쟈누이의 기록습관

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..

1. 기존 ml 프로젝트 진행방식의 한계 - validataion dataset 에서는 성능이 좋았던 모델이 배포때 test datsset 에서는 성능이 나쁠 수 있음 - 그럴 경우, n 번째 모델들을 배포하고 싶고, 성능이 좋았던 모델들을 참고하고 싶은 경우가 있다 - 체계적으로 모델, 데이터를 관리하지 않았다면, 성능이 안좋은 원인을 파악하기 어렵고 과거 모델을 재현하기 어려운 상황 발생 - 이럴경우 처음부터 다시 시작해야되는 문제가 발생할 수 있음 2. 실무에서겪을 수 있는 문제 1) 서로 다른 가상환경에서 개발한다면? 2) 하나의 컴퓨터, 서버를 공유해야 한다면 --> 1), 2) 의 이야기는 대다수의 기업에서 겪는 일이다. 3. 성공적인 ML 프로젝트를 위해서는? - 단순히 좋은 모델만 사용하는..