ㅁ 프로젝트와 조직

ㅇ 정의:
머신러닝(ML) 프로젝트를 수행하기 위해 구성되는 팀의 역할, 책임, 협업 구조를 정의한 조직 형태.

ㅇ 특징:
– 데이터 엔지니어, 데이터 사이언티스트, ML 엔지니어, 제품 매니저 등 다양한 역할이 포함됨.
– 모델 개발, 데이터 파이프라인 구축, 배포 및 모니터링까지 전 과정에 걸친 협업 필요.
– 프로젝트 성격(연구 중심, 제품 중심, PoC 등)에 따라 팀 구성과 의사결정 구조가 달라짐.

ㅇ 적합한 경우:
– 데이터 기반 의사결정과 ML 모델을 제품/서비스에 통합하려는 경우.
– 빠른 프로토타입 제작과 운영 환경 배포가 모두 필요한 경우.

ㅇ 시험 함정:
– 데이터 분석팀과 ML팀의 차이를 혼동하는 경우.
– 연구 중심 팀과 제품 중심 팀의 목표 차이를 구분하지 못하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “ML 팀 구조에는 데이터 엔지니어, ML 엔지니어, 제품 매니저 등이 포함될 수 있다.”
X: “ML 팀 구조는 항상 데이터 사이언티스트만으로 구성된다.”

ㅁ 추가 학습 내용

ML 팀 구조 학습 정리

1. 역할별 책임(RACI 매트릭스)
– Responsible: 실제 업무 수행 책임자
– Accountable: 최종 결과에 대한 책임자
– Consulted: 의사결정 전 의견을 제공하는 참여자
– Informed: 진행 상황을 공유받는 이해관계자

2. 협업 워크플로우 차이
– Agile: 짧은 반복 주기와 지속적 개선 중심의 유연한 개발 방식
– Scrum: Agile의 한 형태로, 스프린트 단위 작업, 명확한 역할(스크럼 마스터, 제품 책임자, 개발팀)과 정기 미팅
– Kanban: 시각적 작업 보드 사용, 작업 흐름 최적화, 재작업 최소화, 유연한 작업량 조정

3. ML 팀 구조 유형
– 중앙집중형(Centralized)
장점: 표준화 용이, 자원 공유 효율적, 전문성 집중
단점: 부서별 요구 반영 속도 저하, 의사결정 병목 가능
– 분산형(Decentralized)
장점: 각 부서 요구에 신속 대응, 유연성 높음
단점: 표준화 어려움, 자원 중복 가능성

4. MLOps 조직 내 위치
– 데이터 엔지니어링, 소프트웨어 개발, 운영팀과 밀접 협력
– 모델 개발부터 배포, 모니터링, 유지보수까지 담당
– DevOps 문화와 유사하나 데이터·모델 특화 프로세스 포함

5. 모델 거버넌스 체계
– 모델 개발, 검증, 배포, 모니터링 전 과정의 정책·절차
– 성능 기준, 재현성, 규제 준수, 변경 관리 포함

6. 스타트업 vs 대기업 ML 팀 구성 차이
– 스타트업: 소규모, 다기능 인력, 역할 겸임 많음, 빠른 의사결정
– 대기업: 세분화된 역할, 표준화 프로세스, 다단계 의사결정

7. 데이터 거버넌스·보안·윤리적 AI 연계
– 데이터 품질 관리, 접근 권한, 보안 정책 준수
– 편향 최소화, 투명성 확보, 책임 있는 AI 개발 지침 반영
– 규제 및 법적 요구사항 준수