MLOps의 개념부터 도입과 활용까지,
성공적인 머신러닝 운영화를 위한 실용 가이드!

오늘날 데이터 사이언스와 AI는 IT 분야뿐 아니라 제조, 구매, 유통, 마케팅, 반도체, 자동차, 식품 등 산업 전 분야에 걸쳐 기업 생존의 필수 요소로 인식되어 경쟁적으로 도입되고 있다. 이러한 데이터 사이언스와 AI 프로젝트의 핵심에 MLOps가 놓여 있다.

이 책은 비즈니스 환경에서 머신러닝 적용 실무를 담당하는 데이터 분석 팀 또는 IT 운영 팀의 관리자들을 대상으로 한다. MLOps가 새로운 영역이라는 점을 감안하여, MLOps 환경을 성공적으로 구축하기 위한 가이드 역할을 제대로 할 수 있도록 머신러닝 전문가 9명(데이터이쿠)이 조직적 이슈부터 기술적 이슈까지 꼼꼼하게 다루었다.

◐ MLOps 핵심 개념: MLOps를 성공적으로 실행하기 위한 원칙과 구성 요소, 이해관계자들의 역할과 책임
◐ MLOps 적용 방법: 머신러닝 모델 생애주기 다섯 단계에 따라 MLOps 프로세스를 도입하는 방법 소개
◐ MLOps 실제 사례: MLOps의 실제 구축 형태와 그 의미를 알 수 있도록 대표적인 비즈니스 활용 사례들 제시

PART 1 MLOps 개념과 필요성
CHAPTER 1 왜 지금이고 도전 과제는 무엇인가
1.1 MLOps와 도전 과제 정의하기
1.2 리스크를 경감하기 위한 MLOps
1.3 확장을 위한 MLOps
1.4 마치며

CHAPTER 2 MLOps 이해관계자들
2.1 직무 전문가
2.2 데이터 과학자
2.3 데이터 엔지니어
2.4 소프트웨어 엔지니어
2.5 DevOps
2.6 모델 리스크 관리자/감리인
2.7 머신러닝 아키텍트
2.8 마치며

CHAPTER 3 MLOps의 핵심 기능
3.1 머신러닝 입문
3.2 모델 개발
3.3 제품화 및 배포
3.4 모니터링
3.5 반복 및 생애주기
3.6 거버넌스
3.7 마치며

PART 2 MLOps 적용 방법
CHAPTER 4 모델 개발
4.1 머신러닝 모델이란?
4.2 데이터 탐색
4.3 특성 엔지니어링 및 특성 선택
4.4 실험
4.5 모델 평가 및 비교
4.6 버전 관리 및 재현 가능성
4.7 마치며

CHAPTER 5 상용화 준비
5.1 실행 환경
5.2 모델 리스크 평가
5.3 머신러닝에 대한 품질 검증
5.4 테스트에 대한 핵심 고려 사항
5.5 재현 가능성과 감사 가능성
5.6 머신러닝 보안
5.7 모델 리스크 경감
5.8 마치며

CHAPTER 6 상용 배포
6.1 CI/CD 파이프라인
6.2 머신러닝 아티팩트 개발
6.3 배포 전략
6.4 컨테이너화
6.5 배포 확장
6.6 요구사항과 도전 과제
6.7 마치며

CHAPTER 7 모니터링과 피드백 루프
7.1 모델을 얼마나 자주 재학습시켜야 할까?
7.2 모델 성능 저하
7.3 드리프트 감지
7.4 피드백 루프
7.5 마치며

CHAPTER 8 모델 거버넌스
8.1 조직에 어떤 거버넌스가 필요한지 누가 결정하는가?
8.2 리스크 수준에 거버넌스 맞추기
8.3 MLOps 거버넌스를 주도하는 현행 규정
8.4 AI 관련 규정의 최신 동향
8.5 책임 있는 AI의 등장
8.6 책임 있는 AI의 핵심 요소
8.7 MLOps 거버넌스 템플릿
8.8 마치며

PART 3 MLOps 실제 사례
CHAPTER 9 소비자 신용 리스크 관리
9.1 배경: 비즈니스 활용 사례
9.2 모델 개발
9.3 모델 편향성에 대한 고려 사항
9.4 상용화 준비
9.5 상용 배포
9.6 마치며

CHAPTER 10 마케팅 추천 엔진
10.1 추천 엔진의 반란
10.2 데이터 준비
10.3 실험 설계 및 관리
10.4 모델 학습 및 배포
10.5 파이프라인 구조와 배포 전략
10.6 모니터링과 피드백
10.7 마치며

CHAPTER 11 소비 예측
11.1 전력 시스템
11.2 데이터 수집
11.3 문제 정의: 머신러닝인가, 머신러닝이 아닌가?
11.4 공간 및 시간 해상도
11.5 구현
11.6 모델링
11.7 배포
11.8 모니터링
11.9 마치며

찾아보기