맨위로가기

MLOps

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
목차

1. 개요

MLOps는 머신 러닝 모델의 개발, 배포, 운영을 자동화하고 관리하기 위한 일련의 방법론과 기술을 의미한다. 2015년 논문에서 기계 학습의 운영상의 어려움이 강조된 이후, MLOps는 기업에서 기계 학습의 복잡성을 해결하고 이윤을 증대시키는 솔루션으로 주목받기 시작했다. MLOps는 지속적 통합/지속적 제공(CI/CD), 모델 및 예측의 재현성 확보, 소프트웨어 안정성 및 품질 향상, 확장성, 팀 협업, 빠른 모델 훈련, 모니터링, 보안 통합, 설명 가능한 AI 등을 특징으로 하며, 기업의 배포 자동화, 재현성 확보, 확장성, 협업, 모니터링 및 관리 등을 목표로 한다.

더 읽어볼만한 페이지

  • 기계 학습 - 비지도 학습
    비지도 학습은 레이블이 없는 데이터를 통해 패턴을 발견하고 데이터 구조를 파악하는 것을 목표로 하며, 주성분 분석, 군집 분석, 차원 축소 등의 방법을 사용한다.
  • 기계 학습 - 지도 학습
    지도 학습은 레이블된 데이터를 사용하여 입력 데이터와 출력 레이블 간의 관계를 학습하는 기계 학습 분야로, 예측 모델 생성, 알고리즘 선택, 모델 최적화, 정확도 평가 단계를 거치며, 회귀 및 분류 문제에 적용되고 다양한 확장 기법과 성능 평가 방법을 활용한다.
MLOps

2. 역사

2020년에는 25,000개 이상의 깃허브(Github) 스타를 획득한 인기 강좌 [https://madewithml.com/ Made With ML MLOps]가 설립되었다.

2021년에는 MLOps의 라이프 사이클 표준화 및 교육을 위해 싱크탱크 [https://www.socialg.tech/governance Social Good Technologies]가 설립되었다.

2. 1. 초기 발전

2015년 논문에서 응용 분야에서 기계 학습을 지속적으로 사용하는 것의 어려움이 강조되었다.[3] 2017년부터 2018년까지, 그리고 2018년부터 2020년까지 ML 파일럿 및 구현이 두 배로 증가할 것으로 예상되었다.[4] MLOps는 기업에서 기계 학습의 복잡성과 성장을 해결할 수 있는 솔루션으로 AI/ML 전문가, 회사 및 기술 언론인들 사이에서 빠르게 주목받기 시작했다. [5]

기업의 기계 학습 이니셔티브의 대다수(최대 88%)가 테스트 단계를 넘어서는 데 어려움을 겪고 있다는 보고서가 있다.[2] 그러나 실제로 기계 학습을 운영에 투입한 조직은 3~15%의 이윤 증가를 보였다.[6] MLOps 시장은 2019년에 232억달러로 추정되었으며, 급속한 도입으로 인해 2025년까지 1260억달러에 이를 것으로 예상된다.

소프트웨어 개발 수명 주기 전체의 워크로드 관리는 전통적으로 DevOps의 개념이 존재했다. 머신러닝 프로젝트에 DevOps를 적용했을 경우, 모델 훈련 등을 포함한 CI/CD 프로세스 관리나 데이터 과학자와 데이터 엔지니어의 직무 역할 분담 등 다수의 머신러닝 특유의 과제를 고려할 필요가 생겼다. 그 결과 DevOps를 기반으로 머신러닝 프로젝트에 합리화된 기법이 '''MLOps'''로 개념화되었다.

MLOps는 주로 실험적인 머신러닝 모델을 본 시스템에 통합하는 프로세스[15]로 사용된다. 머신러닝 모델은 격리된 실험 시스템에서 테스트·개발되며, 알고리즘을 시작할 준비가 되면, 데이터 과학자, 유지보수 담당자, 머신러닝 엔지니어 간에 MLOps를 실천하여 알고리즘을 본 시스템으로 이전한다.[16] MLOps는 DevOps나 DataOps의 접근 방식과 마찬가지로 자동화를 추진하여 본 모델의 품질을 향상시키는 동시에, 비즈니스 및 규제 요구 사항에도 초점을 맞춘다. MLOps는 일련의 모범 사례로 시작했지만, 머신러닝의 라이프 사이클 관리를 위한 독립적인 접근 방식으로 점차 진화하고 있다. MLOps는 모델 생성(소프트웨어 개발 수명 주기, 지속적 통합/지속적 제공), 편성, 배포의 통합에서 헬스, 진단, 거버넌스, 비즈니스 지표에 이르기까지 라이프 사이클 전체에 적용된다.

기계 학습을 애플리케이션에서 지속적으로 사용할 때의 과제는 2015년에 발표된 "기계 학습 시스템의 숨겨진 기술 부채"라는 논문에서 다루어졌다.[20] 이 논문에서는 일반적인 소프트웨어 개발과 비교하여 기계 학습 시스템 특유의 기술 부채에 초점을 맞추어 엔지니어와 연구자가 팀으로서 이 부채를 인식하고 팀 문화의 전환이 필요하다고 설명한다.

2017년 조사에 따르면, AI 및 기계 학습을 실제 환경에 도입한 조직에서는 3~15%의 이익률 향상이 나타났다[21]는 조사 결과도 있어, 기계 학습은 시장에서 꾸준히 점유율을 늘리고 있었다. 2018년에는 2017년부터 2018년까지 기계 학습의 구현이 두 배로 증가하고, 2018년부터 2020년까지 더욱 두 배로 증가할 것으로 추정되었다.[22]

2018년, 구글(Google)에서 MLOps에 관한 프레젠테이션이 진행되었고[23][24], 이후 '''MLOps'''와 그에 대한 접근 방식은 기업에서 기계 학습의 복잡성과 성장에 대처할 수 있는 솔루션으로, AI/ML 전문가, 기업, 기술 저널리스트 사이에서 개념적인 이야기뿐만 아니라 실질적인 방법론 및 모범 사례로서 주목받기 시작했다.[25][26][27][28][29][30][31][32][33]

주요 클라우드 벤더들도 MLOps를 지원하는 서비스 등을 잇따라 발표하기 시작했다. 2018년, 쿠버네티스(Kubernetes) 상에서의 MLOps를 촉진하기 위해, 구글(Google)의 제레미 레위(Jeremy Lewi) 씨와 데이비드 아론칙(David Aronchick) 씨에 의해 오픈 소스 프로젝트 쿠베플로우(Kubeflow)가 만들어졌다. 같은 해 12월 마이크로소프트(Microsoft)는 기계 학습 모델의 구축과 배포 프로세스의 간소화와 단축을 목적으로 설계된 애저 머신 러닝 서비스(Azure Machine Learning Service)를 일반에 공개했다.[34] 아마존(Amazon)사는 2017년 11월 공개한 기계 학습 플랫폼인 아마존 세이지메이커(Amazon SageMaker)에 순차적으로 기능을 추가하여, ML 워크로드의 통합 관리 기능을 제공하고 있다.[35]

2. 2. 성장과 주목

2015년 논문에서 응용 분야에서 기계 학습을 지속적으로 사용하는 것의 어려움이 강조되었다.[3] 2017년부터 2018년까지, 그리고 2018년부터 2020년까지 ML 파일럿 및 구현이 두 배로 증가할 것으로 예상되었다.[4] MLOps는 기업에서 기계 학습의 복잡성과 성장을 해결할 수 있는 솔루션으로 AI/ML 전문가, 회사 및 기술 언론인들 사이에서 빠르게 주목받기 시작했다.[5]

보고서에 따르면 기업의 기계 학습 이니셔티브의 대다수(최대 88%)가 테스트 단계를 넘어서는 데 어려움을 겪고 있다.[2] 그러나 실제로 기계 학습을 운영에 투입한 조직은 3~15%의 이윤 증가를 보였다.[6] MLOps 시장은 2019년에 232억달러로 추정되었으며 급속한 도입으로 인해 2025년까지 1260억달러에 이를 것으로 예상된다.

2018년, 구글(Google)에서 MLOps에 관한 프레젠테이션이 진행되었고[23][24], 이후 MLOps와 그에 대한 접근 방식은 기업에서 기계 학습의 복잡성과 성장에 대처할 수 있는 솔루션으로, AI/ML 전문가, 기업, 기술 저널리스트 사이에서 개념적인 이야기뿐만 아니라 실질적인 방법론 및 모범 사례로서 주목받기 시작했다.[25][26][27][28][29][30][31][32][33]

2. 3. 주요 기업들의 참여

2018년, 구글(Google)은 MLOps에 관한 프레젠테이션을 진행했고[23][24], 이후 MLOps와 그 접근 방식은 기업들이 기계 학습의 복잡성과 성장에 대처할 수 있는 솔루션으로 주목받기 시작했다.[25][26][27][28][29][30][31][32][33]

주요 클라우드 벤더들도 MLOps를 지원하는 서비스 등을 잇따라 발표하기 시작했다. 2018년, 쿠버네티스(Kubernetes) 상에서 MLOps를 촉진하기 위해 구글(Google)의 제레미 레위(Jeremy Lewi)와 데이비드 아론칙(David Aronchick)에 의해 오픈 소스 프로젝트 쿠베플로우(Kubeflow)가 만들어졌다. 같은 해 12월, 마이크로소프트(Microsoft)는 기계 학습 모델 구축 및 배포 프로세스의 간소화와 단축을 목적으로 설계된 애저 머신 러닝 서비스(Azure Machine Learning Service)를 일반에 공개했다.[34] 아마존(Amazon)은 2017년 11월에 공개한 기계 학습 플랫폼인 아마존 세이지메이커(Amazon SageMaker)에 순차적으로 기능을 추가하여, ML 워크로드의 통합 관리 기능을 제공하고 있다.[35]

3. 정의

MLOps는 머신 러닝 모델을 실제 시스템에 통합하는 과정을 효율적으로 관리하기 위한 방법론이다.[15] 머신 러닝 모델은 일반적으로 실험 환경에서 개발 및 테스트를 거친다. 알고리즘이 준비되면, 데이터 과학자, 유지보수 담당자, 머신 러닝 엔지니어는 MLOps를 통해 협력하여 알고리즘을 실제 시스템으로 이전한다.[16]

MLOps는 머신 러닝 제품의 전체적인 개발, 구현, 배포, 확장에 필요한 모범 사례, 개념, 개발 문화를 포괄하는 패러다임이다. 이는 머신 러닝, 소프트웨어 엔지니어링(특히 DevOps), 데이터 엔지니어링의 세 분야를 융합한 엔지니어링 방식이다. MLOps의 핵심 목표는 개발(Dev)과 운영(Ops) 간의 간극을 줄여 머신 러닝 시스템을 실제 환경에 원활하게 적용하는 것이다.

MLOps는 CI/CD, 워크플로우 오케스트레이션, 재현성, 데이터·모델·코드 버전 관리, 협업, 지속적인 머신 러닝 훈련 및 평가, 머신 러닝 메타데이터 추적 및 로깅, 지속적인 모니터링, 피드백 루프 등의 원칙을 활용한다. 이를 통해 머신 러닝 제품 개발을 효율적으로 지원한다.

기존의 소프트웨어 개발 수명 주기에서는 DevOps가 워크로드 관리를 담당했다. 그러나 머신 러닝 프로젝트에 DevOps를 적용하면 모델 훈련을 포함한 CI/CD 프로세스 관리, 데이터 과학자와 데이터 엔지니어 간의 역할 분담 등 머신 러닝 특유의 과제들이 발생한다. 이러한 문제들을 해결하기 위해 DevOps를 기반으로 머신 러닝 프로젝트에 최적화된 방법론이 MLOps로 발전하였다.

MLOps는 자동화를 통해 모델의 품질을 향상시키고 비즈니스 및 규제 요구 사항을 충족시키는 것을 목표로 한다. 이는 DevOps나 DataOps와 유사한 접근 방식이다. MLOps는 단순한 모범 사례 집합에서 시작했지만, 현재는 머신 러닝 라이프사이클 관리를 위한 독립적인 접근 방식으로 발전하고 있다. MLOps는 모델 생성 (소프트웨어 개발 수명주기, 지속적 통합/CD), 오케스트레이션, 배포 뿐만 아니라 시스템 상태, 진단, 거버넌스, 비즈니스 지표 등 전체 라이프사이클에 적용된다.

4. 아키텍처

기계 학습 시스템은 다음 여덟 가지 범주로 분류할 수 있다.

번호시스템
1데이터 수집
2데이터 처리
3특성 공학
4데이터 라벨링
5모델 설계
6모델 훈련 및 최적화
7엔드포인트 배포
8엔드포인트 모니터링



기계 학습 수명 주기의 각 단계는 자체 시스템으로 구축되지만 상호 연결이 필요하다. 이는 기업이 조직 내에서 기계 학습을 확장하는 데 필요한 최소한의 시스템이다.[36]

MLOps와 같은 표준적인 관행은 기업이 워크플로우를 최적화하고, 도입 시의 문제를 회피하는 데 도움이 된다. MLOps 시스템의 일반적인 아키텍처에는 모델이 구축되는 데이터 과학 플랫폼과 계산이 실행되는 분석 엔진이 포함되며, MLOps 도구는 기계 학습 모델, 데이터, 결과의 이동을 시스템 간에 구성한다.[37]

5. MLOps 도입의 과제

MLOps 도입 이전에는 기계 학습 프로젝트에서 다음과 같은 문제점들이 있었다.


  • 컨셉 드리프트(Concept Drift): 시간이 지나면서 모델의 예측 정확도가 낮아지는 현상이다. 이는 기계 학습 모델이 예측하려는 목표 변수의 통계적 특성이 시간이 지남에 따라 예상치 못한 방식으로 변화하기 때문에 발생한다.
  • AI의 블랙박스 문제: 신경망을 사용하는 심층 학습 모델 등은 의사 결정 과정을 이해하기 어렵다.[39][40] 이는 기계가 방대한 데이터를 학습하고 답을 도출하는 특성상, 그 "사고 과정"이 인간에게는 이해하기 어렵기 때문이다.
  • 모델 구축 비용: CRISP-DM과 같은 전통적인 방식은 모델 구축에 많은 시간과 노력이 필요하며, 데이터가 바뀔 때마다 이 과정을 반복해야 하는 번거로움이 있다.[41][42][43]
  • 품질 관리: 운영 담당자, 데이터 사이언티스트, 데이터 엔지니어 간의 협업 부족, 시스템 또는 운영 라이프 사이클, 로그 획득 등 명확한 규칙 부재는 품질 저하로 이어질 수 있다.[44]

5. 1. 컨셉 드리프트 (Concept Drift)

기계 학습 모델의 정확도는 사용을 시작할 때 가장 높다. 그 후, 환경 변화를 예측함에 따라 악화된다. 이 현상은 컨셉 드리프트로 알려져 있으며, 기계 학습 모델이 예측하려는 목표 변수의 통계적 특성이 예상치 못한 방식으로 시간이 지남에 따라 변화하는 것이 원인이다. 이 문제를 해결하려면 기계 학습 모델을 고정된 모델이 아닌 지속적으로 재훈련하여 환경 변화에 적응해야 한다.

5. 2. AI의 블랙박스 문제

기계가 스스로 방대한 데이터를 학습하고 답을 도출한다는 특성상, 그 "사고 과정이 인간에게는 이해할 수 없다"는 문제가 있다.[39] 이 문제는 특히 신경망을 이용하는 심층 학습에서 과제가 되는 경우가 많다. 신경망은 그 특성상, 은닉층의 노드에서 복수의 입력을 처리하고 다음 은닉층의 노드로 출력하는 것을 반복하며, 무한히 복잡해질 가능성이 있다. 방대한 데이터로부터 기계가 출력한 답변이 어떤 판단 기준으로 그 답변이 도출되었는지 알 수 없다.[40]

5. 3. 모델 구축 비용

MLOps 도입 이전에는 기계 학습 모델을 만드는 과정이 CRISP-DM과 같은 방식으로 진행되었다. 이 방식은 비즈니스 이해, 데이터 특성 이해, 데이터 전처리, 모델 훈련, 모델 평가와 같은 단계를 반복해서 정밀한 모델을 실제 환경에 적용한다.[41][42] 이 과정은 여러 단계와 반복이 필요해 시간이 오래 걸리고, 데이터가 바뀔 때마다 이 과정을 반복하는 것은 매우 힘들고 시간이 많이 소요되는 문제점이 있었다.[43]

5. 4. 품질 관리

MLOps 개념을 도입하기 전 기계 학습 프로젝트는 역할이 다른 멤버들이 복잡한 프로세스를 추진해야 했기 때문에 품질 저하를 초래하기 쉬웠다는 주요 문제점을 가지고 있었다. 운영 담당자, 데이터 사이언티스트, 데이터 엔지니어 간의 협업이 제대로 이루어지지 않거나, 시스템 또는 운영 라이프 사이클, 로그 획득 등 명확한 규칙이 관리되지 않는 경우에는 품질 저하의 위험이 높아졌다.[44]

6. MLOps의 특성

MLOps는 머신 러닝 모델을 실제 시스템에 통합하고 운영하는 과정을 효율적으로 관리하기 위한 방법론이다. 이는 머신 러닝, 소프트웨어 엔지니어링(특히 DevOps), 데이터 엔지니어링의 세 가지 분야를 결합한 것이다. MLOps는 개발(Dev)과 운영(Ops) 간의 간극을 줄여 머신 러닝 시스템을 프로덕션 환경에 빠르게 적용하는 것을 목표로 한다.[15]

MLOps는 CI/CD, 워크플로우 오케스트레이션, 데이터 및 모델 버전 관리, 협업, 지속적인 머신 러닝 훈련 및 평가, 머신 러닝 메타데이터 추적 및 로깅, 지속적인 모니터링, 피드백 루프 등의 원칙을 활용한다. 이러한 원칙들은 머신 러닝 제품 개발을 자동화하고, 품질을 향상시키며, 비즈니스 및 규제 요구 사항을 준수하는 데 도움을 준다.[16]

MLOps는 단순한 모범 사례 집합을 넘어, 머신 러닝의 전체 라이프사이클을 관리하는 독립적인 접근 방식으로 발전하고 있다. 모델 생성(소프트웨어 개발 수명 주기, 지속적 통합/지속적 제공), 편성, 배포뿐만 아니라, 시스템의 상태, 진단, 거버넌스, 비즈니스 지표까지 포괄한다. MLOps는 DevOps의 특성을 따른다.[45][46][47]

6. 1. CI/CD (지속적 통합/지속적 제공)

DevOps의 방법론에서도 핵심이 되는 개념이다. 지속적 통합 및 지속적 배포는 소프트웨어 시스템 개발에서 개발 주기를 단축하고, 개발 속도를 높이며, 신뢰성 높은 릴리스를 가능하게 한다.[17] 많은 도구에서는 파이프라인이라고 불리는 기능을 통해 반복되는 프로세스이자 재사용 가능한 절차를 정의할 수 있다.[18][49]

6. 2. 모델 및 예측의 재현성

MLOps 시스템은 모델이 구축되는 데이터 과학 플랫폼과 계산이 수행되는 분석 엔진을 포함하며, MLOps 도구는 머신 러닝 모델, 데이터 및 결과의 시스템 간 이동을 조율한다.[7]

정확도 검증 및 동일한 데이터와 조건에서 ML 실험 재현성은 중요하다. 이를 위해 코드, 학습 데이터, 플랫폼 전체를 기록하고, 과거로 거슬러 올라가 재실행할 수 있는 메커니즘을 통해 재현성을 확립해야 한다.[50]

6. 3. 소프트웨어 안정성 및 품질 향상

MLOps는 자동 테스트 실행, 소스 관리, 모델 버전 관리, 재현 가능한 모델 훈련 등 소프트웨어의 안정성과 품질 향상을 위한 기능을 포괄적으로 갖추고 있다. 일반적인 소프트웨어 개발 주기에서의 테스트 외에도 기계 학습 프로세스에서는 데이터 검증, 훈련된 모델 품질 평가, 모델 검증이 필요하다.[17] 또한, 모델의 훈련 및 배포가 재현 가능한 개발 환경이 통합되며, 인시던트 관리와 티켓 시스템으로의 알림 및 연결이 이루어진다.[18][44][19][51]

6. 4. 확장성 (Scalability)

모델 훈련에는 일반적으로 크기가 큰 데이터와 모델이 포함된다. 따라서 모델 아키텍처와 매개변수 공간을 탐색하는 데 며칠 또는 몇 달이 걸릴 수 있다. 기계 학습 중에서도 계산 리소스를 특히 필요로 하는 딥 러닝이나 하이퍼파라미터의 자동 튜닝 등에서, 스케일링 가능한 아키텍처가 요구된다.[11]

6. 5. 팀 협업 (Collaboration)

MLOps는 데이터 과학자, 엔지니어, 유지보수 담당자 등 여러 분야의 전문가들이 협력하여 머신 러닝 모델의 개발, 배포, 운영을 효율적으로 수행할 수 있도록 한다.[17]

6. 6. 빠른 모델 훈련 라이프사이클

머신러닝 모델 구축은 실험적 성격을 띤다. 따라서 다양한 알고리즘, 모델링 기술, 파라미터 구성을 시도하여 과제에 대한 최적의 모델을 가능한 한 빨리 식별해야 한다. 코드의 재사용성을 최대화하면서 정형화된 프로세스를 자동화하여 고속 모델 훈련을 실행한다.[17]。 또한, 모델을 사용하는 애플리케이션도 배포에 통합하여 기계 학습 서비스를 지속적으로 롤아웃할 수 있다.[18]。

6. 7. 모니터링, 알림, 보안 통합

실험 완료, 모델 등록, 모델 배포 완료, 개념 드리프트 감지, 성능 경고 등을 위한 감시 및 알림 기능이 통합된다. 또한 내부 프로세스를 합리화하여 거버넌스 정책을 지원하고, 접근 제어 관리를 도입하여 보안 기능을 통합한다.[18][44][55][56]

6. 8. 설명 가능한 AI (Explainable AI)

생성된 모델의 판정 근거가 블랙 박스가 되는 것을 피하기 위해, 설명 가능한 AI로서 데이터 및 모델의 추적 가능성 확보, 재현 가능하고 검증 가능한 모델 및 실험 환경을 구축한다.[17][18][19]

7. 목표

기업이 MLOps 시스템을 통해 엔터프라이즈 전반에 걸쳐 ML을 구현함으로써 달성하고자 하는 목표는 다음과 같다.[7]

목표
배포 및 자동화[8]
모델 및 예측의 재현성[9]
진단[9]
거버넌스 및 규제 준수[10]
확장성[11]
협업[12]
비즈니스 활용[13]
모니터링 및 관리[14]



MLOps와 같은 표준 관행은 위에서 언급한 각 영역을 고려하여 기업이 워크플로우를 최적화하고 구현 중 발생할 수 있는 문제를 피하는 데 도움을 줄 수 있다.

참조

[1] 웹사이트 Why MLOps (and not just ML) is your Business' New Competitive Frontier https://aitrends.com[...] 2018-01-30
[2] 논문 Machine Learning Operations (MLOps): Overview, Definition, and Architecture https://ieeexplore.i[...] 2023
[3] 논문 Hidden Technical Debt in Machine Learning Systems https://papers.nips.[...] 2017-11-14
[4] 웹사이트 Deloitte Technology, Media and Telecommunications Predictions 2018 https://www2.deloitt[...] 2017-10-13
[5] 웹사이트 https://www.meetup.c[...]
[6] 웹사이트 Artificial Intelligence The Next Digital Frontier? https://www.mckinsey[...] McKinsey Global Institute 2017-06-01
[7] 웹사이트 The Rise of Quant-Oriented Devs & The Need for Standardized MLOps http://slides.com/wa[...] Nick Walsh 2018-01-01
[8] 웹사이트 Code to production-ready machine learning in 4 steps https://dagshub.com/[...] 2021-02-19
[9] 웹사이트 The Machine Learning Reproducibility Crisis https://petewarden.c[...] Pete Warden 2018-03-19
[10] 웹사이트 Machine learning algorithms meet data governance https://searchdatama[...] TechTarget 2017-09-01
[11] 웹사이트 How to train and deploy deep learning at scale https://www.oreilly.[...] 2018-03-15
[12] 웹사이트 IoT and Machine Learning: Why Collaboration is Key https://www.iotteche[...] Encore Media Group 2017-10-12
[13] 웹사이트 What's now and next in analytics, AI, and automation https://www.mckinsey[...] McKinsey Global Institute 2017-05-01
[14] 웹사이트 MLOps Challenges, Solutions and Future Trends https://www.iguazio.[...] 2020-02-19
[15] 웹사이트 AWS re:Invent 2020: Scaling MLOps on Kubernetes with Amazon SageMaker Operators https://www.youtube.[...] 2021-04-19
[16] 웹사이트 Why MLOps (and not just ML) is your Business’ New Competitive Frontier https://aitrends.com[...] AITrends 2018-01-30
[17] 웹사이트 MLOps: 機械学習における継続的デリバリーと自動化のパイプライン https://cloud.google[...] 2021-03-18
[18] 웹사이트 MLOps:ML モデル管理 - Azure Machine Learning https://docs.microso[...] 2021-03-18
[19] 웹사이트 aws-samples/mlops-amazon-sagemaker-devops-with-ml https://github.com/a[...] 2021-03-18
[20] 논문 Hidden Technical Debt in Machine Learning Systems https://papers.nips.[...] 2017-11-14
[21] 웹사이트 Artificial Intelligence The Next Digital Frontier? https://www.mckinsey[...] McKinsey Global Institute 2017-06-01
[22] 웹사이트 Deloitte Technology, Media and Telecommunications Predictions 2018 https://www2.deloitt[...] Deloitte 2017-10-13
[23] 웹사이트 What is ML Ops? Best Practices for Devops for ML https://www.youtube.[...] YouTube 2020-07-19
[24] 웹사이트 What is MLOps? https://www.algomox.[...] Algomox 2020-11-25
[25] 웹사이트 MLOps Silicon Valley https://www.meetup.c[...] Meetup 2018-02-02
[26] 웹사이트 Should every business function have an Ops extension? https://techhq.com/2[...] Tech HQ 2018-04-13
[27] 웹사이트 How to build AI culture: go through the curve of enlightenment https://hackernoon.c[...] Hackernoon 2018-04-28
[28] 웹사이트 Why MLOps (and not just ML) is your Business’ New Competitive Frontier https://aitrends.com[...] AITrends 2018-01-30
[29] 웹사이트 MLOps with serverless architectures (October 2018) https://www.slidesha[...] Julien Simon 2018-10-23
[30] 웹사이트 Scalable Data Science/Machine Learning: The State of DataOps / MLOps in 2018 http://www.machinele[...] Alejandro Saucedo 2018-09-09
[31] 웹사이트 Operational Machine Learning: Seven Considerations for Successful MLOps https://www.kdnugget[...] KDNuggets 2018-04-01
[32] 웹사이트 BD Podcast Ep 34 – Putting AI to Work with MLOps Powered by ParallelM https://bigdatabeard[...] Big Data Beard 2018-07-17
[33] 웹사이트 What is ML Ops? Solutions and best practices for applying DevOps to production ML services https://conferences.[...] O'Reilly 2018-10-10
[34] 웹사이트 Azure Machine Learning service の一般公開に関するお知らせ: その具体的な内容 {{!}} Azure のブログと更新プログラム {{!}} Microsoft Azure https://azure.micros[...] 2021-03-18
[35] 웹사이트 特徴 - Amazon SageMaker {{!}} AWS https://aws.amazon.c[...] 2021-03-18
[36] 웹사이트 Machine Learning - MLOps Big Eight - Education https://www.socialg.[...] 2021-04-19
[37] 웹사이트 The Rise of Quant-Oriented Devs & The Need for Standardized MLOps http://slides.com/wa[...] Nick Walsh 2018-01-01
[38] 웹사이트 Council Post: Why Machine Learning Models Crash And Burn In Production https://www.forbes.c[...] 2021-03-28
[39] 웹사이트 AI研究における「ブラックボックス問題」とは何か https://forbesjapan.[...] 2021-03-28
[40] 웹사이트 The AI black box problem https://www.thinkaut[...] 2021-03-28
[41] 웹사이트 How does a Data Scientist Build a Machine Learning Model in 8 Steps? https://www.analytic[...] 2021-03-28
[42] 웹사이트 How does a Data Scientist Build a Machine Learning Model in 8 Steps? https://www.analytic[...] 2021-03-28
[43] 간행물 Using MLOps to Bring ML to Production/The Promise of MLOps https://www.slidesha[...] 2019-12-18
[44] 웹사이트 MLOps 101: The Foundation for Your AI Strategy https://www.datarobo[...] 2021-04-07
[45] 웹사이트 What is DevOps? DevOps Explained {{!}} Microsoft Azure https://azure.micros[...] 2021-03-28
[46] 웹사이트 DevOps とは: 研究とソリューション https://cloud.google[...] 2021-03-28
[47] 웹사이트 DevOps とは? - DevOps と AWS {{!}} AWS https://aws.amazon.c[...] 2021-03-28
[48] 웹사이트 The Rise of Quant-Oriented Devs & The Need for Standardized MLOps http://slides.com/wa[...] Nick Walsh 2018-01-01
[49] 웹사이트 Code to production-ready machine learning in 4 steps https://dagshub.com/[...] 2021-02-19
[50] 웹사이트 The Machine Learning Reproducibility Crisis https://petewarden.c[...] Pete Warden 2018-03-19
[51] 웹사이트 Machine learning algorithms meet data governance https://searchdatama[...] TechTarget 2017-09-01
[52] 웹사이트 How to train and deploy deep learning at scale https://www.oreilly.[...] O'Reilly 2018-03-15
[53] 웹사이트 機械学習運用の成熟度モデル - Azure Architecture Center https://docs.microso[...] 2021-04-07
[54] 웹사이트 IoT and Machine Learning: Why Collaboration is Key https://www.iotteche[...] Encore Media Group 2017-10-12
[55] 웹사이트 The Machine Learning Reproducibility Crisis https://petewarden.c[...] Pete Warden 2018-03-10
[56] 웹사이트 MLOps Challenges, Solutions and Future Trends https://www.iguazio.[...] Iguazio 2020-02-19
[57] 웹사이트 Use Gartner’s 3-Stage MLOps Framework to Successfully Operationalize Machine Learning Projects https://www.gartner.[...] Gartner 2020-10-30
[58] 웹인용 ML Ops: Machine Learning as an Engineering Discipline https://towardsdatas[...] 2021-07-06
[59] 웹인용 Why MLOps (and not just ML) is your Business' New Competitive Frontier https://aitrends.com[...] 2018-01-30
[60] 웹인용 Use Gartner's 3-Stage MLOps Framework to Successfully Operationalize Machine Learning Projects https://www.gartner.[...] 2020-10-30


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com