ㅁ 운영 전략

ㅇ 정의:
모델 개발 및 운영 과정에서 모델의 변경 이력, 버전별 성능, 배포 상태 등을 체계적으로 관리하는 방법론.

ㅇ 특징:
– 코드 버전 관리(Git 등)와 유사하나, 모델 가중치, 학습 데이터셋, 하이퍼파라미터, 환경 설정까지 포함.
– 모델 재현성 확보와 롤백 가능성을 보장.
– 협업 시 모델 변경 사항 추적이 용이.

ㅇ 적합한 경우:
– 여러 모델 버전을 실험하며 최적 성능 모델을 선정해야 하는 경우.
– 규제 준수나 감사 대응을 위해 모델 변경 이력을 남겨야 하는 경우.
– 다수의 개발자가 병렬로 모델을 개발하는 경우.

ㅇ 시험 함정:
– 단순히 소스코드만 관리하는 Git과 동일하다고 오해하는 경우.
– 데이터셋 버전 관리 없이 모델 버전만 관리하는 것은 불완전함.
– 모델 버전 관리를 배포 자동화와 동일시하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: 모델 가중치, 학습 데이터, 하이퍼파라미터를 함께 관리하는 것은 버전 관리의 핵심이다.
– X: 모델 버전 관리는 코드 버전 관리와 동일하며 데이터셋은 포함하지 않는다.

ㅁ 추가 학습 내용

모델 버전 관리 도구(DVC, MLflow, Weights & Biases 등)의 특징과 차이
– DVC(Data Version Control): Git 기반으로 데이터셋과 모델 파일의 버전 관리 지원, 대용량 파일을 외부 스토리지에 저장, 재현 가능한 ML 파이프라인 구성 가능
– MLflow: 실험 관리, 모델 버전 관리, 모델 레지스트리 기능 제공, 다양한 프레임워크와 연동 가능, REST API 지원
– Weights & Biases(W&B): 실험 추적, 시각화, 협업 기능에 강점, 대시보드 기반 실시간 모니터링, 클라우드 중심 서비스

데이터셋 버전 관리의 필요성과 방법
– 필요성: 데이터 변경에 따른 모델 성능 변화 추적, 재현성 확보, 협업 시 데이터 일관성 유지
– 방법: 해시 기반 식별자 사용, 스토리지와 메타데이터 관리, 변경 이력 기록, DVC와 같은 도구 활용

모델 메타데이터 기록의 중요성
– 내용: 학습 환경(OS, 하드웨어), 라이브러리 및 프레임워크 버전, 하이퍼파라미터, 학습 데이터 버전, 실험 결과
– 중요성: 재현성 보장, 성능 비교 및 분석, 디버깅과 최적화에 활용

MLOps 파이프라인에서의 버전 관리 연결 단계
– 데이터 수집 및 전처리 단계: 데이터셋 버전 관리
– 모델 학습 단계: 학습 코드, 하이퍼파라미터, 환경 설정 기록
– 모델 배포 단계: 모델 아티팩트 버전 관리, 모델 레지스트리 등록

CI/CD와의 관계
– CI(Continuous Integration): 코드 변경 시 자동 빌드 및 테스트, 데이터와 모델 버전 변화에 따른 자동 검증
– CD(Continuous Deployment/Delivery): 검증된 모델을 자동 배포, 버전 관리된 모델을 안정적으로 서비스에 반영

모델 레지스트리(Model Registry)의 역할과 연계 방법
– 역할: 모델 버전 저장소, 상태 관리(개발, 스테이징, 프로덕션), 접근 제어, 메타데이터 관리
– 연계 방법: MLflow나 W&B의 모델 레지스트리 기능 사용, CI/CD 파이프라인과 연동하여 승인된 모델만 배포, 데이터와 코드 버전 정보와 함께 관리