해외 뉴스 매체 이머징 테크 브루가 기업 경영진 사이에서 MLOps에 주목하는 추세라고 전했다.
MLOps는 데이터 관리와 머신러닝 시스템 개발, 서비스 운영을 통합해, 안정적인 상품 및 서비스 출시를 지원한다. 신속하고 유연한 개발을 추구하며, 기업 운영 효율성 향상에 도움이 될 수 있다.
MLOps의 목표는 대규모 단위에서 효율성과 보안, 정확함을 갖춘 모델 운영이다.
보스턴 소프트웨어 기업 데이터로봇(DataRobot)의 MLOps 전무 디에고 오펜하이머(Diego Oppenheimer)는 “MLOps는 모든 것을 하나로 묶는다. MLOps가 없어도 머신러닝을 운영할 수 있지만, 대규모 머신러닝 운영에는 MLOps가 필요하다”라고 말했다.
데이터로봇과 함께 MLOps 분야 양대산맥으로 평가받는 기업인 데이터브릭스(Databricks)의 머신러닝 및 데이터 과학 연구 총괄 클레멘스 메왈드(Clemens Mewald)는 “MLOps는 DevOps와 DataOps, ModelOps를 함께 활용하고자 할 때만 그 가치를 누릴 수 있다. 이 때문에 MLOps 개발과 활용이 까다롭다”라고 설명했다.
시장 조사 기관 가트너(Gartner)의 2021년도 설문 조사에서 기업 최고 정보 관리자와 테크 부서 임원 96%가 기술 구축이나 프로젝트 시행에 인공지능(AI)을 활용한고 답변했다. 그러나 실제로 AI 활용 프로젝트 중 시범 단계를 넘어 정식 출시로 이어지는 사례는 단 50%에 불과하다.
이에, 많은 전문가가 MLOps로 프로젝트 시범 단계와 제품 및 서비스 정식 출시 시 활용하는 AI의 격차를 해소할 수 있다고 주장한다.
패트릭 버틀러(Patrick Butler) 버지니아공과대학 수석 연구원과 오펜하임 모두 MLOps가 갈수록 모범 사례 연구와 현실 사이의 가교 역할을 하며, 머신러닝이 지속성과 안전성을 갖춘 채로 작동하도록 지원하는 과정을 마련하는 데 도움이 된다고 말한다.
버틀러 연구원은 “소프트웨어 엔지니어링 분야에서 기초 수준의 MLOps 프레임워크가 이미 존재하며, 시간이 지나면서 조금 더 성장하고 더 탄탄해질 것이다”라며, “MLOps를 활용하여 데이터와 연구 방법을 그 누구도 기술적 부채를 남기거나 새로이 기술 부채를 발생시키지 않도록 성문화된 것을 확인한다”라고 전했다.
오펜하임은 MLOps 사용 후 프로젝트에서 시범 단계의 사례 연구 논의 시간이 단축됐으며, 생산 시스템에 더 집중하게 되었다고 말했다.
이어, 오펜하임은 단순히 첨단 머신러닝 유지 수준을 넘어 MLOps 활용이 필요하다고 강조했다. 그는 “딥러닝의 무수히 많은 변수를 논의하는 머신러닝 세계에 진입했다. 그러나 딥러닝 모델의 변수를 이해하는 일은 매우 어렵다. MLOps를 활용하면, 적어도 재현과 반복이 가능한 모델을 생성하는 데 도움이 된다”라고 강조했다.
[저작권자ⓒ CWN(CHANGE WITH NEWS). 무단전재-재배포 금지]
