헬스케어 기관들은 의료 기록이 민감하고 규제되며 기관적으로 통제되기 때문에 환자 데이터를 자유롭게 중앙 집중화하기 어려운 경우가 많습니다. 페더레이티드 러닝(Federated Learning)은 병원과 클리닉이 원본 데이터는 로컬에 유지하면서 공유 모델을 훈련할 수 있게 함으로써 실용적인 대안을 제공합니다. 하지만, 페더레이티드 러닝은 기본적으로 프로덕션 레디하거나 프라이버시가 보장되는 것은 아닙니다. 모델 업데이트만으로도 정보가 유출될 수 있으며, 분산된 훈련 환경은 배포(deployment), 모니터링(monitoring), 롤백(rollback), 디버깅(debugging), 그리고 거버넌스(governance) 측면에서 운영상의 어려움을 야기합니다. 본 논문은 MLOps 관행과 새롭게 등장하는 페더레이티드 러닝 오퍼레이션(Federated Learning Operations, FLOps)이라는 아이디어가 어떻게 페더레이티드 헬스케어 머신러닝 시스템을 확장 가능하고, 신뢰할 수 있으며, 믿음직하게 만들 수 있는지 검토합니다. 이 논문은 세 가지 연구 질문에 답합니다: 컨테이너화(containerization)와 오케스트레이션이 페더레이티드 배포를 어떻게 지원하는지, 프라이버시 보존 메커니즘이 프라이버시, 유틸리티, 확장성 및 운영 복잡도 간의 트레이드오프에 어떤 영향을 미치는지, 그리고 장기적인 거버넌스를 위해 가장 중요한 사후 배포 관행은 무엇인지입니다. 핵심 주장은 페더레이티드 헬스케어 ML이 프라이버시 보존 알고리즘 이상의 것을 필요로 한다는 것입니다. 이는 재현 가능한 배포(reproducible deployment), 안전한 오케스트레이션, 모델 버전 관리(model versioning), 감사 로깅(audit logging), 드리프트 모니터링(drift monitoring), 이질성 관리(heterogeneity management), 그리고 명확한 거버넌스를 결합하는 통합 MLOps 아키텍처를 필요로 합니다.