머신러닝 모델은 몇몇 기업에서 핵심 비즈니스 도구로 쓰이지만, 나무에서 떨어질 때도 많다. 머신러닝 모델이 실패하는 5가지 요인을 파악하고 모델옵스(ModelOps)가 이를 어떻게 방지할 수 있는지 알아본다.
회사의 데이터 과학 팀이 비즈니스 목표를 설정했다고 가정해보자. 데이터 애널리틱스 및 머신러닝 모델을 활용해 비즈니스 가치를 창출할 수 있는 영역에 초점을 맞췄다. 데이터 세트 태깅, 사용할 머신러닝 기술, 머신러닝 모델 생성을 위한 프로세스까지 모든 준비가 끝났다. 확장 가능한 클라우드 인프라도 마음껏 쓸 수 있다. 이제 정말 머신러닝 모델을 만들어 현장에 적용하면 되는 걸까?
몇몇 전문가는 아니라고 말한다. 모든 혁신과 새로운 소프트웨어 배포는 위험 요소를 수반하므로 재차 검토해 예방할 수 있는 전략을 세워야 한다. 데이터 과학 프로세스를 개발할 때 처음부터 위험 관리 수칙을 수립하는 것이 중요하다. 오딧보드(AuditBoard)의 위험 및 기술 선임 고문 존 윌러는 “데이터 과학이든 다른 사업 요소이든 혁신과 위험 관리는 늘 함께 가야 한다”라고 말했다.
소프트웨어 개발은 단지 코드를 쓰고 출시한다고 끝이 아니다. 소프트웨어 개발자는 항상 잠재 위험 요소를 고려하고 그에 따른 모범 수칙을 따르려 한다. 그래서 나온 것이 소프트웨어 개발 주기(software development life cycle, SDLC), 원점 회귀(shift-left) 데브옵스 수칙, 관찰가능성 기준이다. 모두 잠재적 위험을 탐지하고 예방하기 위한 노력이다. 새 소프트웨어를 배포한 뒤에 개발팀이 계속 코드를 유지하고 수정할 수 있는 환경을 제공하는 것도 목표 중 하나다.
머신러닝 모델 관리에서 소프트웨어 개발 주기와 같은 역할을 개념이 바로 모델옵스(ModelOps)다. 모델옵스는 머신러닝 모델의 주기를 관리하기 위한 방법론이다. 이 방법론은 데이터 과학자가 머신러닝 모델을 어떻게 생성, 테스트, 배포해야 알지 안내한다. 그리고 배포한 머신러닝 모델이 계획대로 작동하는지 확인하고자 지속해서 모니터링하고 개선하는 방법도 제시한다.
하지만 머신러닝 모델을 배포하는 과정에서 여러 실패 요인이 간과된다. 다음은 모델옵스가 예방할 수 있는 데이터 모델의 실패 요인 5가지다.
실패 요인 1: 관리 전략 부재
데이터 과학 분야의 글로벌 임원 커뮤니티 코리니움(Corinium)이 최근 실시한 ‘2022년 모델옵스 현황 보고서(State of Modelops Report)’에 따르면 AI 기업 리더 중 60% 이상이 위험 요소를 관리하고 규제를 준수하는 데 애를 먹고 있다. 데이터 과학자는 위험 관리에 능숙하지 않으므로 기업은 우선 위험 관리 리더를 불러와 모델옵스 주기에 적합한 전략을 수립하도록 해야 한다.
윌러는 “혁신에는 여러 정의가 있지만 그중 하나는 원하는 사업 성과를 내기 위해 가장 최적화된 방법을 찾는 것이다. 따라서 데이터 과학자에게 혁신이란 더 나은 의사결정을 돕는 새 데이터 모델이다. 하지만 위험 관리 전략을 세우지 않으면 원하는 사업 성과를 이루더라도 큰 비용을 초래할 수 있다. 노력이 헛되지 않으려면 데이터에 잠재한 위험 요소를 파악하고 방책을 마련해야 한다. 그래야 신뢰할만한 데이터 모델을 만들 수 있다”라고 말했다.
코리니움 외에도 데이터 과학용 SaaS 솔루션을 제공하는 도미노 데이터 랩(Domino Data Lab)과 모델옵(ModelOp)이 데이터 모델 관리에 대해 분석한 화이트 페이퍼를 참고하면 좋다.
실패 요인 2: 중복되거나 특정 도메인에 한정된 데이터 모델
데이터 과학 팀은 어떤 사업 영업에 초점을 맞출지에 대한 기준을 세워야 한다. 또한 여러 사업 영역에 걸쳐 영향을 끼치는 모델을 일반화하는 방법에 대한 기준도 수립해야 한다.
이렇게 명확한 기준을 세워야만 혹시라도 데이터 모델이 겹치는 일을 방지할 수 있다. 비슷한 문제를 해결하는 데 여러 모델이 있다면 낭비다.
엠파시스(Mphasis)의 최고 솔루션 책임자 스리쿠마 라마나단은 이와 관련된 그의 경험담을 전했다. 그는 “도메인이 바뀔 때마다 ML 모델이 처음부터 다시 훈련돼 낭패가 아닐 수 없었다. 표준 머신러닝 원칙을 기반으로 만들었는데도 말이다”라고 말했다.
라마나단은 “결국 점진적 학습으로 문제를 개선했다. 모델을 확장하고자 인풋 데이터를 계속 썼다. 그렇게 하자 더 적은 자원을 들이고도 새로운 도메인에 데이터 모델을 학습시킬 수 있었다”라고 전했다.
점진적 학습(incremental learning)은 데이터 모델을 새로운 데이터에 지속해서, 혹은 정해진 주기에 따라 학습시키는 기법이다. 예로 아마존 웹 서비스 세이지메이커(AWS SageMaker), 애저 코그니티브 서치(Azure Cognitive Search), 매트랩(Matlab), 파이썬 리버(Python River) 등이 있다.
실패 요인 3: 너무 많은 모델을 개발해야 하는 데이터 과학팀
처음부터 다시 학습시키거나 점진적으로 학습시키는 대책 외에도 데이터 모델을 유지하려면 여전히 신경써야 할 게 많다. 도미노 데이터 랩의 데이터 과학 전략 및 에반젤리즘 책임자 젤 칼슨은 “흔히들 놓치는 위험 요소는 바로 사람이다. 어떤 데이터 팀은 수많은 데이터 모델을 다시 개발하고 다시 배포할 여력이 없다”라고 말했다.
데브옵스와 비슷하게 데이터 과학자는 특정 모델을 개발하고 적용하는 데 걸리는 시간을 측정하기 위해 모델 속도(model velocity)라는 기준을 쓴다.
칼슨은 “현실이 목표한 모델 속도에 못 미칠 때가 다반사다. 그 결과 데이터팀이 개발해야 하는 데이터 모델은 계속 밀리고 쌓인다. 데이터 모델이 점점 회사 전반에 걸쳐 없어서는 안 될 운영 수단이 되면서 눈덩이처럼 불어나는 재고는 언제 터질지 모르는 시한폭탄과 같다. 고객과 시장의 행태가 너무 빠르게 변하고 있는 상황에서 필요한 데이터 모델이 없으면 큰 손해다”라고 말했다.
칼슨은 조심스럽게 이런 재고를 ‘데이터 모델 부채(model debt)’라고 부른다고 말했다. 그는 모델 속도와 아직 완성하지 못한 데이터 모델이 사업 성과에 미치는 영향을 정확히 파악하는 것부터 시작해야 한다고 강조했다.
데이터 과학팀은 통일된 데이터 모델 카탈로그나 레지스트리를 만들어 운영해야 한다. 그러면 팀원이 어떤 모델이 어떤 수준으로 갖춰져 있는지, 모델 주기에서 어느 단계쯤 와 있는지, 누가 맡는지 명확히 파악할 수 있다.
모델 카탈로그 및 레지스트리 기능은 데이터 카탈로그 플랫폼, ML 개발 도구, 그리고 MLops나 ModelOps 기술에서 찾아볼 수 있다.
실패 요인 4: 병목현상을 일으키는 관료주의적 검토위원회
이제 데이터 과학팀이 회사의 기준과 데이터 모델 모범 수칙에 따라 데이터 모델을 개발했다고 치자. 정말 배포할 준비가 끝난걸까?
아니다. 어떤 회사는 데이터 과학팀이 정말로 예상 가능한 모든 위험 요소에 대한 대비책을 세웠는지 확인하고자 검토 위원회를 설립하고 싶어한다. 이런 검토 과정은 데이터 과학 팀이 이제 막 새롭게 개발한 데이터 모델을 배포하고 위험 관리 수칙을 수행하려 할 때 정말 필요할 수 있다. 하지만 정확히 언제 이런 검토 위원회가 필요할까? 그리고 어떤 상황에서 오히려 방해가 될까?
머신러닝 어셔런스(assurance) 플랫폼 모니타우르(Monitaur)의 솔루션 디렉터 그리스 루이즈는 한 가지 대안을 제안했다. 그는 “경영진이 상의하달, 사후 검증 방식으로 엄격하게 검토 위원회를 꾸리는 것보다 명확한 거버넌스 원칙을 토대로 데이터 모델 주기에 적절한 소프트웨어를 개발하고 거버넌스 프로세스 전반에 걸친 이해관계자의 기대치를 일치하는 것이 더 좋지 않을까 하는 생각이다”라고 말했다.
리스크 관리 기능을 갖춘 모델옵스 솔루션에는 데이터트론(Datatron), 도미노, 피들러(Fiddler), 매스웍스(MathWorks), 모델옵(Modelop), 모니타우르(Monitaur), 래피드마이너(RapidMiner), 사스(SAS), 팁코 소프트웨어(TIBCO software) 플랫폼 등이 있다.
실패 요인 5: 데이터 드리프트 등의 위험 요소 모니터링 부재
큰 숲에서 나무 하나가 쓰러지더라도 알아차리기 힘든 법이다. 소프트웨어 분야에서 엔지니어들은 항상 코드 유지보수를 게을리하지 않고 프레임워크, 라이브러리, 인프라 등을 끊임없이 수정하고 개선해야 한다는 점을 안다. 하지만 데이터 과학이라는 숲에서, 한 머신러닝 모델이 계획대로 효과를 내지 못한다면 데이터 과학팀은 이를 알 방법이 있을까?
테라데이터(Teradata)의 부사장 겸 최고 제품 책임자인 힐러리 애쉬튼은 “사업 환경의 소용돌이 속에서 모든 AI 및 머신러닝 모델은 가만히 두면 뒤처지는 셈이다”라고 말했다.
애쉬튼은 “데이터 모델을 배포하면 데이터 과학자는 모델 옵스를 활용해 모델의 성능이 떨어졌거나 떨어질 것으로 예상될 때 알 수 있도록 자동화 시스템을 구축해 놓아야 한다. 그래야 특정 모델에 문제가 없는지 살펴보거나, 다시 학습시키거나, 폐지하거나 할 수 있다. 오보가 울려서 허탕치는 것보다 낫다. 특히 다시 학습시켜야 하는 경우에는 자동화를 적용할 수 있다”라고 말했다. ciokr@idg.co.kr
VPN (가상 사설 네트워크, Virtual Private Network)은 인터넷 사용자에게 개인 정보 보호와 보안을 제공하는 중요한 도구로 널리 인정받고 있다. VPN은 공공 와이파이 환경에서도 데이터를 안전하게 전송할 수 있고, 개인 정보를 보호하는 데 도움을 준다. VPN 서비스의 수요가 증가하는 것도 같은 이유에서다.
동시에 유료와 무료 중 어떤 VPN을 선택해야 할지 많은 관심을 가지고 살펴보는 사용자가 많다. 가장 먼저 사용자의 관심을 끄는 것은 별도의 예산 부담이 없는 무료 VPN이지만, 그만큼의 한계도 있다.
무료 VPN, 정말 괜찮을까?
무료 VPN 서비스는 편리하고 경제적 부담도 없지만 고려할 점이 아예 없는 것은 아니다.
보안 우려
대부분의 무료 VPN 서비스는 유료 서비스에 비해 보안 수준이 낮을 수 있다. 일부 무료 VPN은 사용자 데이터를 수집해 광고주나 서드파티 업체에 판매하는 경우도 있다. 이러한 상황에서 개인 정보가 유출될 우려가 있다.
속도와 대역폭 제한
무료 VPN 서비스는 종종 속도와 대역폭에 제한을 생긴다. 따라서 사용자는 느린 인터넷 속도를 경험할 수 있으며, 높은 대역폭이 필요한 작업을 수행하는 데 제약을 받을 수 있다.
서비스 제한
무료 VPN 서비스는 종종 서버 위치가 적거나 특정 서비스 또는 웹사이트에 액세스하지 못하는 경우가 생긴다. 또한 사용자 수가 늘어나 서버 부하가 증가하면 서비스의 안정성이 저하될 수 있다.
광고 및 추적
일부 무료 VPN은 광고를 삽입하거나 사용자의 온라인 활동을 추적하여 광고주에게 판매할 수 있다. 이 경우 사용자가 광고를 보아야 하거나 개인 정보를 노출해야 할 수도 있다.
제한된 기능
무료 VPN은 유료 버전에 비해 기능이 제한될 수 있다. 예를 들어, 특정 프로토콜이나 고급 보안 기능을 지원하지 않는 경우가 그렇다.
유료 VPN의 필요성
최근 유행하는 로맨스 스캠은 인터넷 사기의 일종으로, 온라인 데이트나 소셜 미디어를 통해 가짜 프로필을 만들어 상대를 속이는 행위다. 이러한 상황에서 VPN은 사용자가 안전한 연결을 유지하고 사기 행위를 방지하는 데 도움이 된다. VPN을 통해 사용자는 상대방의 신원을 확인하고 의심스러운 활동을 감지할 수 있다.
그 외에도 유료 VPN만의 강점을 적극 이용해야 하는 이유는 다음 3가지로 요약할 수 있다.
보안 강화
해외 여행객이 증가함에 따라 공공 와이파이를 사용하는 경우가 늘어나고 있다. 그러나 공공 와이파이는 보안이 취약해 개인 정보를 노출할 위험이 있다. 따라서 VPN을 사용하여 데이터를 암호화하고 개인 정보를 보호하는 것이 중요하다. 서프샤크 VPN은 사용자의 개인 정보를 안전하게 유지하고 해킹을 방지하는 데 유용하다.
개인 정보 보호
인터넷 사용자의 검색 기록과 콘텐츠 소비 패턴은 플랫폼에 의해 추적될 수 있다. VPN을 사용하면 사용자의 IP 주소와 로그를 숨길 수 있으며, 개인 정보를 보호할 수 있다. 또한 VPN은 사용자의 위치를 숨기고 인터넷 활동을 익명으로 유지하는 데 도움이 된다.
지역 제한 해제
해외 여행 중에도 한국에서 송금이 필요한 경우가 생길 수 있다. 그러나 IP가 해외 주소이므로 은행 앱에 접근하는 것이 제한될 수 있다. VPN을 사용하면 지역 제한을 해제해 해외에서도 한국 인터넷 서비스를 이용할 수 있다. 따라서 해외에서도 안전하고 편리하게 인터넷을 이용할 수 있다.
빠르고 안전한 유료 VPN, 서프샤크 VPN
뛰어난 보안
서프샤크 VPN은 강력한 암호화 기술을 사용하여 사용자의 인터넷 연결을 안전하게 보호한다. 이는 사용자의 개인 정보와 데이터를 보호하고 외부 공격으로부터 사용자를 보호하는 데 도움이 된다.
다양한 서버 위치
서프샤크 VPN은 전 세계 곳곳에 여러 서버가 위치하고 있어, 사용자가 지역 제한된 콘텐츠에 액세스할 수 있다. 해외에서도 로컬 콘텐츠에 손쉽게 접근할 수 있음은 물론이다.
속도와 대역폭
서프샤크 VPN은 빠른 속도와 무제한 대역폭을 제공하여 사용자가 원활한 인터넷 경험을 누릴 수 있도록 지원한다. 온라인 게임, 스트리밍, 다운로드 등 대역폭이 필요한 활동에 이상적이다.
다양한 플랫폼 지원
서프샤크 VPN은 다양한 플랫폼 및 디바이스에서 사용할 수 있다. 윈도우, 맥OS, iOS, 안드로이드 등 다양한 운영체제 및 디바이스에서 호환되어 사용자가 어디서나 안전한 인터넷을 즐길 수 있다.
디바이스 무제한 연결
서프샤크 VPN은 무제한 연결을 제공하여 사용자가 필요할 때 언제든지 디바이스의 갯수에 상관없이 VPN을 사용할 수 있다.