ㅁ 도구와 전략

1. AutoML

ㅇ 정의:
– 데이터 전처리, 특징 엔지니어링, 모델 선택, 하이퍼파라미터 튜닝 등을 자동으로 수행하는 머신러닝 자동화 기술.

ㅇ 특징:
– 비전문가도 모델 개발 가능, 개발 시간 단축, 다양한 알고리즘 자동 탐색.

ㅇ 적합한 경우:
– 빠른 프로토타이핑, 데이터 과학 인력이 부족한 조직, 반복적인 모델 개발.

ㅇ 시험 함정:
– AutoML은 항상 최적의 모델을 보장하지 않음, 데이터 품질 문제 해결 불가.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “AutoML은 모델 선택과 하이퍼파라미터 튜닝을 자동화한다.”
– X: “AutoML은 데이터 품질을 자동으로 개선한다.”

2. MLOps

ㅇ 정의:
– 머신러닝 모델의 개발, 배포, 운영을 DevOps 원칙에 따라 자동화하고 관리하는 방법론.

ㅇ 특징:
– 지속적 통합/배포(CI/CD), 재현성, 모니터링, 협업 강화.

ㅇ 적합한 경우:
– 대규모 ML 프로젝트, 빈번한 모델 업데이트, 운영 환경에서의 안정성 확보.

ㅇ 시험 함정:
– MLOps는 단순히 모델 배포만을 의미하지 않음, 전 과정 관리 포함.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “MLOps는 모델의 전체 수명주기를 관리한다.”
– X: “MLOps는 모델 학습 단계만을 다룬다.”

3. Model Monitoring

ㅇ 정의:
– 운영 중인 머신러닝 모델의 성능, 예측 품질, 리소스 사용 등을 지속적으로 관찰하는 활동.

ㅇ 특징:
– 성능 저하 조기 발견, 이상 탐지, 알림 시스템 연계.

ㅇ 적합한 경우:
– 실시간 예측 서비스, 규제 준수 요구, 장기간 운영 모델.

ㅇ 시험 함정:
– 단순 로깅과 모니터링 혼동, 모니터링만으로 성능 개선 불가.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “Model Monitoring은 운영 중 성능 저하를 감지한다.”
– X: “Model Monitoring은 모델을 자동으로 재학습시킨다.”

4. Drift Detection

ㅇ 정의:
– 데이터 분포나 모델 입력/출력 패턴이 시간이 지남에 따라 변화하는 현상을 감지하는 기법.

ㅇ 특징:
– 데이터 드리프트, 개념 드리프트 구분, 통계적 검정 활용.

ㅇ 적합한 경우:
– 데이터 환경이 자주 변하는 산업, 금융 사기 탐지, 사용자 행동 분석.

ㅇ 시험 함정:
– Drift Detection은 원인 분석까지 자동으로 해주지 않음.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “Drift Detection은 데이터 분포 변화 감지에 사용된다.”
– X: “Drift Detection은 모델 정확도를 즉시 향상시킨다.”

5. CI/CD Pipelines

ㅇ 정의:
– 코드와 모델의 변경 사항을 자동으로 빌드, 테스트, 배포하는 지속적 통합/지속적 배포 프로세스.

ㅇ 특징:
– 자동화된 테스트, 신속한 배포, 롤백 기능, 품질 보증.

ㅇ 적합한 경우:
– 빈번한 코드/모델 업데이트, 다수 개발자 협업 프로젝트.

ㅇ 시험 함정:
– CI/CD는 소프트웨어 코드에만 적용된다고 오해할 수 있음, ML 모델에도 적용 가능.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “CI/CD Pipelines는 모델 변경 사항을 자동 배포할 수 있다.”
– X: “CI/CD Pipelines는 모델 학습 과정을 자동화한다.”

ㅁ 추가 학습 내용

AutoML
– 하이퍼파라미터 최적화 기법: 그리드 서치, 랜덤 서치, 베이지안 최적화의 원리와 장단점 이해
– 자동 피처 엔지니어링 기능의 역할과 한계 파악

MLOps
– 모델 버전 관리 방법 및 도구
– 데이터셋 버전 관리(DVC)의 개념과 사용법
– 실험 추적 도구(MLflow)의 기능과 활용 사례

Model Monitoring
– 지표 기준선(Baseline) 설정 방법
– 알림 트리거 조건 설정 방식

Drift Detection
– 데이터 드리프트: 입력 데이터 분포 변화
– 개념 드리프트: 입출력 관계 변화
– 감지 알고리즘: KS-검정, PSI, ADWIN의 개념과 적용 사례

CI/CD Pipelines
– ML 전용 파이프라인 도구: Kubeflow Pipelines, TFX의 특징
– 일반 DevOps 도구(Jenkins, GitLab CI)와의 연계 사례

시험 대비 체크리스트
1. 그리드 서치, 랜덤 서치, 베이지안 최적화의 차이와 적용 상황을 설명할 수 있는가
2. 자동 피처 엔지니어링의 장점과 한계를 구체적으로 말할 수 있는가
3. 모델 버전 관리와 데이터셋 버전 관리의 필요성과 구현 방법을 설명할 수 있는가
4. DVC와 MLflow의 주요 기능과 사용 예시를 알고 있는가
5. 모델 모니터링에서 기준선 설정 절차와 알림 트리거 조건을 설명할 수 있는가
6. 데이터 드리프트와 개념 드리프트의 정의와 차이를 구분할 수 있는가
7. KS-검정, PSI, ADWIN의 원리와 사용 목적을 알고 있는가
8. Kubeflow Pipelines, TFX의 특징과 장점을 설명할 수 있는가
9. Jenkins, GitLab CI와 ML 파이프라인 도구의 연계 사례를 설명할 수 있는가