지니어는 기계 학습 실험을 반복 가능하고 모니터링되는 서비스로 전환합니다. 데이터 및 교육 파이프라인을 구축하고, 모델을 패키징하고, 클라우드 또는 엣지 환경에 배포하고, 버전을 추적하고, 성능을 모니터링하고, 롤백 절차를 생성합니다. 소규모 팀에서는 애플리케이션 코드를 작성할 수도 있습니다. 대규모 팀에서는 많은 데이터 과학 팀을 위한 공유 플랫폼을 운영합니다.

데이터 과학자는 일반적으로 문제 프레이밍, 데이터 분석 및 모델 개발에 중점을 둡니다. MLOps는 시간이 지남에 따라 모델을 재현, 배포 및 관찰할 수 있도록 만드는 데 중점을 둡니다. 구별이 절대적이지는 않습니다. 강력한 팀은 평가 및 데이터 품질을 위해 협력하는 반면, MLOps 엔지니어는 배포 후 모델이 어떻게 실패할 수 있는지 이해하기 위해 충분한 ML 지식이 필요합니다.

아니요. 컴퓨터 과학, 공학 또는 데이터 중심 학위가 일반적이지만 실용적인 소프트웨어, 클라우드 및 데이터 플랫폼 경험은 고급 연구 자격증보다 더 중요할 수 있습니다. 새로운 모델을 구축하는 역할은 대학원 공부를 선호할 수 있습니다. ML 플랫폼을 운영하는 역할은 일반적으로 생산 엔지니어링, 인프라 및 신중한 실험을 높이 평가합니다.

Python은 대부분의 ML 생태계에서 사용되기 때문에 일반적입니다. SQL은 데이터 작업에 필수적인 반면 Docker, YAML 및 코드형 인프라 구성은 일상적인 도구입니다. 일부 플랫폼 팀에서는 Go, Java, Scala 또는 TypeScript도 사용합니다. 중요한 기능은 하나의 언어에 대한 충성도가 아니라 파이프라인을 테스트, 버전 관리 및 관찰 가능하게 만드는 것입니다.

모델 드리프트는 환경, 사용자 행동, 입력 또는 결과가 변경되기 때문에 배포된 모델의 유용성이 떨어지는 것을 설명합니다. 작년 패턴으로 훈련된 사기 모델은 새로운 사기를 놓칠 수도 있습니다. 입력 분포, 예측 품질 및 비즈니스 결과를 모니터링하면 눈에 띄지 않는 감소가 해로운 결정으로 변하기 전에 팀이 드리프트를 발견하는 데 도움이 됩니다.

MLOps는 자동화, 버전 제어, 지속적인 전달, 공유 소유권 등 DevOps 아이디어를 차용하지만 데이터 및 모델 문제를 추가합니다. 애플리케이션 코드는 변경되지 않더라도 훈련 데이터는 변경되므로 모델이 변경될 수 있습니다. 팀은 데이터세트 버전을 관리하고, 모델 동작을 평가하고, 실험을 관리하고, 예측 품질과 서버 상태를 모니터링해야 합니다.