[정보관리기술사 137회 1교시 2번] MLOps(Machine Learning Operations) 파이프라인과 구성요소

정보관리기술사 · 137회 1교시 2번 · 배점 10점

Table of Contents

MLOps(Machine Learning Operations) 파이프라인과 구성요소

I. 개요

MLOps란 ML 모델의 개발(Dev)·운영(Ops)·데이터(Data) 라이프사이클을 자동화·표준화하여 프로덕션 환경에서 안정적으로 ML 시스템을 운영하기 위한 엔지니어링 방법론이다. Google이 2015년 “Machine Learning: The High-Interest Credit Card of Technical Debt” 논문에서 ML 운영의 복잡성을 최초 체계화한 이후 독립 분야로 발전하였다.

II. DevOps와 MLOps 비교

구분	DevOps	MLOps
아티팩트	소스코드, 바이너리	코드 + 데이터 + 모델
테스트	단위·통합·E2E 테스트	+ 데이터 검증, 모델 편향 테스트
드리프트	코드 변경으로만 발생	데이터 드리프트·모델 드리프트 동시 발생
재배포 트리거	코드 커밋	코드 변경 OR 데이터 변화 OR 성능 저하

III. MLOps 성숙도 3단계 (Google 기준)

단계	특징	자동화 수준
Level 0 수동 프로세스	스크립트 기반, 일회성 실험, 데이터 사이언티스트가 수동 배포	없음
Level 1 ML 파이프라인 자동화	학습 파이프라인 자동화, CT(Continuous Training) 구현	학습 자동화
Level 2 CI/CD 파이프라인 자동화	파이프라인 자체를 자동 빌드·테스트·배포, CD4ML 구현	전 과정 자동화

IV. MLOps 핵심 파이프라인 구성요소

데이터 파이프라인: 데이터 수집·검증·변환·버전관리 (Great Expectations, DVC)
학습 파이프라인: 실험 추적, 하이퍼파라미터 튜닝, 분산학습 (MLflow, Weights & Biases)
모델 레지스트리: 모델 버전 관리, 메타데이터 저장, 승인 워크플로우
서빙 파이프라인: 온라인/배치/스트리밍 추론, A/B 테스트, 카나리 배포
모니터링: 데이터 드리프트(PSI/KS 검정), 모델 드리프트, 피처 스큐 감지

V. 결론 및 기술사 관점

MLOps는 ML 프로젝트가 PoC를 넘어 프로덕션에서 지속적 가치를 창출하기 위한 필수 엔지니어링 규율이다. 도입 시 조직의 데이터 거버넌스 성숙도·인프라 역량·팀 구성(ML 엔지니어·데이터 엔지니어·플랫폼 엔지니어 협업 체계)을 사전 평가하여 성숙도 단계별 점진적 자동화 전략을 수립하는 것이 핵심이다.

핵심 키워드: MLOps, CT(Continuous Training), CD4ML, 데이터 드리프트, 모델 드리프트, Feature Store, 모델 레지스트리, MLflow, Kubeflow

zerg96