• 목록

[일시] 2025.08.21

[리뷰 논문] MLOps Challenges in Multi-Organization Setup

[요약]
MLOps Challenges in Multi-Organization Setup은 다중 조직 환경에서 MLOpsd에서 생기는 협업, 재현성, 규제 대응 등의 다양한 현실적 문제를 조명하고, 이를 Oravizio와 AuroraAI라는 두 실제 사례를 통해 분석한 연구이다.
기존 MLOps 및 CD4ML은 대부분 단일 조직 내부를 전제로 설계되어 있어, 조직 간 데이터 접근 제한, 모델 책임 주체의 불분명성, 운영 방식 차이 등으로 인해 다중 조직 협업 환경에는 적용이 어렵다는 한계가 있었다. 또한 기존의 MLOps는 재학습, 모니터링, 자동화된 파이프라인 등 기술적 요소에 초점이 맞춰져 있어, 책임, 규제, 거버넌스 같은 요소들이 충분히 고려되지 않았다.
앞선 한계를 해결하기 위해 본 논문은 두 가지 사례를 제시한다.
Oravizio는 병원과 민간기업이 협업하는 구조로, XGBoost 기반의 결정적 모델을 사용하여 예측 재현성과 규제 대응을 확보하였다. 모델은 고정되어 있고 재학습 루프가 없지만, 병원은 데이터와 판단 책임을, 기업은 배포와 운영 책임을 분리하여 CD4ML을 최소한으로 구현한 사례로 볼 수 있다. 반면, AuroraAI는 핀란드 정부가 주도한 플랫폼으로, 시민이 자신의 데이터를 공유하면 각 기관별로 적절한 모델을 호출해 서비스를 추천하는 구조를 갖는다. 시민 중심의 분산형 시스템이지만, 데이터 버전 불일치, 모니터링 부재, 모델 호출 흐름의 불투명성 등 여러 제약이 존재한다.
두 사례 모두 MLOps의 자동화된 재학습 루프나 체계적인 모니터링 기능은 갖추지 못했다는 한계를 가지지만, 그럼에도 책임 분리, 운영 환경 분산, 데이터 접근 제약 하에서 어떻게 실용적인 선택을 했는지를 보여주는 사례로써 의미를 가진다.
결론적으로 이 논문은 현실적인 다중 조직 환경에서 발생하는 MLOps의 실제 과제와 실무적 대응 방식을 분석한 연구로, 향후 다양한 조직 간의 협업 환경에서의 MLOps 설계, 결정적 모델의 활용, 데이터 소유권 기반 접근 방식에 대한 방향성을 제시했다는 점에서 의의가 있다.

[녹화 영상 링크]
https://us06web.zoom.us/rec/share/p8ug93Y9nlLTuq3QtsZzlf9ietLm61nx8i34HJfi8ZdfMB3mKpA8DUiATQIEIfzR.UevokSHFLPKoG5ZS