데이터과학과 기계학습이 융합되는 DSML(Data Science & Machine Learning) 프로젝트에서 많은 기업이 실패를 경험하고 있으며, 데이터 의존적인 DSML 프로젝트 수명주기의 복잡성을 제어하지 못하는 것이 핵심 원인으로 거론되고 있다. 본 고에서는 주요한 실패 요인에 대한 분석을 토대로, 순방향과 역방향으로 복잡하게 얽히며 모니터링과 지속적 개선이 수반되어야 하는 DSML 프로젝트의 수명주기의 특성과, 이를 성공적으로 제어하여 기술 부채를 줄일 수 있도록 하는 기계학습 운영화(MLOps)의 개념을 살펴본다. DSML 프로젝트가 기계학습 운영화를 통해 실행되는 단계를 계획 수립, 데이터 준비, 분석 및 관리, 기계학습, 배포 및 생산화, 풀 스택 지원으로 구분하고, 각 단계에 포함되는 중요 프로세스를 정리한 프로세스 풍경(process landscape)을 제시한다. 기계학습 운영화 실행 전략에 활용할 수 있도록 각 프로세스의 특징 및 주요 기능을 상세히 정리하여, DSML 프로젝트를 통해 비즈니스 데이터 기반의 통찰을 얻고자 하는 분들에게 작은 도움을 제공하고자 한다.

[원문보기]