ㅁ 운영 전략

ㅇ 정의:
운영 전략은 AI 모델의 지속적인 성능 유지와 최적화를 위해 필요한 관리 방법과 절차를 정의한 것이다.

ㅇ 특징:
– AI 모델의 변화와 업데이트를 체계적으로 관리.
– 다양한 환경에서의 모델 성능을 지속적으로 모니터링.
– 운영 중 발생하는 문제를 신속히 해결할 수 있는 체계 마련.

ㅇ 적합한 경우:
– 여러 모델을 동시에 운영하며 성능 비교가 필요한 경우.
– 모델 업데이트가 빈번히 이루어지는 환경.
– 예측 결과의 신뢰성이 중요한 비즈니스 상황.

ㅇ 시험 함정:
– 운영 전략과 개발 전략을 혼동하여 출제되는 경우.
– 운영 전략의 세부 단계와 관련된 용어를 정확히 이해하지 못하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
O: 운영 전략은 모델 성능 유지와 최적화를 목표로 한다.
X: 운영 전략은 모델의 데이터 학습 과정을 포함한다.

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

1. Version Control

ㅇ 정의:
Version Control은 AI 모델의 버전을 체계적으로 관리하여 변경 사항을 추적하고 이전 상태로 복원할 수 있는 시스템이다.

ㅇ 특징:
– 모델 변경 이력을 기록하여 관리.
– 협업 환경에서 충돌 방지 및 병합 기능 제공.
– 특정 버전으로의 복원이 용이.

ㅇ 적합한 경우:
– 여러 팀원이 동시에 모델 개발에 참여하는 경우.
– 모델의 변경 사항이 빈번히 발생하는 경우.
– 이전 버전으로 복원이 필요한 상황.

ㅇ 시험 함정:
– Version Control을 단순히 코드 관리 도구로 이해하는 경우.
– 모델 변경 이력과 데이터 변경 이력을 혼동하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
O: Version Control은 모델 변경 이력을 추적하고 복원이 가능하도록 한다.
X: Version Control은 데이터베이스 관리 기능을 포함한다.

ㅁ 추가 학습 내용

운영 전략과 관련하여 시험 대비를 위해 다음과 같은 개념을 정리합니다:

1. **모델 모니터링**:
– 운영 중인 모델의 성능을 지속적으로 평가하는 과정.
– 주요 목적: 모델이 실제 환경에서 기대한 대로 작동하는지 확인하고, 성능 저하를 조기에 발견하여 대응할 수 있도록 하는 것.
– 방법:
– 성능 지표 모니터링: 정확도, 정밀도, 재현율, F1 점수 등.
– 데이터 분포 변화 감지: 입력 데이터의 분포가 학습 데이터와 달라졌는지 확인.
– 예외 상황 감지: 예측 결과가 비정상적이거나 예측 불가능한 상황 발생 여부 확인.
– 도구: 모니터링을 자동화하기 위해 Prometheus, Grafana, 또는 모델 관리 플랫폼 사용.

2. **재학습 전략**:
– 새로운 데이터가 들어올 때 모델을 업데이트하는 계획.
– 주요 목적: 모델을 최신 데이터에 적응시켜 성능을 유지하거나 개선.
– 전략 유형:
– 주기적 재학습: 일정한 주기로 모델 재학습.
– 이벤트 기반 재학습: 데이터 분포 변화나 성능 저하가 감지될 때 재학습.
– 증분 학습: 새로운 데이터만 추가 학습하여 기존 모델을 업데이트.
– 고려사항:
– 재학습 주기 설정.
– 데이터 품질 평가.
– 재학습 시 기존 모델과 새로운 모델의 성능 비교.

3. **Version Control**:
– 모델, 데이터, 코드의 변경 사항을 추적하고 관리하는 시스템.
– 주요 도구:
– Git: 코드 버전 관리에 널리 사용되는 도구. 주요 기능으로는 커밋, 브랜치, 병합 등이 있으며 협업 및 변경 사항 추적에 유용.
– DVC(Data Version Control): 데이터와 모델 버전을 관리하는 도구. Git과 통합하여 데이터 및 모델 파일의 변경 사항을 추적하고 복원 가능.
– 사용 사례:
– Git: 소프트웨어 개발 프로젝트에서 코드 변경 사항 관리.
– DVC: 머신러닝 프로젝트에서 데이터셋, 모델 파일, 실험 결과를 체계적으로 관리하며 재현 가능성 보장.

위 내용을 학습 노트에 포함하여 운영 전략과 관련된 시험 대비에 활용하면 효과적입니다.