MLOps 01 - MLOps란 무엇인가?
MLOps가 왜 필요한지, ML 라이프사이클의 현실적인 문제는 무엇인지
MLOps 기초
데이터 파이프라인부터 프로덕션 모니터링까지, ML 시스템 운영의 기초
모델 실험에서 프로덕션 운영으로 넘어가려는 ML 엔지니어, 데이터 사이언티스트, 백엔드 엔지니어.
먼저 보면 좋은 시리즈
전체 글
-
1
-
2
MLOps 02 - 데이터 파이프라인과 피처 엔지니어링
원시 데이터가 학습 데이터가 되기까지의 과정과, 데이터 품질이 모델 성능을 결정하는 이유
-
3
MLOps 03 - 실험 추적과 모델 학습 관리
실험을 체계적으로 추적하지 않으면 어떤 문제가 발생하는지, 그리고 이를 해결하는 도구들
-
4
MLOps 04 - 모델 버전 관리와 레지스트리
모델 버전 관리가 코드 버전 관리와 다른 이유, 그리고 모델 레지스트리의 역할
-
5
MLOps 05 - 모델 서빙과 배포 전략
학습된 모델을 프로덕션에서 서빙하는 방법과 안전한 배포 전략
-
6
MLOps 06 - 모니터링과 드리프트 감지
프로덕션 모델이 시간이 지나면서 성능이 저하되는 이유와 이를 감지하는 방법
-
7
MLOps 07 - ML을 위한 CI/CD
ML 시스템의 CI/CD가 일반 소프트웨어와 어떻게 다르며, 무엇을 테스트하고 자동화해야 하는지
-
8
MLOps 08 - 피처 스토어
피처 스토어가 왜 필요한지, 학습-서빙 간 불일치를 어떻게 해결하는지
-
9
MLOps 09 - GPU 인프라와 스케일링
ML 워크로드에 특화된 인프라가 왜 필요하고, GPU 스케일링을 어떻게 다루는지
-
10
MLOps 10 - MLOps 플랫폼 구축
모든 구성 요소를 하나로 묶는 MLOps 플랫폼을 어떻게 구축하고 운영하는지