패스트캠퍼스 환급챌린지 18일차 : 10개 프로젝트로 한 번에 끝내는 MLOps 파이프라인 구현 초격차 패키지 Online. 강의 후기
본 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 18일차 포스팅입니다.
오늘은 MLOps 구현을 위한 인프라 요소에 대해 간략히 살펴봤습니다.
MLOps의 핵심은 모델이 아니라 인프라다
머신러닝을 공부하면서 항상 모델 성능에 집중했지만, 오늘 강의를 통해 운영 가능한 인프라 없이는 모델이 무용지물이 될 수도 있다는 걸 깨달았다.
✔ 데이터 저장부터 연산 자원, 환경 관리, 자동화, API 배포까지 모든 요소가 유기적으로 맞물려야 한다.
✔ 결국, 모델을 만드는 것보다 이를 운영할 환경을 제대로 설계하는 것이 더 중요하다.
특히, 데이터 저장 방식이나 컴퓨팅 리소스 최적화가 모델의 실제 성능에 미치는 영향을 보며,
단순히 코드 레벨이 아니라 시스템적인 사고를 해야 한다는 점이 인상적이었다.
MLOps 인프라를 고민하며 떠오른 생각들
✔ MLOps는 소프트웨어 엔지니어링과 맞닿아 있다.
- 머신러닝 모델을 운영하는 과정은 단순한 데이터 분석이 아니라 하나의 소프트웨어 시스템을 구축하는 것과 유사하다.
✔ 자동화 없이는 운영이 불가능하다.
- 연구 단계에서는 사람이 직접 모델을 학습하고 평가할 수 있지만,
운영 환경에서는 자동화된 데이터 처리, 재학습, 배포 시스템이 없으면 유지보수가 어렵다. - 데이터를 지속적으로 모니터링하고, 성능이 저하될 경우 재학습할 수 있는 체계가 필요하다.
✔ 모든 걸 직접 만들 필요는 없다.
- AWS S3, Kubernetes, MLflow 같은 기존 솔루션을 활용하면 MLOps 구축을 훨씬 효율적으로 할 수 있다.
- 결국, 직접 개발해야 하는 부분과 외부 솔루션을 활용할 부분을 잘 구분하는 것이 핵심이라는 점을 배웠다.
오늘 강의를 통해 얻은 교훈
✔ MLOps는 단순한 운영이 아니라, 머신러닝을 현실에서 활용할 수 있도록 만드는 핵심 인프라다.
✔ 좋은 모델보다 이를 지속적으로 운영할 수 있는 환경을 구축하는 것이 더 중요하다.
✔ 머신러닝 엔지니어는 결국 소프트웨어 엔지니어링까지 고려해야 한다.
이번 강의를 통해 모델이 아니라 시스템 전체를 바라보는 시각을 가져야 한다는 점을 배웠다.
앞으로 머신러닝을 공부할 때 인프라와 운영까지 고려하는 연습을 해봐야겠다.