MLOps의 개념부터 도입과 활용까지, 성공적인 머신러닝 운영화를 위한 실용 가이드! 오늘날 데이터 사이언스와 AI는 IT 분야뿐 아니라 제조, 구매, 유통, 마케팅, 반도체, 자동차, 식품 등 산업 전 분야에 걸쳐 기업 생존의 필수 요소로 인식되어 경쟁적으로 도입되고 있다. 이러한 데이터 사이언스와 AI 프로젝트의 핵심에 MLOps가 놓여 있다. 이 책은 비즈니스 환경에서 머신러닝 적용 실무를 담당하는 데이터 분석 팀 또는 IT 운영 팀의 관리자들을 대상으로 한다. MLOps가 새로운 영역이라는 점을 감안하여, MLOps 환경을 성공적으로 구축하기 위한 가이드 역할을 제대로 할 수 있도록 머신러닝 전문가 9명(데이터이쿠)이 조직적 이슈부터 기술적 이슈까지 꼼꼼하게 다루었다. ◐ MLOps 핵심 개념: MLOps를 성공적으로 실행하기 위한 원칙과 구성 요소, 이해관계자들의 역할과 책임 ◐ MLOps 적용 방법: 머신러닝 모델 생애주기 다섯 단계에 따라 MLOps 프로세스를 도입하는 방법 소개 ◐ MLOps 실제 사례: MLOps의 실제 구축 형태와 그 의미를 알 수 있도록 대표적인 비즈니스 활용 사례들 제시

저자 : 데이터이쿠 Dataiku 2013년에 설립된 데이터이쿠는 전 세계 450개 이상의 기업이 포괄적인 플랫폼을 이용해 AI와 분석 애플리케이션을 설계·설치·관리할 수 있도록 지원한다. 데이터이쿠는 ‘Everyday AI’를 통해 시장에서 승리할 수 있다는 신념을 바탕으로, 투명하고 반복 가능한 확장성 AI와 분석 프로그램의 구축을 목표로 한다. 다양한 기업이 데이터이쿠의 플랫폼을 활용해 필수 비즈니스 운영을 뒷받침하고 이상 거래 감지, 고객 이탈 방지, 예지 정비, 공급망 최적화 촉진 모델을 활용하여 급변하는 세계에 대응하고 있다. 데이터이쿠 플랫폼은 분석가부터 데이터 과학자까지 모든 이들이 활용할 수 있으며 기업에서는 이 플랫폼을 활용해 기업의 민첩성과 대응 능력을 높일 수 있고 기업 조직 전반에 AI 확대를 추진할 수 있다. 역자 : 동동구 현재 전략 기획 업무를 수행하고 있다. 이전에는 B2C 및 B2B 웹 애플리케이션, Brew/WIPI/SKVM 등의 피처폰 애플리케이션, iOS/안드로이드/윈도우폰/타이젠 애플리케이션 등의 설계 및 개발, 엔지니어 관리 업무를 수행했다. 그 외 다양한 IT 서적에 대한 번역 활동을 하고 있다.

PART 1 MLOps 개념과 필요성 CHAPTER 1 왜 지금이고 도전 과제는 무엇인가 1.1 MLOps와 도전 과제 정의하기 1.2 리스크를 경감하기 위한 MLOps 1.3 확장을 위한 MLOps 1.4 마치며 CHAPTER 2 MLOps 이해관계자들 2.1 직무 전문가 2.2 데이터 과학자 2.3 데이터 엔지니어 2.4 소프트웨어 엔지니어 2.5 DevOps 2.6 모델 리스크 관리자/감리인 2.7 머신러닝 아키텍트 2.8 마치며 CHAPTER 3 MLOps의 핵심 기능 3.1 머신러닝 입문 3.2 모델 개발 3.3 제품화 및 배포 3.4 모니터링 3.5 반복 및 생애주기 3.6 거버넌스 3.7 마치며 PART 2 MLOps 적용 방법 CHAPTER 4 모델 개발 4.1 머신러닝 모델이란? 4.2 데이터 탐색 4.3 특성 엔지니어링 및 특성 선택 4.4 실험 4.5 모델 평가 및 비교 4.6 버전 관리 및 재현 가능성 4.7 마치며 CHAPTER 5 상용화 준비 5.1 실행 환경 5.2 모델 리스크 평가 5.3 머신러닝에 대한 품질 검증 5.4 테스트에 대한 핵심 고려 사항 5.5 재현 가능성과 감사 가능성 5.6 머신러닝 보안 5.7 모델 리스크 경감 5.8 마치며 CHAPTER 6 상용 배포 6.1 CI/CD 파이프라인 6.2 머신러닝 아티팩트 개발 6.3 배포 전략 6.4 컨테이너화 6.5 배포 확장 6.6 요구사항과 도전 과제 6.7 마치며 CHAPTER 7 모니터링과 피드백 루프 7.1 모델을 얼마나 자주 재학습시켜야 할까? 7.2 모델 성능 저하 7.3 드리프트 감지 7.4 피드백 루프 7.5 마치며 CHAPTER 8 모델 거버넌스 8.1 조직에 어떤 거버넌스가 필요한지 누가 결정하는가? 8.2 리스크 수준에 거버넌스 맞추기 8.3 MLOps 거버넌스를 주도하는 현행 규정 8.4 AI 관련 규정의 최신 동향 8.5 책임 있는 AI의 등장 8.6 책임 있는 AI의 핵심 요소 8.7 MLOps 거버넌스 템플릿 8.8 마치며 PART 3 MLOps 실제 사례 CHAPTER 9 소비자 신용 리스크 관리 9.1 배경: 비즈니스 활용 사례 9.2 모델 개발 9.3 모델 편향성에 대한 고려 사항 9.4 상용화 준비 9.5 상용 배포 9.6 마치며 CHAPTER 10 마케팅 추천 엔진 10.1 추천 엔진의 반란 10.2 데이터 준비 10.3 실험 설계 및 관리 10.4 모델 학습 및 배포 10.5 파이프라인 구조와 배포 전략 10.6 모니터링과 피드백 10.7 마치며 CHAPTER 11 소비 예측 11.1 전력 시스템 11.2 데이터 수집 11.3 문제 정의: 머신러닝인가, 머신러닝이 아닌가? 11.4 공간 및 시간 해상도 11.5 구현 11.6 모델링 11.7 배포 11.8 모니터링 11.9 마치며 찾아보기

머신러닝 적용 실무를 담당하는 데이터 분석 팀 또는 IT 운영 팀의 관리자들에게 MLOps 역량을 개발하기 위한 실질적인 통찰과 해결책을 제공한다! 머신러닝 기술은 이론과 학문의 영역에서 ‘현실 세계’의 영역으로 이동하는 전환점에 이르렀다. 전 세계의 모든 서비스와 제품에 머신러닝 기술을 적용해보려는 시도가 이어지고 있다. 이러한 변화가 흥미롭기는 하지만, 머신러닝 모델의 복잡한 특성과 현대적인 조직의 복잡한 구조를 조합하는 대단히 도전적인 과제다. 조직이 머신러닝을 실험실 수준에서 상용 환경으로 확대 적용할 때 겪는 어려움 중 하나는 유지보수다. 기업은 하나의 모델만 다루던 환경에서 수십, 수백 혹은 수천 개의 모델을 다루는 환경으로 어떻게 전환할 수 있을까? 바로 이 지점에서 앞서 언급한 기술적인 복잡성과 비즈니스적 복잡성이 드러나고, MLOps가 필요하다. MLOps는 기업이 데이터 사이언스와 AI를 더 성공적으로 도입·운영할 수 있는 효과적인 방법론 중 하나다. 이 책을 통해 MLOps 역량을 개발하기 위한 실질적인 통찰과 해결책을 얻길 바란다. 이 책은 크게 3부로 구성되어 있다. ※ 1부_MLOps 개념과 필요성 MLOps라는 주제를 전반적으로 소개한다. MLOps가 어떻게 그리고 어떤 이유에서 원칙이 되었는지, MLOps를 성공적으로 실행하려면 어떤 사람들이 MLOps에 참여해야 하는지, 그리고 어떤 구성 요소가 있는지를 설명하였다. ※ 2부_MLOps 적용 방법 머신러닝 모델 생애주기에 맞춰 모델 개발, 상용화 준비, 상용 환경 배포, 모니터링과 피드백 루프, 모델 거버넌스 등의 순서로 구성하였다. 각 장에서는 일반적인 고려 사항과 함께 MLOps 관련 고려 사항을 다루었다. 특히, 1부 3장에서 가볍게 소개한 주제들을 상세하게 설명한다. ※ 3부_MLOps 실제 사례 오늘날 기업에서 운영하는 MLOps의 모습에 대한 실질적 예시를 제공하여, 독자들이 실제 구축 형태와 그 의미를 이해할 수 있도록 하였다. 등장하는 회사명은 모두 가명이지만, 모든 사례는 실제 기업에서 MLOps와 모델 관리에 대해 겪고 있는 경험을 바탕으로 구성하였다.