데이터 수집에서 모델 개발과 배포에 이르기까지 복잡한 과정을 보다 효율적으로 관리할 수 있는 방법은 없을까요?
AI/ML 기반 모델 개발에 대한 과제와 해결 방안은 무엇일까요?
모델의 라이프사이클의 관리를 향상시키고, 빠르게 분석 모델을 적용해 효율적인 협업 환경을 구축하게 해주는 ModelOps(모델 옵스)에 대해 알아보겠습니다.
AI/ML 프로젝트 운영화의 현황 및 문제점
2010년 초반부터 AI/ML에 관심을 보인 많은 회사들이 AI/ML을 활용해 모델 개발을 시도, 수행 또는 운영화하고 있습니다.
하지만 2019년 IDC 자료에 따르면 50% 미만의 모델이 운영화되고, 90% 이상의 모델이 배포에 3개월 이상 걸리며, 44%의 모델은 운영화되어 실업무에 적용되는데 7개월 이상 소요된다고 합니다. 최근 국내 기업에서도 오픈 소스 모델 관리의 어려움으로 플랫폼 도입을 시도하고 있지만 단순 플랫폼 도입만으로는 이를 해결하기가 쉽지 않은 상황입니다.
운영화 이후 모델 운영관점에서 관측되는 문제점
AI/ML의 예측 모델은 과거 데이터 패턴을 기반의 예측을 통해 의사결정과 실행을 하지만 데이터의 학습 후에 발생된 새로운 데이터에서의 패턴이 일치하지 않을 수 있습니다. 이를 해결하기 위해서는 모델 생애 주기, 즉 해결 또는 개선할 문제를 인식하고 데이터 수집, 전 처리, 학습, 개발, 배포, 운영, 모니터링을 연결하여 지속적인 모델을 개선하여 운영화하는 것이 필요합니다.
당면한 AI/ML 문제의 해결 방안
신속한 모델 개발 및 운영화에서 모델 개발은 시민 데이터 사이언티스트의 양성을 위한 환경 구축을 의미합니다. 즉, 최대한 로우 코드/노코드로 개발하는 것을 지향하고 최신의 S/W 개발 방법론인 DevOps 적용하는 것이 필요합니다.
또한 모델 관리의 부재로 발생되는 문제점은 모델을 체계적으로 관리할 수 있는 방법론, 즉 Model Governance(모델 거버넌스)를 적용해야 합니다.
ModelOps는 모델 거버넌스에서 정의된 프로세스, 역할, 책임 및 규칙 등의 체계를 구축하고 생성된 모델이 신속하게 등록, 배포 및 모니터링을 수행하고 재학습 및 재모델을 할 수 있도록 하며, 규제와 추적 가능성 등을 구현할 수 있게 해줍니다.
ModelOps의 도입 효과
첫째, 새로운 사업 또는 기존의 사업에 최신 기법을 적용한 신속한 모델 운영화로 기업의 경쟁 우위를 선점할 수 있습니다.
둘째, 지속적인 모델의 개선으로 업무의 성과가 개선되어, 매출 향상 또는 비용 감소로 나타납니다.
셋째, 정확한 데이터 기반의 분석 및 투명성 있는 모델 기반 예측으로 신속하고 신뢰성 있는 의사 결정이 가능하며 위험 또한 최소화할 수 있습니다.
지금까지 AI/ML 기반의 과제와 해결방안을 알아보고 SAS ModelOps의 필요성과 역할, 구현 방법 등에 대해 살펴보았습니다. 더 궁금한 점이 있으시면 코오롱베니트로 문의주시기 바랍니다.
출처 : SAS | AI/ML 기반 모델 개발, 과제와 해결 방안은?
