소개

더 많은 데이터를 사용할 수 있고, 컴퓨팅 능력을 민주화하고, 모델을 학습하는 데 사용되는 알고리즘의 발전으로 인해 조직 전체에서 기계 학습 프로젝트가 증가하고 있습니다.

그러나 기계 학습 프로젝트를 채택하고 크기를 조정하는 경우 주요 장애물 중 하나는 명확한 전략과 조직 사일로의 부족입니다.

MLOps

기계 학습 작업 또는 MLOps 는 개념 증명 또는 파일럿 프로젝트에서 프로덕션의 기계 학습 워크로드로 보다 효율적으로 확장하는 것을 목표로 합니다.

MLOps를 구현하면 기계 학습 워크로드를 강력하고 재현 가능하게 만들 수 있습니다. 예를 들어 항상 프로덕션 환경에서 모델을 유지하면서 필요할 때마다 모델을 모니터링, 재학습 및 다시 배포할 수 있습니다.

MLOps의 목적은 기계 학습 수명 주기를 확장 가능하게 만드는 것입니다.

1. 모델 학습
2. 패키지 모델
3. 모델 유효성 검사
4. 모델 배포
5. 모니터 모델
6. 모델 재교육

MLOps에는 여러 역할 및 여러 도구가 필요합니다. 데이터 과학자는 종종 내부 루프라고도 하는 모델 학습과 관련된 모든 작업에 집중합니다.

모델을 패키지하고 배포하려면 데이터 과학자가 DevOps 사례를 적용하여 기계 학습 모델을 확장하는 기계 학습 엔지니어의 도움이 필요할 수 있습니다.

학습된 모델을 가져와 프로덕션에 배포하는 것을 종종 외부 루프라고 합니다. 외부 루프에서 모델은 패키지, 유효성 검사, 배포 및 모니터링됩니다. 모델을 다시 학습해야 한다고 결정하면 내부 루프로 돌아가 모델을 변경합니다.

DevOps (디브옵스)

민첩한 계획과 같은 DevOps 원칙을 사용하면 팀이 작업을 구성하고 결과물을 더 빠르게 생성하는 데 도움이 될 수 있습니다. 소스 제어를 사용하면 프로젝트에서 공동 작업을 용이하게 할 수 있습니다. 자동화를 사용하면 기계 학습 수명 주기를 가속화할 수 있습니다.

이 모듈에서는 이러한 DevOps 원칙을 소개하고 일반적으로 사용되는 두 가지 도구인 Azure DevOps 및 GitHub를 강조 표시합니다.

학습 목표

이 모듈에서는 다음을 알아봅니다.

• DevOps가 기계 학습 프로젝트에 유용한 이유입니다.
• 기계 학습 프로젝트에 적용할 수 있는 DevOps 원칙입니다.
• Azure Machine Learning과 Azure DevOps 및 GitHub를 연결하는 방법입니다.