기술사 학습노트 | imt-log

기술사 학습노트› AI / 빅데이터› MLOps & AI 파이프라인

AI/Big Data · 한장정리

[기술사토픽] MLOps & AI 파이프라인 완벽 정리 - 한장정리

MLOps 핵심 구성요소, 피처 스토어·모델 레지스트리·모델 모니터링, A/B 테스트·모델 드리프트까지 완벽 정리합니다.

MLOps피처스토어모델레지스트리모델드리프트AB테스트ML파이프라인정보관리기술사

Ⅰ.MLOps 개요

개념: MLOps(Machine Learning Operations)는 ML 모델의 개발·배포·모니터링을 DevOps 방식으로 자동화·체계화하는 방법론입니다.

MLOps 성숙도 단계	설명
Level 0	수동 학습·배포. 스크립트 기반
Level 1	ML 파이프라인 자동화. 피처 스토어 도입
Level 2	CI/CD for ML. 자동 학습·검증·배포

구성요소	역할	대표 도구
피처 스토어	특성(Feature) 공유·재사용	Feast·Hopsworks·Tecton
실험 추적	하이퍼파라미터·메트릭 관리	MLflow·W&B·Neptune
모델 레지스트리	모델 버전·메타데이터 관리	MLflow·SageMaker Model Registry
파이프라인 오케스트레이션	ML 워크플로우 자동화	Kubeflow·Airflow·Prefect
모델 서빙	REST/gRPC API 배포	TensorFlow Serving·Triton·BentoML
모니터링	모델 성능·데이터 드리프트 탐지	Evidently·WhyLogs·Arize

Ⅱ.모델 배포 & 모니터링

가. 모델 배포 전략

전략	설명	특징
Batch Inference	대량 데이터 일괄 예측	비실시간. 비용 효율
Real-time Inference	요청 즉시 예측	저지연. 높은 가용성 필요
A/B 테스트 배포	두 모델 버전 비교	통계적 유의성 검증
Shadow 배포	신 모델을 실트래픽 미러링으로 검증	프로덕션 영향 없는 검증
Canary 배포	점진적 트래픽 이전	위험 최소화

나. 모델 드리프트 탐지

드리프트 유형	설명	해결
데이터 드리프트 (Covariate Shift)	입력 데이터 분포 변화	재학습·분포 모니터링
컨셉 드리프트 (Concept Drift)	입력-출력 관계 변화	재학습·온라인 학습
라벨 드리프트	출력 분포 변화	라벨 데이터 수집·재학습

시험 포인트

MLOps = DevOps + DataOps + ModelOps 통합.
모델 드리프트 탐지: PSI(Population Stability Index)·KS 검정으로 분포 변화 측정.

Ⅲ.결론

결론

MLOps는 ML 모델을 프로덕션에서 신뢰성있게 운영하는 필수 체계입니다.
향후 AutoML·AutoMLOps로 ML 파이프라인 전체가 자동화됩니다.

"모델 개발은 ML의 10%다. 나머지 90%는 프로덕션에서 운영하는 것이다."

블로그: 기술사 학습노트 · imt-log.tistory.com

← AI / 빅데이터 목록