AI / 데이터 · 중급
전통적인 소프트웨어 CI/CD 파이프라인과 MLOps의 CI/CD 파이프라인(Continuous Training/CT 포함)은 어떤 주요 차이점을 가지며, MLOps에서 CT가 왜 중요한지 설명해 주세요.
힌트 · MLOps CI/CD는 코드 외에 데이터와 모델까지 관리하며, CT는 데이터 변화에 따른 모델 성능 저하를 방지하기 위해 주기적인 재학습 및 재배포를 자동화합니다.
데이터 드리프트모델 재학습모델 검증지속적 학습(CT)자동화된 모델 배포
모범답안
전통적인 소프트웨어 CI/CD 파이프라인과 MLOps의 CI/CD 파이프라인의 가장 큰 차이점은 관리 대상입니다. 전통적인 CI/CD는 주로 코드 변경을 관리하지만, MLOps는 코드뿐만 아니라 데이터와 모델까지 관리해야 합니다.
MLOps 파이프라인은 데이터 검증, 모델 학습, 모델 검증, 모델 배포 단계를 포함하며, 특히 지속적 학습(CT)이 중요한 역할을 합니다. CT는 데이터 드리프트와 같은 데이터 변화에 따라 모델 성능이 저하되는 것을 방지하기 위해 주기적으로 모델을 재학습하고 재배포하는 과정을 자동화합니다. 이를 통해 모델의 예측 성능을 최신 상태로 유지하고, 비즈니스 가치를 지속적으로 창출할 수 있습니다. 예를 들어, 새로운 데이터가 발생하면 자동으로 모델을 재학습하고, 성능 검증을 통과한 모델만 배포하는 파이프라인을 구축할 수 있습니다.
읽었다면, 이제 직접 답해볼 차례예요
패스잇 앱에서 이 질문에 말로 답하면 AI가 꼬리질문까지 이어가며 1:1 코칭합니다.
함께 보는 MLOps 면접 질문
- MLOps 환경에서 데이터 버전 관리(Data Versioning)가 필수적인 이유는 무엇이며, 이를 효과적으로 구현하기 위한 방법론과 주요 도구(예: DVC)의 역할에 대해 설명해 주세요.
- ML 모델을 프로덕션 환경에 배포하기 전에 모델 레지스트리(Model Registry)를 사용하는 주요 목적은 무엇이며, 모델 레지스트리가 제공하는 핵심 기능들을 구체적으로 설명해 주세요.
- ML 모델 개발 과정에서 수많은 실험이 이루어지는데, 이러한 ML 실험을 효율적으로 추적하고 관리하기 위한 방법과 MLflow Tracking과 같은 도구가 제공하는 이점을 설명해 주세요.
- ML 모델을 프로덕션 환경에 배포할 때, A/B 테스트 배포와 카나리(Canary) 배포 전략을 각각 어떤 상황에 적용할 수 있으며, 각 전략의 장단점은 무엇인지 비교 설명해 주세요.
- 프로덕션 환경에 배포된 ML 모델의 성능을 지속적으로 모니터링해야 하는 이유는 무엇이며, 데이터 드리프트(Data Drift)와 컨셉 드리프트(Concept Drift)를 감지하는 방법과 대응 전략에 대해 설명해 주세요.
- 대규모 프로덕션 환경에서 모델 성능 저하를 일으키는 데이터 드리프트(Data Drift)와 컨셉 드리프트(Concept Drift)를 효과적으로 탐지하고, 이를 자동으로 완화하기 위한 MLOps 시스템 설계 방안에 대해 설명하고, 재학습(Retraining) 전략과 롤백(Rollback) 메커니즘을 포함하여 구체적인 구현 방안을 제시하시오.