PART 1 MLOps 개념과 필요성
CHAPTER 1 왜 지금이고 도전 과제는 무엇인가
1.1 MLOps와 도전 과제 정의하기
1.2 리스크를 경감하기 위한 MLOps
1.3 확장을 위한 MLOps
1.4 마치며
CHAPTER 2 MLOps 이해관계자들
2.1 직무 전문가
2.2 데이터 과학자
2.3 데이터 엔지니어
2.4 소프트웨어 엔지니어
2.5 DevOps
2.6 모델 리스크 관리자/감리인
2.7 머신러닝 아키텍트
2.8 마치며
CHAPTER 3 MLOps의 핵심 기능
3.1 머신러닝 입문
3.2 모델 개발
3.3 제품화 및 배포
3.4 모니터링
3.5 반복 및 생애주기
3.6 거버넌스
3.7 마치며
PART 2 MLOps 적용 방법
CHAPTER 4 모델 개발
4.1 머신러닝 모델이란?
4.2 데이터 탐색
4.3 특성 엔지니어링 및 특성 선택
4.4 실험
4.5 모델 평가 및 비교
4.6 버전 관리 및 재현 가능성
4.7 마치며
CHAPTER 5 상용화 준비
5.1 실행 환경
5.2 모델 리스크 평가
5.3 머신러닝에 대한 품질 검증
5.4 테스트에 대한 핵심 고려 사항
5.5 재현 가능성과 감사 가능성
5.6 머신러닝 보안
5.7 모델 리스크 경감
5.8 마치며
CHAPTER 6 상용 배포
6.1 CI/CD 파이프라인
6.2 머신러닝 아티팩트 개발
6.3 배포 전략
6.4 컨테이너화
6.5 배포 확장
6.6 요구사항과 도전 과제
6.7 마치며
CHAPTER 7 모니터링과 피드백 루프
7.1 모델을 얼마나 자주 재학습시켜야 할까?
7.2 모델 성능 저하
7.3 드리프트 감지
7.4 피드백 루프
7.5 마치며
CHAPTER 8 모델 거버넌스
8.1 조직에 어떤 거버넌스가 필요한지 누가 결정하는가?
8.2 리스크 수준에 거버넌스 맞추기
8.3 MLOps 거버넌스를 주도하는 현행 규정
8.4
머신러닝 적용 실무를 담당하는 데이터 분석 팀
또는 IT 운영 팀의 관리자들에게
MLOps 역량을 개발하기 위한
실질적인 통찰과 해결책을 제공한다!
머신러닝 기술은 이론과 학문의 영역에서 ‘현실 세계’의 영역으로 이동하는 전환점에 이르렀다. 전 세계의 모든 서비스와 제품에 머신러닝 기술을 적용해보려는 시도가 이어지고 있다. 이러한 변화가 흥미롭기는 하지만, 머신러닝 모델의 복잡한 특성과 현대적인 조직의 복잡한 구조를 조합하는 대단히 도전적인 과제다.
조직이 머신러닝을 실험실 수준에서 상용 환경으로 확대 적용할 때 겪는 어려움 중 하나는 유지보수다. 기업은 하나의 모델만 다루던 환경에서 수십, 수백 혹은 수천 개의 모델을 다루는 환경으로 어떻게 전환할 수 있을까? 바로 이 지점에서 앞서 언급한 기술적인 복잡성과 비즈니스적 복잡성이 드러나고, MLOps가 필요하다.
MLOps는 기업이 데이터 사이언스와 AI를 더 성공적으로 도입·운영할 수 있는 효과적인 방법론 중 하나다. 이 책을 통해 MLOps 역량을 개발하기 위한 실질적인 통찰과 해결책을 얻길 바란다.
이 책은 크게 3부로 구성되어 있다.
※ 1부_MLOps 개념과 필요성
MLOps라는 주제를 전반적으로 소개한다. MLOps가 어떻게 그리고 어떤 이유에서 원칙이 되었는지, MLOps를 성공적으로 실행하려면 어떤 사람들이 MLOps에 참여해야 하는지, 그리고 어떤 구성 요소가 있는지를 설명하였다.
※ 2부_MLOps 적용 방법
머신러닝 모델 생애주기에 맞춰 모델 개발, 상용화 준비, 상용 환경 배포, 모니터링과 피드백 루프, 모델 거버넌스 등의 순서로 구성하였다. 각 장에서는 일반적인 고려 사항과 함께 MLOps 관련 고려 사항을 다루었다. 특히, 1부 3장에서 가볍게 소개한 주제들을 상세하게 설명한다.
※ 3부_MLOps 실제 사례
오늘날 기업에서 운영하는 MLOps의 모습에 대한 실질적 예시를 제공하여, 독자들이 실제 구축 형태와 그 의미를 이해할 수
