기업이 데이터의 예측력을 활용하기 위해 머신러닝(ML) 모델을 활용하는 것은 그 어느 때보다 중요해지고 있습니다. 그러나 실제로 ML 모델의 약 60%는 프로덕션(운영) 환경까지 배포되지 못하는 것으로 알려져 있습니다. 이러한 모델들은 민첩하고 유연한 기술 환경에서 효과적으로 운영되기 위해 필요한 사람, 프로세스, 플랫폼의 변화를 충분히 고려하지 못해 기대만큼의 성과를 내지 못하는 경우가 많습니다.
Rackspace Technology의 새로운 ML Operations Foundations(MLOps) 서비스는 Model Factory Framework를 기반으로 구동되며, ML 모델을 프로덕션에 효율적으로 배포할 전문 기술 역량이 부족하더라도 기업의 데이터 환경 혁신을 지원합니다.
Rackspace Technology는 오픈소스 도구를 활용해 모델의 빠른 개발, 학습, 스코어링, 배포를 가능하게 하는 Model Factory Framework를 구축했습니다. 이 프레임워크를 중심으로 한 맞춤형 커스터마이징을 통해 고객의 특정 워크플로와 비즈니스 요구사항에 최적화된 MLOps 솔루션을 제공할 수 있습니다. Rackspace는 클라우드의 혁신적인 역량을 활용해 고객이 새로운 수익원을 창출하고 운영 효율성을 높이며 차별화된 경험을 제공하도록 돕습니다. 데이터 마이그레이션, 데이터 엔지니어링, 데이터 사이언스, ML, 운영 전반에 걸친 폭넓은 전문 지식과 업계 모범 사례를 바탕으로 고객의 데이터를 강력한 혁신 도구로 전환합니다.
주요 기능 및 장점
데이터 사이언스 팀을 위한 표준화된 모델 개발 환경: 어떤 ML 프레임워크든 지원하므로 데이터 사이언스 및 엔지니어링 팀이 제약 없이 모델을 개발할 수 있습니다.
개발·QA·프로덕션 환경 전반의 자동화된 모델 배포: 하이퍼스케일 클라우드 자동화를 활용해 모델을 개발 단계에서 배포 단계로 신속히 이전하면서, 고가용성, 확장성, 안정성, 비용 관리 등 프로덕션 준비 요건까지 함께 충족합니다.
모델 및 예측 결과의 재현성: 다양한 환경에 배포할 때 모델 버전과 하이퍼파라미터를 추적하여 개발 환경에서 검증된 모델 성능이 프로덕션에서도 동일하게 유지되도록 보장합니다.
진단, 성능 모니터링, 모델 드리프트 대응 도구: 데이터 사이언스 팀이 모델 드리프트(model drift)를 해소하고, 디버깅과 문제 해결을 위한 모델 성능을 점검하며, 파이프라인을 체계적으로 관리할 수 있는 도구를 제공합니다.
거버넌스 및 규제 준수를 위한 모델 설명 가능성(Explainability): 모델, 데이터, 파라미터를 추적·관리하여 감사 시 적절한 프로토콜을 준수했음을 명확하게 입증할 수 있습니다.
협업 플랫폼: DevOps 도구와 프로세스를 ML 워크플로와 결합합니다. 팀은 긴밀하게 협업해 복잡한 모델과 파이프라인을 개발하고, 버전·주석·이력을 관리하며 모델이 각 개발 단계를 거쳐 프로덕션에 도달하는 전 과정을 체계적으로 관리할 수 있습니다.
ROI 가속화: 사용한 만큼만 지불하는 종량제 방식의 클라우드 기반 자동화 ML 라이프사이클 관리 솔루션을 통해 모델을 빠르게 프로덕션에 적용하고 그 효과를 실감할 수 있습니다. 컴퓨팅 리소스를 모니터링하고 최적화하는 데 도움이 되는 도구와 서비스도 함께 제공됩니다.
결론
MLOps를 도입하면 일반적으로 25단계 이상 걸리는 ML 라이프사이클을 10단계 이하로 단축할 수 있습니다. 이러한 효율성 덕분에 모델을 훨씬 더 신속하게 프로덕션 환경에 적용하고 운영할 수 있습니다.
Model Factory Framework는 데이터 사이언스를 위한 CI/CD(지속적 통합/지속적 배포)와 개발, QA, 프로덕션을 위한 자동화된 워크플로를 통해 개발 및 운영 단계의 다양한 ML 모델을 지원합니다. Rackspace 전문가들은 업계 모범 사례를 적용하는 동시에, 이 서비스를 고객의 특정 워크플로와 비즈니스 요구사항에 맞게 맞춤 조정해 드립니다.
의견이나 궁금한 점이 있다면 피드백 탭을 이용해 주시거나, 언제든지 저희와 상담을 시작해 주세요.