ㅁ 자동화 수준 관리 및 모니터링

ㅇ 정의:
MLOps 환경에서 모델 개발·배포·운영의 자동화 수준을 단계별로 구분하고, 각 단계에 맞는 모니터링 체계를 구축하는 활동.

ㅇ 특징:
– 자동화 수준(Level)에 따라 수동 작업 비중과 자동화 범위가 달라짐
– 모델 품질, 데이터 품질, 시스템 안정성을 지속적으로 감시
– CI/CD, Feature Store 등 다양한 도구와 연계됨

ㅇ 적합한 경우:
– 조직 내 ML 프로젝트가 다수 존재하고, 운영 효율성을 높이고자 할 때
– 모델 변경 주기가 빠르거나 데이터 변동성이 큰 환경

ㅇ 시험 함정:
– Level 구분을 DevOps의 소프트웨어 배포 단계와 혼동
– 모니터링 지표를 단순 정확도(Accuracy)로만 한정

ㅇ 시험 대비 “패턴 보기” 예시:
O: “MLOps Level이 높을수록 모델 배포 자동화와 모니터링 수준이 향상된다.”
X: “Level 0에서도 완전 자동화된 배포가 가능하다.”

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

1. Level 0 vs Level 1 차이

ㅇ 정의:
MLOps 자동화 수준에서 Level 0은 수동 중심, Level 1은 부분 자동화를 도입한 상태를 의미.

ㅇ 특징:
– Level 0: 데이터 준비, 학습, 배포 모두 수동 처리, 재현성 낮음
– Level 1: 데이터 수집·전처리, 모델 학습 일부 자동화, 수동 승인 후 배포

ㅇ 적합한 경우:
– Level 0: 파일 기반 실험, 소규모 PoC 단계
– Level 1: 반복 실험이 많고 일부 자동화로 효율성을 높이고자 할 때

ㅇ 시험 함정:
– Level 1을 완전 자동화로 오해
– Level 0에서도 CI/CD를 사용하는 것으로 착각

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Level 1에서는 일부 ML 파이프라인 단계가 자동화된다.”
X: “Level 0은 모델 재현성이 높다.”

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

2. CI/CD 자동화

ㅇ 정의:
머신러닝 모델 개발·검증·배포 과정을 지속적 통합(Continuous Integration)과 지속적 배포(Continuous Deployment)로 자동화하는 기법.

ㅇ 특징:
– 코드 및 데이터 변경 시 자동 빌드·테스트·배포
– 모델 버전 관리와 재현성 확보
– 파이프라인 기반 자동화

ㅇ 적합한 경우:
– 모델 업데이트 주기가 짧은 서비스
– 다수의 개발자·데이터 사이언티스트가 협업하는 환경

ㅇ 시험 함정:
– CI와 CD를 동일 개념으로 혼동
– 모델 학습 속도와 CI/CD 자동화 수준을 직접 연관 지음

ㅇ 시험 대비 “패턴 보기” 예시:
O: “CI/CD 자동화는 모델 재현성과 배포 속도를 향상시킨다.”
X: “CI/CD 자동화는 데이터 품질 검증과 무관하다.”

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

3. Feature Store 활용

ㅇ 정의:
머신러닝 모델에서 사용하는 피처를 중앙에서 저장·관리·공유하는 시스템.

ㅇ 특징:
– 피처 재사용성 향상
– 온라인/오프라인 환경 간 피처 일관성 유지
– 데이터 엔지니어와 모델 개발자 간 협업 촉진

ㅇ 적합한 경우:
– 여러 모델에서 동일 피처를 반복 사용
– 실시간 예측과 배치 학습을 병행하는 환경

ㅇ 시험 함정:
– Feature Store를 단순 데이터베이스로 오해
– 피처 엔지니어링 자동화와 혼동

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Feature Store는 모델 개발과 운영에서 피처 일관성을 유지한다.”
X: “Feature Store는 모델 파라미터를 저장하는 시스템이다.”

ㅁ 추가 학습 내용

MLOps 자동화 수준은 Level 0부터 Level 3 이상까지 존재하며, 각 단계별 특징을 이해해야 한다. Level 2 이상에서는 완전 자동화된 파이프라인, 지속적인 모니터링, 자동 롤백 기능이 포함된다. Level 3에서는 셀프 서빙(Self-serve) MLOps 환경이 구현되어 사용자가 독립적으로 모델 학습과 배포를 수행할 수 있다.
CI/CD 자동화 영역에서는 데이터 검증(Data Validation), 모델 성능 드리프트 감지(Model Drift Detection), Canary 배포 전략과 같은 운영 기법이 중요하며 시험에 자주 등장한다.
Feature Store는 온라인(저지연 처리) Feature Store와 오프라인(대량 처리) Feature Store로 구분되며, 피처 버전 관리와 데이터 거버넌스 이슈까지 숙지해야 한다. 또한 Feature Store는 모델 파라미터 저장소가 아니라는 점을 명확히 이해해야 하며, 이와 같은 함정 문장이 시험에 자주 출제되므로 주의해야 한다.