• 목록

[일시] 2025.07.10.

[리뷰 논문] Machine Learning Operations (MLOps): Overview, Definition, and Architecture

[요약]
본 발표는 머신러닝 모델의 개발에서 운영까지 전 과정을 자동화하고 체계화하기 위한 실천적 프레임워크인 MLOps에 대해 다룬다. 기존 ML 프로젝트들은 모델 개발에 집중하였고, 운영·자동화 단계로의 전환이 어려워 실제 제품화에 실패하는 경우가 많았다. 이러한 문제를 해결하기 위해 본 연구는 문헌 리뷰, 도구 분석, 전문가 인터뷰를 기반으로 MLOps의 정의와 구성 요소, 원칙, 역할, 아키텍처를 포괄적으로 정리하였다. 핵심 원칙은 CI/CD 자동화, workflow orchestration, reproducibility 등 9가지로 구성된다. 또한 비즈니스 이해부터 ML 파이프라인 운영까지 다양한 역할이 협업하며, 이를 통해 반복적이고 확장 가능한 ML 시스템을 구축한다. 전체 MLOps 아키텍처는 프로젝트 초기 기획 단계부터 기능 엔지니어링, 실험, 자동화된 재학습 workflow 이르기까지 구성되며, 모든 단계는 모니터링과 피드백 루프를 통해 연결된다. 이 과정을 통해 모델 성능 저하 시 자동 재학습이 가능하며, 운영 중인 ML 시스템의 품질과 일관성을 유지할 수 있다. 결론적으로, MLOps는 단순한 기술 스택이 아니라 ML,DevOps,데이터 엔지니어링이 교차하는 엔지니어링 패러다임으로서, 자동화된 반복 가능성, 해석 가능성, 협업 문화, 운영 안정성을 갖춘 지속 가능한 ML 시스템 구축의 핵심 접근법임을 제시한다. 향후에는 모델 편향성, 리소스 최적화, 통합형 프레임워크에 대한 연구가 이어질 필요가 있다.

[녹화 영상 링크]
https://us06web.zoom.us/rec/share/-Bk1YbjpPHerFxSa-wXeLQzACKNP9gw8m08ly-V7HbG-M5MirwMQI9Q1miraOUU_.C5eMqfktES2GmCzk