패스트캠퍼스 환급챌린지 19일차 : 10개 프로젝트로 한 번에 끝내는 MLOps 파이프라인 구현 초격차 패키지 Online. 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

커리어 성장을 위한 최고의 실무교육 아카데미 | 패스트캠퍼스

 

수강 인증

공부시작

공부끝

클립수강

필기

수강 후기

안녕하세요. 환급챌린지 19일차 포스팅입니다.
오늘은 MLOps 인프라 요소 중 Storage와 Computing에 대해 배웠습니다.

---

모델 이전에 데이터를 담을 ‘기반’이 먼저다

머신러닝을 실무에 적용할수록 느끼는 건, 모델 성능보다 중요한 건 ‘데이터를 다루는 방식’과 ‘운영 환경’이라는 점이다.
오늘 강의는 그런 관점에서 Storage와 Computing의 중요성을 다뤘고,
단순히 기술적인 개념을 넘어, 모델이 안정적으로 운영되기 위한 기반을 어떻게 구성해야 하는지에 대해 고민하게 만들었다.

---

Storage: 데이터를 쌓는 방식이 곧 모델의 운명이다

Storage는 단순히 데이터를 저장하는 공간이 아니라,
📌 얼마나 오래 보존할 수 있는가,
📌 얼마나 빠르게 접근할 수 있는가,
📌 데이터가 커져도 잘 확장되는가,
이 세 가지 관점이 모두 중요하다는 걸 배웠다.

클라우드 스토리지나 데이터 레이크처럼 확장성과 유연성을 갖춘 구조가 중요한 이유는,
머신러닝이 한 번 학습하고 끝나는 게 아니라 데이터가 쌓이고 모델이 반복적으로 학습되어야 하기 때문이다.
특히, 실시간 데이터 분석이나 대용량 로그 데이터를 다룰 땐 분산 파일 시스템이나 웨어하우스의 필요성이 크게 느껴졌다.

예전엔 “어디에 저장하든 되겠지”라고 생각했다면,
이제는 “어디에, 어떻게, 얼마나 오래, 어떤 속도로 접근할 수 있는가”가 더 중요하다는 걸 깨달았다.

---

Computing: 아무리 좋은 모델도 실행할 리소스가 없다면 무용지물

모델 학습을 반복적으로 돌리고, 실시간 추론까지 하려면 결국 컴퓨팅 자원이 받쳐줘야 한다.
오늘 강의에서 소개된 다양한 컴퓨팅 환경(GPU/TPU, 서버리스, 컨테이너 기반 등)을 보며,
✔ 비용,
✔ 성능,
✔ 유연성
이 세 가지를 어떻게 조화롭게 설계할지가 관건이라는 생각이 들었다.

특히 컨테이너 기반 컴퓨팅 환경은 요즘처럼 모델을 다양한 환경에서 일관되게 재현해야 하는 상황에서 더 중요해지고 있다.
또한 서버리스 컴퓨팅을 통해 예측이나 데이터 전처리 같은 단발성 작업을 필요할 때만 유연하게 실행할 수 있다는 점도 굉장히 실용적으로 느껴졌다.

이제는 단순히 모델만 고민할 게 아니라,
“이 모델을 어디에서, 어떤 자원 위에서, 얼마나 효율적으로 돌릴 것인가?”를 항상 함께 고민해야 한다.

---

오늘 강의를 통해 얻은 인사이트

✔ 모델을 학습시키고 운영하기 위한 기반은 결국 Storage와 Computing이다.
✔ 데이터 저장의 방식과 접근성이 바뀌면, 전체 ML 파이프라인의 설계까지 달라진다.
✔ 컴퓨팅 자원의 선택은 비용, 성능, 운영 편의성의 균형을 고려해야 한다.
✔ 실제 모델 운영은 코드가 아니라, 인프라가 결정한다.

오늘 강의를 들으며 MLOps에서 인프라의 역할을 다시 한 번 실감했다.
앞으로 모델을 만들 땐, 그것이 어떤 환경에서 어떻게 움직일지까지 미리 그려보는 습관을 길러야겠다.