MLOps: 머신러닝 시스템 운영과 자동화

강의 개요 #

이 강의는 머신러닝 모델을 실제 프로덕션 환경에서 안정적으로 운영하기 위한 MLOps의 핵심 개념과 실전 예제를 다룹니다.

학습 목표 #

• DevOps와 MLOps의 차이점과 필요성 이해
• ML 파이프라인(데이터, 학습, 서빙, 모니터링) 구축
• MLflow를 활용한 실험 추적과 모델 버전 관리
• Kubernetes 기반 모델 배포 및 운영

강의 구성 #

1부: DevOps에서 MLOps로 #

• DevOps 개념과 CI/CD 파이프라인
• ML 프로젝트의 특수성과 도전 과제
• MLOps의 필요성과 핵심 원칙

2부: ML 시스템의 실제 문제들 #

• Model Drift(모델 성능 저하)와 데이터 변화
• Hidden Feedback Loop와 재현성 문제
• 환경 일관성 확보의 중요성

3부: ML 파이프라인의 구성 요소 #

• Data Pipeline: 데이터 수집, 검증, 전처리, 분할
• Training Pipeline: 모델 학습, 하이퍼파라미터 튜닝, 평가, 검증
• Serving Pipeline: 모델 등록, 컨테이너화, 배포, API 서빙
• Monitoring Pipeline: 성능 모니터링과 알림

4부: 실험 관리와 모델 버전 관리 with MLflow #

• MLflow Tracking으로 실험 추적
• MLflow Model Registry로 모델 버전 관리
• 모델 생명주기 관리(Staging, Production, Archived)
• UI를 통한 실험 비교 및 최적 모델 선택

5부: 모델 배포 전략 #

• 배치 예측 vs 실시간 예측
• Rolling Update, Blue-Green, Canary, A/B Testing
• 배포 전략별 장단점과 적용 사례

6부: Kubernetes를 활용한 확장 가능한 시스템 #

• Kubernetes의 핵심 개념
• k3s를 활용한 경량 클러스터 구축
• 컨테이너 오케스트레이션과 리소스 관리

강의 방식 #

• 온라인/오프라인: Zoom 또는 대면 강의
• 실습 중심: ops_demo 프로젝트를 활용한 단계별 실습
• 1:1 피드백: 파이프라인 구축 및 모델 운영 리뷰

수강 대상 #

• ML 모델을 실제 서비스에 배포하고 운영하고자 하는 개발자
• 데이터 사이언티스트의 실험 결과를 프로덕션화하는 ML 엔지니어
• ML 시스템의 안정적 운영과 자동화에 관심 있는 분

선수 지식 #

• Python 기본 문법과 머신러닝 기초 이해
• Docker 기본 개념 (컨테이너, 이미지)
• 기본적인 Linux/터미널 사용 경험

주요 실습 프로젝트 #

• 0.0.1: Python 프로젝트 기본 구조
• 0.0.2: ML 파이프라인 구현
• 0.0.3: MLflow 통합
• 0.0.4: Kubernetes 배포

MLOps vs DevOps 핵심 차이 #

MLOps의 핵심 원칙 #

1. 자동화(Automation): 데이터 처리, 모델 학습, 배포, 재학습을 자동화
2. 재현성(Reproducibility): 동일한 데이터 + 동일한 코드 = 동일한 결과
3. 모니터링(Monitoring): 모델 성능 실시간 추적, 데이터 품질 확인, 이상 감지 및 알림
4. 협업(Collaboration): 데이터 과학자와 엔지니어의 협업, 실험 결과 공유, 모델 버전 관리

주요 도구 스택 #

• 실험 추적: MLflow, Weights & Biases
• 파이프라인: Kubeflow, Apache Airflow
• 데이터 관리: DVC, Feast
• 모니터링: Evidently, WhyLabs
• 클라우드: AWS SageMaker, Google Vertex AI

문의 #

강의 일정 및 비용 문의는 이메일로 연락 주세요.