넘버스
넘버스
MLops
“AI 프로젝트의 성패를 결정한다” 효율적인 AI 개발 및 운영을 위한 MLOps 전략 - Tech Summary
AI 시장의 분위기가 바뀌었다. 내부 서비스나 가능성 확인 수준을 넘어 상용 서비스를 염두에 둔 AI 프로젝트가 본격화되면서 안정적이고 효율적인 운영이 또 하나의 핵심 과제가 됐다. 데이터 전처리부터 모델 개발, 학습, 배포 운영까지 AI 라이프사이클...
블로그 | 클라우드 기반 생성형 AI 시스템의 성능이 나쁜 이유
생성형 AI 시스템은 항상 느리지 않으냐는 질문을 받은 적이 있다. 물론 필자는 "무엇과 비교했을 때 느리냐?”고 되묻는다. 대답은 재밌다. "생각했던 것보다 느리다”는 것이다. 그리고 이런 식으로 질문은 꼬리에 꼬리를 문다. 생성형 ...
“반복 속도가 AI의 성패를 결정한다” 산업/제조 현장 AI를 위한 MLOps 전략 - Tech Summary
AI가 전 산업군으로 확산하고 있지만, 산업/제조 현장의 AI는 진퇴양난의 어려움을 겪고 있다. 산업용 AI는 각 기업 고유의 환경에 특화된 목적으로 개발되기 때문에 데이터의 품질이나 규모가 미흡한 경우가 많고, 개발 및 구축 환경의 격차도 크기 때문...
“운영 관리가 AI/ML의 성패를 결정한다” 머신러닝을 위한 MLOps 전략과 HPE Ezmeral MLOps - Tech Summary
AI/ML 프로젝트 중 프로덕션까지 살아남는 비중은 매우 낮다. 적절한 데이터 부족, 컴퓨팅 자원 부족 등 여러 이유가 있지만, 본질적인 이유는 AI/ML 모델 구현, 훈련, 배포, 모니터링 등 전체 생명주기를 아우르는 관리 체계 부재에서 찾을 수 있...
AI를 잘하는 기업은 지금 이것을 고민합니다
기업이 꿈꾸는 엔터프라이즈 AI 활용상 MLOps란 무엇인가? 왜 MLOps가 필요한가? 제조 및 산업 영역에서 MLOps가 특히 중요한 이유 MLOps의 주요 기능 엔터프라이즈 MLOps 솔루션 현황과 평가 MakinaRocks가 엔터프라...
머신러닝 라이프사이클 관리를 돕는 10가지 ML옵스 플랫폼
대부분의 전문 소프트웨어 개발자에게 애플리케이션 라이프사이클 관리(Application Lifecycle Management, ALM)는 당연히 사용하는 툴이다. 그러나 소프트웨어 개발 배경이 없는 경우가 많은 데이터 과학자는 대체로 머신러닝 모델에 ...
머신러닝 운영과 관리, 'ML옵스'가 뜬다
데이터 과학자가 데이터를 태깅하고 정확한 머신러닝 모델을 만들기가 어렵다고 하지만, 프로덕션에서 머신러닝 모델을 관리하는 일은 이보다 더 까다로울 수 있다. 모델 드리프트(Model Drift) 인식, 업데이트된 데이터 집합을 사용한 모델 재학습, 성...
추천기사
