1950년대~2005년
연구 유물로서의 모델
기계 학습은 주로 연구, 전문 제품 및 통계 분야에서 이루어졌습니다. 운영상의 문제가 존재했지만 일반적으로 뚜렷한 경력은 아니었습니다.
시간 순 이정표입니다. 주간 활동 격자가 아닙니다.
- Arthur Samuel이 머신러닝을 정의하다
- Google의 PageRank는 데이터 기반 시스템을 강조합니다.
- 클라우드 컴퓨팅이 주류가 되다
- ImageNet의 혁신으로 딥 러닝 가속화
- 숨겨진 기술 부채가 명명되었습니다.
- Kubeflow와 컨테이너 오케스트레이션 시대
- TensorFlow Extended가 발표되었습니다.
- MLOps는 일반적인 업계 용어가 됩니다.
- ML 수명주기 표준 성숙
- 생성적 AI로 작업 영역 확장
진한 칸일수록 이 직업에서 해당 지표가 높습니다.
AI 내성54
보수84
진입장벽72
자율성65
수요86
영향력84
낮음높음
짧은 답
MLOps 엔지니어는 어떤 일을 하나요?
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.
MLOps는 데이터 과학과 어떻게 다릅니까?
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.
MLOps를 위해서는 석사 학위가 필요합니까?
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.
MLOps 엔지니어는 어떤 프로그래밍 언어를 사용하나요?
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 드리프트란 무엇입니까?
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 DevOps와 동일합니까?
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.
MLOps는 오래된 운영 문제에 대한 새로운 작업 이름입니다. 통제된 실험에서 작동하는 모델은 변화하는 데이터, 실제 사용자 및 생산 예산을 충족할 때 실패할 수 있습니다. 이 직업은 기계 학습의 연구 문화와 소프트웨어 제공 및 운영 분야를 결합합니다.
따라서 그 역사는 데이터 엔지니어링, 클라우드 컴퓨팅 및 DevOps와 공유됩니다. 조직이 격리된 모델에서 데이터, 동작 및 규정 준수를 지속적으로 관리해야 하는 일련의 모델로 이동하면서 2010년대 후반에 그 역할이 뚜렷해졌습니다.
시작된 곳
2015~2019글로벌 클라우드 컴퓨팅 산업
클라우드 플랫폼과 ML 팀이 생산 유지 관리 비용에 직면하면서 MLOps라는 문구가 퍼졌습니다. Google 연구원의 2015년 논문 "머신러닝 시스템의 숨겨진 기술 부채"에서는 모델을 수명이 긴 시스템으로 전환하는 종속성, 피드백 루프 및 운영 복잡성에 대해 널리 인용되는 어휘를 제공했습니다.
연표
1959년Arthur Samuel이 머신러닝을 정의하다
Samuel은 나중에 생산에 투입되는 분야의 이름을 지정하는 데 도움이 되는 자체 개선 체커 프로그램 작업에서 기계 학습을 설명합니다.
1998년Google의 PageRank는 데이터 기반 시스템을 강조합니다.
웹스케일 순위는 모델과 데이터 인프라가 어떻게 중앙 제품 인프라가 될 수 있는지 보여줍니다.
2006년클라우드 컴퓨팅이 주류가 되다
Amazon Web Services는 자체 하드웨어가 아닌 운영 서비스로 탄력적인 컴퓨팅 및 스토리지를 사용할 수 있도록 해줍니다.
2012년ImageNet의 혁신으로 딥 러닝 가속화
ImageNet에서 AlexNet의 성공으로 인해 GPU 기반 교육이 많은 기계 학습 프로그램의 핵심이 되었습니다.
2015년숨겨진 기술 부채가 명명되었습니다.
Google 연구자들은 ML 시스템이 모델 코드를 넘어 종속성과 유지 관리 부담을 축적하는 이유를 설명합니다.
2016년Kubeflow와 컨테이너 오케스트레이션 시대
Kubernetes를 채택하면 분산 워크로드를 패키징하고 실행하기 위한 공통 운영 계층이 생성됩니다.
2017년TensorFlow Extended가 발표되었습니다.
Google은 TFX를 엔드 투 엔드 ML 파이프라인을 위한 프로덕션 지향 플랫폼으로 제시합니다.
2019MLOps는 일반적인 업계 용어가 됩니다.
클라우드 공급업체와 스타트업은 실험 추적, 파이프라인, 모델 레지스트리 및 배포를 위한 도구를 공식화합니다.
2020ML 수명주기 표준 성숙
팀에서는 점점 더 데이터 검증, 기능 관리 및 모델 모니터링을 생산 요구 사항으로 간주합니다.
2023년~2024년생성적 AI로 작업 영역 확장
기초 모델은 평가, 검색, 비용 제어, 신속한 관리 및 AI 거버넌스에 대한 새로운 요구 사항을 창출합니다.
시대별 흐름
2006년~2014년
클라우드 및 빅데이터 기반
탄력적인 인프라, 분산 처리 및 오픈 소스 프레임워크를 통해 대규모 모델 교육 및 서비스 제공이 가능해졌습니다.
2015년~2018년
기술 부채가 가시화됨
생산 팀은 데이터 종속성, 모니터링 및 재교육에 원래 모델보다 비용이 더 많이 들 수 있다는 점을 인식했습니다.
2019~2022
플랫폼 및 라이프사이클 도구
실험 추적, 모델 레지스트리, 기능 저장소 및 CI/CD 패턴이 인식 가능한 MLOps 구성 요소가 되었습니다.
2023년~현재
기초 모델 및 거버넌스
LLM 애플리케이션은 평가, 검색, 액세스 제어, 관찰 가능성 및 책임 있는 배포로 작업을 확대합니다.
이 직업이 대체한 직업들
더 이상 존재하지 않는 인접 직업들 — 흡수되거나, 자동화되거나, 규제로 사라졌다.
수동 모델 핸드오프
2000년대~2010년대연구원은 일련화된 모델과 지침을 응용 프로그램 팀에 이메일로 보냅니다. 레지스트리, 버전이 지정된 아티팩트 및 배포 파이프라인이 비공식 핸드오프를 대체했습니다.
스프레드시트 실험 추적기
2010년대팀은 로컬 파일이나 스프레드시트에 실행, 매개변수 및 지표를 기록했습니다. 실험 추적 시스템은 이제 아티팩트, 코드 버전 및 비교를 중앙에서 보존합니다.
일회성 일괄 채점 연산자
2000년대~2010년대운영 직원은 정기적인 스크립트를 실행하여 예측을 생성했습니다. 예약된 워크플로우, 관리형 플랫폼 및 자동화된 품질 검사가 반복 실행을 흡수했습니다.
MLOps는 모델의 유효 수명이 훈련 후에 시작되기 때문에 등장했습니다. 이 분야는 버전 관리, 실패, 비용, 편향, 롤백 등 프로토타입이 연기할 수 있는 운영 문제를 해결하고 이를 최고의 엔지니어링 작업으로 만듭니다.
다음 단계는 조직이 모델을 호출할 수 있는지 여부보다는 모델이 출시 후에도 유용하고 안전하며 제어 가능하다는 것을 증명할 수 있는지 여부에 따라 더 많이 정의됩니다.
비슷한 직업
같은 분야만이 아니라 여섯 점수 프로필이 가까운 직업입니다.
🔐
사이버보안 전문가
디지털 공격을 찾아내고 예방하며 대응함으로써 시스템, 데이터, 사람을 지킨다.
AI 내성 63 🧫임상 데이터 과학자
임상, 시험 및 건강 시스템 데이터를 사용하여 보다 안전한 치료, 연구 및 운영 결정을 위한 신뢰할 수 있는 증거를 생성합니다.
AI 내성 68 🔌반도체 엔지니어
컴퓨터, 휴대폰, 무기 등 거의 모든 전자기기 내부의 트랜지스터를 설계하고 제조하며, 지구상 극소수 공장만이 다룰 수 있는 초정밀 장비를 다룬다.
AI 내성 60 🦾로봇공학 엔지니어
물리적 세계를 감지하고 판단하고 행동하는 기계를 설계하는 사람으로, 진짜 난제는 지능이 아니라 언제나 세계 그 자체였다.
AI 내성 65 🌿지속가능성 관리자
조직이 비즈니스 의무를 이행하면서 환경 및 사회적 피해를 줄이는 데 도움이 되는 전략, 측정 및 보고를 주도합니다.
AI 내성 66 👔변호사
의뢰인에게 조언하고 그들을 구속하는 문서를 작성하며 사건이 법정에 이르면 대신 다투는 직업으로, 조언이 잘못되면 개인적으로 법적 책임을 진다.
AI 내성 58계속 탐색하기
계속 탐색하기
공학·기술 분야의 다른 직업
💻
소프트웨어 엔지니어
현대 사회를 움직이는 코드를 작성하고 테스트하고 유지보수하는 직업이며, AI가 자기 일상 업무를 자동화하는 모습을 가장 먼저 지켜보는 직업 중 하나다.
AI 내성 35 🤖AI 연구원
기계 지능을 뒷받침하는 알고리즘을 설계하고 검증하는 직업으로, 이제는 자기 자신의 연구 과정 상당 부분을 자동화하려는 경쟁이 벌어지는 분야이기도 하다.
AI 내성 50 🛰️항공우주공학자
지상을 벗어나는 항공기, 로켓, 우주선을 설계하고 분석하고 인증하며, 추측의 여지가 없는 안전 여유를 다루는 직업이다.
AI 내성 74 🌉토목공학자
강과 바위와 중력을 다리, 도로, 맑은 물로 바꾸는 직업 — 임호테프 이래 문명을 떠받쳐온 조용한 하중지지의 업.
AI 내성 72 🔌반도체 엔지니어
컴퓨터, 휴대폰, 무기 등 거의 모든 전자기기 내부의 트랜지스터를 설계하고 제조하며, 지구상 극소수 공장만이 다룰 수 있는 초정밀 장비를 다룬다.
AI 내성 60 🦾로봇공학 엔지니어
물리적 세계를 감지하고 판단하고 행동하는 기계를 설계하는 사람으로, 진짜 난제는 지능이 아니라 언제나 세계 그 자체였다.
AI 내성 65 🔐사이버보안 전문가
디지털 공격을 찾아내고 예방하며 대응함으로써 시스템, 데이터, 사람을 지킨다.
AI 내성 63 🌬️재생에너지 엔지니어
재생 가능한 자원을 신뢰할 수 있는 전기로 전환하는 풍력, 태양열, 저장 및 그리드 시스템을 설계, 구축 및 개선합니다.
AI 내성 72