<MLOps 플랫폼의 비교> 커리어리 친구들, MLOps 또는 ML옵스(Machine Learning Operations)에 대해 알고 계신가요? 간단히 정의하자면, 프로덕션 환경에서 기계 학습 모델을 안정적이고 효율적으로 배포하고 유지 관리하는 것을 목표로 하는 일련의 관행입니다. 참고로 이 단어는 "머신 러닝"과 소프트웨어 분야에서 DevOps의 지속적인 개발 관행의 합성어입니다. Thoughtwork 사에서 AWS SageMaker, Azure ML Studio, Google Vertex AI 등 탑 클라우드 서비스 회사들의 MLOps 프로덕트를 장단점으로 비교했습니다. 또한 요즘 많이 떠오르고 있는 DataBricks 사도 포함하고 있습니다. 그리고 이러한 회사에 종속되지 않고 사용할 수 있는 프레임워크인 MLFlow 와 Kubeflow 에 대해서도 정리했습니다. 한번 일독을 권합니다. 최근 MLOps 환경에 대한 몇 가지 흥미로운 점을 발견했습니다. 1. 모델 배포에 대한 관심 증가 2.SF 베이 에리어 지역은 여전히 기계 학습의 진원지이지만 유일한 허브는 아닙니다. 3. 미국과 중국의 MLOps 인프라가 갈라지고 있습니다. 4. 학계에서 머신 러닝 프로덕션에서 관심이 더 높습니다. 끝으로, 2019년의 VentureBeat 보고서에 따르면, 데이터 과학 프로젝트의 87%가 결코 프로덕션으로 연결되지 않습니다. MLOps 소프트웨어는 ML에 대한 투자가 낭비되지 않고 모델이 생산에서 가치를 생산해야 하는 위치에 도달하도록 하는 데 중요한 역할을 할 수 있습니다. MLOps 플랫폼 평가 가이드는 공간 탐색에 도움이 되고, 절충점을 강조하며, 평가를 수행하여 조직에 가장 적합한 솔루션을 선택하고, 기계 학습 이니셔티브를 강화하고, AI 기반 제품을 추진하는 방법을 보여줍니다. 국내에서는 아직 MLOps 플랫폼을 공개한 적이 없어서 찾지 못했습니다. 아마 네이버나 카카오에서는 위의 빅4 플랫폼을 사용하지 않고 독립적으로 자체적으로 사용하고 있을텐데, 관련된 내용을 찾으면 업데이트 하겠습니다.