프로덕션급 모델 개발은 쉬운 일이 아니다. 한 머신러닝 연구에 따르면, 기업의 55%는 모델을 프로덕션에 구축한 적이 없고, 약 40%는 모델 하나를 배포하는 데 30일 이상이 소요되는 것으로 나타났다. 성공에는 새로운 과제가 따른다. 응답 기업의 41%는 머신러닝 모델의 버전 관리와 재현 가능성에 어려움을 느낀다고 답했다.
여기서 얻을 수 있는 교훈은 머신러닝 모델이 프로덕션에 구축되어 비즈니스 프로세스에 사용하기 시작하면 새로운 장애물이 나타난다는 것이다.
모델 관리와 운영은 한때 숙련된 데이터 과학 팀을 위한 과제라는 인식이 있었다. 현재 모델 관리와 운영 작업에는 프로덕션 머신러닝 모델의 드리프트 모니터링, 모델 재학습 자동화, 드리프트가 심할 경우 알림, 모델에 업그레이드가 필요할 때 인식하기 등이 포함된다. 머신러닝에 투자하는 기업이 늘어나면서 모델 관리와 운영에 대한 인식을 구축해야 할 필요성도 커지고 있다.
좋은 소식은 오픈소스 ML플로우(MLFlow), DVC와 같은 플랫폼과 라이브러리, 그리고 알터릭스(Alteryx), 데이터브릭스(Databricks), 다타이쿠(Dataiku), SAS, 데이터로봇(DataRobot), 모델옵(ModelOp)의 상용 툴 등으로 데이터 과학 팀의 모델 관리와 운영이 한결 쉬워졌다는 점이다. 퍼블릭 클라우드 제공업체도 애저 머신러닝에서 ML옵스 구현하기와 같은 수행 방법을 공유하고 있다.
머신러닝 모델 관리와 데브옵스 간에는 여러 유사점이 있다. 많은 사람은 모델 관리와 운영을 ‘ML옵스(MLops)’로 지칭하고, 머신러닝 모델을 개발, 유지하는 데 필요한 문화, 관행, 기술로 정의한다.
모델 관리와 운영의 이해
모델 관리와 운영을 더 정확히 이해하려면 소프트웨어 개발 이행 방법과 과학적 방법의 조합을 생각하면 된다.소프트웨어 개발자라면 애플리케이션의 한 버전을 완성해 프로덕션에 배포하는 일이 간단치 않음을 안다. 그러나 애플리케이션이 프로덕션에 이르게 되면 더욱 큰 과제가 시작된다. 최종 사용자는 주기적인 향상을 기대하고, 기반 인프라와 플랫폼, 라이브러리에는 패치와 유지보수가 필요하다.
이제 과학 쪽으로 눈을 돌리면 질문은 여러 가설과 반복적 실험으로 이어진다. 학창시절 과학 시간에 이런 실험 일지를 작성하고 각 실험마다 다양한 변수의 조정 내역을 추적하라고 배웠을 것이다. 실험은 개선된 결과로 이어지며, 이 과정을 문서화하면 동료들에게 모든 변수를 탐색했음을 보여주고 결과의 재현 가능성을 설득하는 데 유용하다.
머신러닝 모델로 실험하는 데이터 과학자는 소프트웨어 개발과 과학 연구, 두 가지 분야를 모두 수용해야 한다. 머신러닝 모델은 파이썬, R과 같은 언어로 개발되고 텐서플로우나 파이토치 또는 기타 머신러닝 라이브러리로 구조화되고 아파치 스파크와 같은 플랫폼에서 실행되고 클라우드 인프라에 배포되는 소프트웨어 코드다. 머신러닝 모델의 개발과 지원에는 상당한 실험과 최적화가 필요하며 데이터 과학자는 자신이 사용한 모델의 정확성을 증명해야 한다.
소프트웨어 개발과 마찬가지로 머신러닝 모델에는 지속적인 유지보수와 향상이 필요하다. 이는 코드와 라이브러리, 플랫폼, 인프라를 유지보수하는 과정에서 실현되기도 하지만 데이터 과학자는 모델 드리프트에 대해서도 유의해야 한다. 모델 드리프트는 새 데이터를 사용할 수 있게 되면서 머신러닝 모델이 제공하는 예측과 클러스터, 세그먼테이션, 추천이 예상된 결과에서 이탈하게 되는 현상이다.
성공적인 모델 관리의 시작은 최적의 모델 개발
알터릭스의 최고 데이터 및 분석 책임자인 앨런 제이콥슨은 머신러닝 모델을 성공적으로 개발하고 확장하는 방법에 대해 “모델 개발을 간소화하는 데 있어 대부분의 데이터 과학자가 직면하는 첫 번째 과제는 견고한 문제 공식화다. 많은 복잡한 비즈니스 문제는 매우 간단한 분석으로 해결할 수 있지만, 이를 위해서는 먼저 데이터와 분석이 문제에 답하는 데 도움이 될 수 있는 방식으로 문제를 구조화해야 한다. 복잡한 모델을 활용할 때라도 가장 어려운 부분은 일반적으로 데이터를 구조화하고 적절한 입력이 사용되고 그 입력의 품질이 적절한 수준임을 보장하는 부분이다”라고 말했다.문제 설정부터 잘못되고 충분한 데이터 품질을 보장하기 위한 시간과 도구, 주제 전문 지식이 부족한 채로 시작하는 데이터 및 기술 구현이 너무 많다. 기업은 먼저 빅데이터에 대한 적절한 질문을 던지고 데이터옵스(dataops)에 투자한 다음 데이터 과학에 애자일 방법론을 사용해 솔루션을 향해 반복 실행해야 한다.
머신러닝 모델에서 모델 드리프트 모니터링
정확한 문제 정의는 프로덕션에서의 지속적인 모델 관리와 모니터링을 위해 중요하다. 제이콥슨은 “모델 모니터링은 중요한 프로세스지만 제대로 하기 위해서는 목표와 살펴야 할 잠재적 악영향에 대한 확고한 이해가 필요하다. 모델 성능과 시간 경과에 따른 변화 모니터링에 대한 이야기가 많지만, 이보다 더 중요하면서 어려운 일은 의도하지 않은 결과를 분석하는 것이다”라고 설명했다.모델 드리프트 및 의도치 않은 결과를 쉽게 이해하려면 코로나19가 코로나19 팬데믹 이전의 학습 데이터를 사용해 개발된 머신러닝 모델에 미치는 영향을 생각해보면 된다. 인간 행동, 자연어 처리, 소비자 수요 모델 또는 사기 패턴을 기반으로 하는 머신러닝은 모두 AI 모델에 혼란을 일으킨 팬데믹 중의 행동 변화에 따른 영향을 받았다.
데이터 과학 프로그램에서 가치를 얻고 프로그램의 성숙도를 높이는 기업이 늘면서 IT 제공업체들도 새로운 ML옵스 기능을 내놓고 있다. 예를 들어 SAS는 데이터 과학자가 목표 변수 없이 모델을 평가하는 데 도움이 되는 특성 기여도 지수를 도입했다. 클라우데라(Cloudera)는 기술 성능 지표를 포착하고 모델 예측을 추적하는 ML 모니터링 서비스를 최근 발표했다.
ML옵스, 자동화 및 협업과도 관련
머신러닝 모델 개발과 프로덕션의 머신러닝 모델 모니터링 사이에는 데이터 과학의 확장을 가능하게 해주는 부가적인 도구와 프로세스, 협업, 기능이 위치한다. 이들 자동화 및 인프라 방식 중 일부는 데브옵스와 유사하며, 머신러닝 모델을 위한 코드형 인프라, CI/CD(지속적 통합/지속적 배포)를 포함한다. 다른 방식에는 기반 학습 데이터를 사용한 모델 버전 관리 및 모델 리포지토리 검색과 같은 개발자 기능이 포함된다.ML옵스의 흥미로운 점은 과학적 방법론과 협업을 데이터 과학 팀으로 가져온다는 것이다. 예를 들어 데이터로봇의 챔피언-도전자 모델은 여러 실험 모델을 병렬로 실행해 프로덕션 버전의 정확성에 도전한다. SAS는 데이터 과학자가 시장 출시 속도와 데이터 품질을 높이도록 돕는 것을 목표로 한다. 알터릭스는 최근 데이터 과학 팀 간의 협업과 공유를 촉진하는 애널리틱스 허브(Analytics Hub)를 발표했다.
이런 움직임들은 머신러닝의 관리와 확장을 위해서는 단순히 데이터 과학자에게 파이썬으로 랜덤 포리스트(random forest), k-평균(k-means) 또는 CNN(Convolutional Neural Network)을 코딩하고 테스트할 것을 요청하는 이상의, 훨씬 더 많은 분야와 수행 방법이 필요하다는 사실을 보여준다. editor@itworld.co.kr
함께 보면 좋은 콘텐츠
Sponsored
Surfshark
“유료 VPN, 분명한 가치 있다” VPN 선택 가이드
ⓒ Surfshark VPN(가상 사설 네트워크, Virtual Private Network)은 인터넷 사용자에게 개인 정보 보호와 보안을 제공하는 중요한 도구로 널리 인정받고 있다. VPN은 공공 와이파이 환경에서도 데이터를 안전하게 전송할 수 있고, 개인 정보를 보호하는 데 도움을 준다. VPN 서비스의 수요가 증가하는 것도 같은 이유에서다. 동시에 유료와 무료 중 어떤 VPN을 선택해야 할지 많은 관심을 가지고 살펴보는 사용자가 많다. 가장 먼저 사용자의 관심을 끄는 것은 별도의 예산 부담이 없는 무료 VPN이지만, 그만큼의 한계도 있다. 무료 VPN, 정말 괜찮을까? 무료 VPN 서비스는 편리하고 경제적 부담도 없지만 고려할 점이 아예 없는 것은 아니다. 보안 우려 대부분의 무료 VPN 서비스는 유료 서비스에 비해 보안 수준이 낮을 수 있다. 일부 무료 VPN은 사용자 데이터를 수집해 광고주나 서드파티 업체에 판매하는 경우도 있다. 이러한 상황에서 개인 정보가 유출될 우려가 있다. 속도와 대역폭 제한 무료 VPN 서비스는 종종 속도와 대역폭에 제한을 생긴다. 따라서 사용자는 느린 인터넷 속도를 경험할 수 있으며, 높은 대역폭이 필요한 작업을 수행하는 데 제약을 받을 수 있다. 서비스 제한 무료 VPN 서비스는 종종 서버 위치가 적거나 특정 서비스 또는 웹사이트에 액세스하지 못하는 경우가 생긴다. 또한 사용자 수가 늘어나 서버 부하가 증가하면 서비스의 안정성이 저하될 수 있다. 광고 및 추적 위험 일부 무료 VPN은 광고를 삽입하거나 사용자의 온라인 활동을 추적하여 광고주에게 판매할 수 있다. 이 경우 사용자가 광고를 보아야 하거나 개인 정보를 노출해야 할 수도 있다. 제한된 기능 무료 VPN은 유료 버전에 비해 기능이 제한될 수 있다. 예를 들어, 특정 프로토콜이나 고급 보안 기능을 지원하지 않는 경우가 그렇다. 유료 VPN의 필요성 최근 유행하는 로맨스 스캠은 인터넷 사기의 일종으로, 온라인 데이트나 소셜 미디어를 통해 가짜 프로필을 만들어 상대를 속이는 행위다. 이러한 상황에서 VPN은 사용자가 안전한 연결을 유지하고 사기 행위를 방지하는 데 도움이 된다. VPN을 통해 사용자는 상대방의 신원을 확인하고 의심스러운 활동을 감지할 수 있다. 서프샤크 VPN은 구독 요금제 가입 후 7일간의 무료 체험을 제공하고 있다. ⓒ Surfshark 그 외에도 유료 VPN만의 강점을 적극 이용해야 하는 이유는 다음 3가지로 요약할 수 있다. 보안 강화 해외 여행객이 증가함에 따라 공공 와이파이를 사용하는 경우가 늘어나고 있다. 그러나 공공 와이파이는 보안이 취약해 개인 정보를 노출할 위험이 있다. 따라서 VPN을 사용하여 데이터를 암호화하고 개인 정보를 보호하는 것이 중요하다. 서프샤크 VPN은 사용자의 개인 정보를 안전하게 유지하고 해킹을 방지하는 데 유용하다. 개인정보 보호 인터넷 사용자의 검색 기록과 콘텐츠 소비 패턴은 플랫폼에 의해 추적될 수 있다. VPN을 사용하면 사용자의 IP 주소와 로그를 숨길 수 있으며, 개인 정보를 보호할 수 있다. 또한 VPN은 사용자의 위치를 숨기고 인터넷 활동을 익명으로 유지하는 데 도움이 된다. 지역 제한 해제 해외 여행 중에도 한국에서 송금이 필요한 경우가 생길 수 있다. 그러나 IP가 해외 주소이므로 은행 앱에 접근하는 것이 제한될 수 있다. VPN을 사용하면 지역 제한을 해제해 해외에서도 한국 인터넷 서비스를 이용할 수 있다. 따라서 해외에서도 안전하고 편리하게 인터넷을 이용할 수 있다. 빠르고 안전한 유료 VPN, 서프샤크 VPN ⓒ Surfshark 뛰어난 보안 서프샤크 VPN은 강력한 암호화 기술을 사용하여 사용자의 인터넷 연결을 안전하게 보호한다. 이는 사용자의 개인 정보와 데이터를 보호하고 외부 공격으로부터 사용자를 보호하는 데 도움이 된다. 다양한 서버 위치 서프샤크 VPN은 전 세계 곳곳에 여러 서버가 위치하고 있어, 사용자가 지역 제한된 콘텐츠에 액세스할 수 있다. 해외에서도 로컬 콘텐츠에 손쉽게 접근할 수 있음은 물론이다. 속도와 대역폭 서프샤크 VPN은 빠른 속도와 무제한 대역폭을 제공하여 사용자가 원활한 인터넷 경험을 누릴 수 있도록 지원한다. 온라인 게임, 스트리밍, 다운로드 등 대역폭이 필요한 활동에 이상적이다. 다양한 플랫폼 지원 서프샤크 VPN은 다양한 플랫폼 및 디바이스에서 사용할 수 있다. 윈도우, 맥OS, iOS, 안드로이드 등 다양한 운영체제 및 디바이스에서 호환되어 사용자가 어디서나 안전한 인터넷을 즐길 수 있다. 디바이스 무제한 연결 서프샤크 VPN은 무제한 연결을 제공하여 사용자가 필요할 때 언제든지 디바이스의 갯수에 상관없이 VPN을 사용할 수 있다.