ㅁ 파이프라인 및 자동화

ㅇ 정의:
머신러닝 모델을 배포 가능하도록 코드, 종속 라이브러리, 환경 설정 등을 하나의 패키지로 묶는 과정.

ㅇ 특징:
– Docker, Conda, Wheel 등 다양한 패키징 방식 사용 가능
– 재현성(Reproducibility) 확보에 중요
– 환경 차이에 따른 실행 오류를 최소화

ㅇ 적합한 경우:
– 모델을 다른 서버나 클라우드 환경에 배포해야 하는 경우
– 협업 시 동일한 환경에서 모델 실행을 보장해야 하는 경우

ㅇ 시험 함정:
– 모델 저장(Model Saving)과 패키징(Packaging)을 혼동하는 경우
– 단순 파일 저장만으로는 패키징이 아님

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Docker 이미지를 활용하여 모델과 환경을 함께 배포한다.”
X: “모델 가중치 파일만 저장하면 패키징이 완료된다.”

================================

ㅁ 추가 학습 내용

Model Packaging은 단순히 모델 파일만 저장하는 것이 아니라, 실행 환경 전체를 함께 포함하는 것이 중요하다. 여기에는 라이브러리 버전, 운영체제(OS), 설정 파일 등이 포함된다. 시험에서는 Docker, Kubernetes, Conda-pack, Python Wheel, ONNX 등 다양한 패키징 도구와 표준의 특징과 차이를 구분할 수 있어야 한다. 또한 MLOps 파이프라인에서 CI/CD 단계와 Model Packaging의 연계성을 이해하는 것이 중요하다. 패키징 이후 배포 환경에서의 보안 측면(예: 이미지 스캔)과 최적화 측면(예: 경량화, 모델 압축) 관련 개념도 함께 학습해야 한다.