Offcanvas

AI / 데브옵스 / 머신러닝|딥러닝 / 빅데이터 | 애널리틱스

데이터 과학 생산성 Up! ‘모델옵스’의 5가지 기능 살펴보기

2022.10.25 Isaac Sacolick  |  Computerworld
‘2022 모델옵스 현황(State of Modelops 2022)’ 보고서에 따르면 대기업의 51%가 초기 단계의 인공지능 파일럿 또는 실험을 했지만 아직 프로덕션 환경에는 투입하지 않은 것으로 나타났다. 38%만이 AI 투자수익률(ROI)을 이야기할 수 있다고 말했으며, 43%는 적시에 문제를 찾고 해결하는 데 비효율적이라고 답했다. 

이는 프로덕션 환경에서 ML 모델을 개발, 제공, 관리하는 ‘생산성’을 향상시킬 방법의 필요성을 강조한다. 
 
ⓒGetty Images Bank

ML옵스 또는 모델옵스? 둘 다 필요할 수 있다
알터릭스(Alteryx)부터 AWS 세이지메이커(AWS SageMaker), 다타이쿠(Dataiku), 데이터로봇(DataRobot), 구글 버텍스 AI(Google Vertex AI), 나임(KNIME), 마이크로소프트 애저 머신러닝(Microsoft Azure Machine Learning), SAS까지 오늘날 모델 개발을 위해 선택할 수 있는 애널리틱스 도구가 많다. 데이터 과학팀이 애널리틱스 도구를 통합하고, 실험하며, ML 모델을 배포할 수 있도록 지원하는 ML옵스 플랫폼도 있다. 

레디AI(ReadyAI)의 총괄 관리자 겸 딜로이트 컨설팅(Deloitte Consulting)의 전무 로힛 탄돈은 대규모 AI 구축 및 배포에서 ML옵스의 역할을 다음과 같이 설명했다. “기업이 AI 개발 용량을 수십에서 수백 또는 수천 개의 ML 모델로 확장하려고 할 때, 데브옵스가 소프트웨어 개발에 가져온 것과 동일한 엔지니어링 및 운영 원칙의 이점을 누릴 수 있다. ML옵스는 수동적이고 비효율적인 워크플로우를 자동화하고 모델 구성 및 관리의 모든 단계를 간소화하는 데 유용하다.”

많은 ML옵스 플랫폼이 프로덕션 환경에서 배포 및 모니터링 모델을 지원하지만 주요 기능은 개발, 테스트, 프로세스 개선 과정에서 (데이터 과학자에게) 서비스를 제공하는 것이다. 

모델옵스(Modelops) 플랫폼 및 프랙티스는 프로덕션 환경에서 어떤 ML 모델이 실행되고 있는지, 운영·컴플라이언스·비즈니스 관점에서 얼마나 잘 수행되는지 등에 관한 협업, 오케스트레이션, 보고 도구를 제공하여 격차를 해소하는 것을 목표로 한다. 즉, 데이터 과학용 ML옵스는 데브옵스 도구와 유사한 반면 모델옵스는 운영, 모니터링 및 지원에 중점을 두고 ML 수명 주기 전반에 걸쳐 거버넌스, 협업, 보고를 제공한다고 할 수 있다. 

모델옵스 사용 사례의 예로는 신용 승인 모델을 개발하는 은행, 환자의 이상 징후를 식별하기 위해 ML을 사용하는 병원, 생산 처리량과 고객 수요의 균형을 맞추기 위해 ML을 쓰는 소매업체 등이 있다. 이때 비즈니스 이해관계자는 설명 가능한 ML을 찾고, 예측을 신뢰해야 한다. 때에 따라 규제당국은 모델 투명성을 요구한다. 

물론 ML옵스, 모델옵스, 심지어는 데이터옵스까지 용어와 기능이 혼동되는 부분은 분명히 있다. 여기서는 데이터 과학자가 모델의 비즈니스 보고를 구축, 관리, 제공하는 데 도움이 될 방법이자 데이터 과학의 생산성을 향상시키기 위한 모델옵스의 5가지 기능을 소개한다. 

1. 머신러닝 모델 카탈로그를 사용한 협업
데이터 과학팀은 프로덕션 환경에서 어떤 머신러닝 모델이 실행되며, 성능이 어느 정도인지 알고 있는가? 데이터 거버넌스 및 데이터옵스가 사용 가능한 데이터 세트의 소스로 데이터 카탈로그를 사용하는 것과 동일하게 모델옵스는 ML 모델에 운영상의 투명성을 제공할 수 있다. 

이터레이티브(Iterative)의 공동 창업자 겸 CEO 드미트리 페트로프는 “데이터 과학자의 생산성은 기업의 앱과 서비스에 모델을 얼마나 빨리 출시할 수 있는지로 측정할 수 있다. 이를 달성하기 위해 데이터 과학팀 간의 가시성과 협업을 개선하는 게 좋다”라고 말했다. 이어 그는 “데이터, 실험, 지표, 하이퍼파라미터 등 모든 모델 관련 정보를 중앙에 저장하고 데브옵스 기반 도구에 연결하여 모델을 프로덕션 환경에 더 원활하게 투입할 수 있도록 한다”라고 덧붙였다. 

2. 일관되고 자동화된 프로덕션 경로 설정
페트로프에 따르면 데브옵스 도구는 특히 코드, 매개변수, 데이터 아티팩트를 런타임 환경으로 푸시하는 데 도움이 되는 CI/CD 도구를 참조한다. 프로덕션 환경에 지속적인 배포를 구축하면 특히 예측 모델에 컴플라이언스 검토가 필요할 때 비즈니스 이해관계자가 추가된다. 

베르타(Verta)의 창업자 겸 CEO 마나시 바르탁은 “준비 상태 점검 목록, 자동화된 워크플로우, 거버넌스용 내장된 액세스 제어 기능을 갖춘 모델옵스 플랫폼은 핸드오버를 촉진하고 신속하게 처리할 수 있다”라며, “데이터 과학팀은 (모델을) 모델 위험 관리, ML 엔지니어링, SRE, 데브옵스 팀에 넘겨 미션 크리티컬한 실시간 AI 배포의 운영 안정성, 거버넌스, 보안, 확장성을 보장한다”라고 설명했다. 

3. 운영 및 컴플라이언스를 위한 ML 모델 모니터링
데이터 과학자가 더 많은 모델을 더 빠르게 자동화하고 배포할 수 있도록 지원할 때 모델옵스 모델이 보조를 맞추지 못할 경우 비즈니스 문제가 발생할 수 있다. 도미노 데이터 랩(Domino Data Lab)의 데이터 과학 전략 책임자 겸 에반젤리스트 켈 칼슨은 모델 모니터링이 핵심 운영 요구사항이라고 언급했다. 그는 “모델옵스 플랫폼의 도움으로 데이터 과학자는 모델을 더 빠르게 개발할 수 있다. 예를 들면 이러한 플랫폼은 클라우드이든 온프레미스이든 비즈니스 애플리케이션이 상주하는 다양한 환경에서 (이를테면) 모델 드리프트 모니터링을 간소화한다”라고 전했다.

얼레이션(Alation)의 필드 CTO 존 윌은 모델 드리프트의 정의를 이해하기 쉽게 설명하면서, “모델 드리프트는 모델 입력 분포가 변경되는 상황을 측정하는 플랫폼의 기능이다. 이러한 변화를 조기에 식별하면 데이터 과학자가 정밀도 손실과 관련된 문제 그리고 부정적인 비즈니스 영향을 사전에 방지할 수 있다”라고 말했다. 

4. 경영진에 비즈니스 영향 보고 제공
데이터 과학자가 ML 모델을 프로덕션 환경에 배포하고 비즈니스 사용자가 이점을 경험할 때, AI 투자를 후원한 경영진은 성과를 내고 있는지 어떻게 알 수 있을까? 디우(Diwo)의 CEO 크리슈나 칼라쿠리에 따르면 “목표는 신속하고 정확한 의사결정이기 때문에 기업은 AI가 제공하는 분석 및 비즈니스 사용자의 생산성과 함께 데이터 과학자의 생산성을 측정해야 한다.” 아울러 페트로프는 모델옵스 플랫폼이 “모델 구축 및 개선 진행 상황을 시각화하고, 이를 팀 구성원 및 리더십 간에 공유해야 한다”라고 덧붙였다. 

결론은 프로덕션 환경에 배포된 AI 및 ML의 영향이 경영진에게 항상 보이는 것은 아니라는 점이다. 이는 고객 경험, 직원 워크플로우, 애플리케이션 통합에 영향을 미치는 요소인 경우가 많다. 경영진 수준의 보고 기능이 있는 모델옵스 플랫폼은 이러한 격차를 해소하는 것을 목표로 한다. 

5. ML 모델 수명 주기를 지원하는 기능
데이터 과학 생산성을 향상시키는 모델옵스 플랫폼의 몇 가지 기능을 살펴본다. 

• 버전 관리 및 롤백 기능을 통한 프로덕션 배포 관리
• 다른 데이터 과학자와의 협업 활성화, 지식 공유 촉진, 재사용 지원
• 운영 환경에서 성능이 저하되거나 지원이 필요한 모델을 식별하고 우선순위 지정
• 데이터 과학자가 규제기관에 대응하는 데 귀중한 시간을 낭비하지 않도록 모델의 가청성 및 감사 보고 개선
• 데이터 과학자가 모델의 비즈니스 영향을 입증하는 단일 소스를 이해관계자 및 비즈니스 경영진과 공유할 수 있도록 비즈니스 보고 자동화


이는 AI 리더가 모델옵스 플랫폼에서 원하는 기능 중 일부이며, ML 투자에 따른 비즈니스 효과를 제공하려는 기업에도 중요한 기능이다. 

앞으로 더 많은 기업이 ML 및 AI를 실험할 전망이다. ML옵스, 모델옵스 또는 기타 새로운 베스트 프랙티스가 프로덕션 모델의 비즈니스 결과를 배포, 관리, 입증하는 데 도움이 될지는 여전히 의문이다. ciokr@idg.co.kr
 
CIO Korea 뉴스레터 및 IT 트랜드 보고서 무료 구독하기
추천 테크라이브러리

회사명:한국IDG 제호: CIO Korea 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아01641 등록발행일자 : 2011년 05월 27일

발행인 : 박형미 편집인 : 천신응 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2024 International Data Group. All rights reserved.