반응형
MLOps
- ml 프로젝트 개발 프로세스에서도 모든 업무들에 자동화가 필요하다는 의견이 나옴
- 데브옵스 방법론을 결합하자는 아이디어가 나옴
> 버전관리 : 데이터 버전관리, 모델 버전 관리
> 테스트 자동화 : 모델 학습 자동화, 모델 성능 평가 자동화
> 모니터링 : 서빙 모델 모니터링, 데이터 변화 모니터링, 시스템 안정성 모니터링
ai 서비스와 sw 의 차이점
- 소프트웨어, ml 기반 ai 서비스에 가장 큰 차이점은 데이터의 유무가 가장 중요함
- 데이터의 중요성이 대두되고 있음
- 데이터의 차이점이 ml 관련 서비스 전반에 영향을 줌, 데브옵스와는 비슷하면서도 다름
- 엠엘옵스는 데브옵스 및 다른 분야에 비해 생소한 분야
ml 옵스의 정의
- 구글 : 엠엘 옵스는 시스템 개발과 시스템 운영을 통합하는 것을 목표로 하는 ml 엔지니어링 문화 및 방식
mlops 를 수행하면 통합, 테스트, 출시, 배포, 인프라 관리를 비롯한 ml 시스템 구성의 모든 단계에서 자동화 및 모니터링
을 지원할 수 있다.
-> 머신러닝을 효율적으로 개발하고 성공적으로 서비스화하고 운영할 때 필요한 모든 것을 다루는 분야
반응형
'데이터 엔지니어링 프로젝트 및 인강 > 5. MLOps - FastCampus' 카테고리의 다른 글
| 챕터1. MLOps 란? (0) | 2022.03.14 |
|---|