철학과 학생의 개발자 도전기
패스트캠퍼스 환급챌린지 17일차 : 10개 프로젝트로 한 번에 끝내는 MLOps 파이프라인 구현 초격차 패키지 Online. 강의 후기 본문
패스트캠퍼스 환급챌린지 17일차 : 10개 프로젝트로 한 번에 끝내는 MLOps 파이프라인 구현 초격차 패키지 Online. 강의 후기
Younghun 2025. 3. 21. 23:47본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
커리어 성장을 위한 최고의 실무교육 아카데미 | 패스트캠퍼스
성인 교육 서비스 기업, 패스트캠퍼스는 개인과 조직의 실질적인 '업(業)'의 성장을 돕고자 모든 종류의 교육 콘텐츠 서비스를 제공하는 대한민국 No. 1 교육 서비스 회사입니다.
fastcampus.co.kr
수강 인증
수강 후기
안녕하세요. 환급챌린지 17일차 포스팅입니다.
오늘은 ML System 구축을 위한 요구사항과 직무에 따라 다르게 사용하는 MLOps에 대해 배웠습니다.
모델을 운영한다는 것의 의미
이전까지 머신러닝을 배울 때는 모델 성능을 높이는 것이 가장 중요한 목표라고 생각했다.
하지만 오늘 강의를 들으면서, 머신러닝 모델이 실제 서비스에서 안정적으로 운영되려면 그 이상의 요소들이 필요하다는 것을 깨달았다.
✔ 머신러닝 모델은 단순한 알고리즘이 아니라, 운영 환경 속에서 지속적으로 유지·관리되는 시스템이다.
✔ 따라서 모델을 개발하는 것뿐만 아니라, 어떤 환경에서 어떻게 운영할 것인지까지 고려하는 것이 필수적이다.
이러한 관점에서 ML System 구축을 위해 고려해야 할 요구사항이 많다는 점이 인상적이었다.
모델을 학습하고 배포하는 것만으로 끝나는 것이 아니라, 데이터 처리, 인프라 구성, 모니터링, 자동화 등 다양한 요소들이 함께 맞물려야 한다는 점을 다시금 깨닫게 되었다.
ML System 구축을 위한 요구사항을 보며 떠오른 생각들
✔ 머신러닝 모델이 운영 환경에 적합한가?
- 모델이 아무리 뛰어나도, 실제 서비스에 적용할 수 없다면 의미가 없다.
- 연산 속도가 너무 느리거나, 대량의 요청을 처리하지 못하면 실용성이 떨어진다.
- 모델을 만들 때부터 운영 환경(실시간 예측 vs 배치 처리 등)에 적합한 설계를 해야 한다는 점을 배웠다.
✔ 데이터와 모델이 따로 존재할 수 없다.
- 머신러닝 모델의 성능을 유지하려면 데이터의 품질이 지속적으로 관리되어야 한다.
- 데이터 수집, 정제, 저장, 접근 권한 등 데이터 인프라 구축이 모델 운영의 핵심 요소라는 점이 인상적이었다.
- 결국, 좋은 모델을 만들려면 모델뿐만 아니라 데이터 파이프라인도 함께 구축해야 한다는 것을 다시 한번 실감했다.
✔ 모델의 지속적인 업데이트와 자동화가 필수적이다.
- 실험 환경에서는 수동으로 모델을 학습하고 평가할 수 있지만,
운영 환경에서는 모델 업데이트를 자동화하지 않으면 유지보수가 어렵다. - 따라서 MLOps를 활용한 자동화(데이터 검증, 모델 재학습, 배포 등)가 필수적이라는 점을 배웠다.
MLOps를 직무별로 다르게 활용하는 이유
오늘 강의에서 특히 흥미로웠던 부분은 MLOps가 직무에 따라 다르게 적용된다는 점이었다.
데이터 과학자, 머신러닝 엔지니어, 소프트웨어 엔지니어 등 각 직군이 필요로 하는 MLOps의 기능이 다르다는 것이 흥미로웠다.
✔ 데이터 과학자(DS)는 실험과 모델 개발이 중요하다.
- 모델 실험 환경(예: Jupyter Notebook, MLflow)
- 하이퍼파라미터 튜닝 및 버전 관리
- 재현 가능한 환경 설정
✔ 머신러닝 엔지니어(ML Engineer)는 모델 배포와 운영이 핵심이다.
- 모델을 API로 배포하고, 실제 서비스에서 활용할 수 있도록 인프라 구축
- 지속적인 모니터링 및 성능 평가
- 데이터 파이프라인 및 CI/CD 자동화
✔ 소프트웨어 엔지니어(SWE)는 모델을 애플리케이션과 통합한다.
- 모델을 실제 서비스와 연동하고 API 개발
- 대량의 요청을 처리할 수 있도록 성능 최적화
- 로그 분석 및 장애 대응
이렇게 MLOps가 단순한 툴이 아니라, 각 직무가 필요로 하는 기능을 지원하는 프레임워크라는 점이 흥미로웠다.
즉, MLOps는 특정 직군만 활용하는 것이 아니라, 협업을 위한 필수 요소라는 점을 깨닫게 되었다.
오늘 강의를 통해 얻은 교훈
✔ ML System을 구축할 때는 모델만이 아니라, 데이터, 인프라, 자동화까지 고려해야 한다.
✔ 모델의 성능이 좋다고 해서 실전에서 바로 사용할 수 있는 것은 아니다.
✔ MLOps는 직군별로 다르게 활용되며, 결국 협업을 위한 필수 요소이다.
이번 강의를 통해 머신러닝 모델이 실전에서 어떻게 운영되는지를 더 깊이 이해할 수 있었다.
앞으로는 단순히 모델 개발에 집중하는 것이 아니라, 운영까지 고려한 전체 시스템 설계에 대한 시야를 넓혀야겠다.
다음 강의에서는 실제 ML System을 구축하는 과정과 실습을 더 깊이 탐구해 보고 싶다.
