Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
MLOps 프로젝트의 체계적인 설계를 위해 ML 모델 통합 및 배포 시 고려해야 할 아키텍처 가이드라인을 제안합니다. 103개의 회색 문헌을 분석하여 5가지 범주, 25개의 주요 가이드라인을 도출했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기배경 (Context). 머신러닝 운영 (MLOps)의 채택이 증가하고 있음에도 불구하고, 통합된 아키텍처 가이드라인의 부족으로 인해 팀들은 종종 MLOps 프로젝트에 임시방편적 (ad hoc)으로 접근합니다. 커뮤니티는 특히 ML 모델의 통합 및 배포와 관련하여, MLOps 시스템의 아키텍처 설계를 안내할 수 있도록 지식을 합성한 참조 자료를 통해 도움을 받을 수 있을 것입니다. 목적 (Objective). 이에 대응하여, 우리의 목표는 MLOps 시스템 내 ML 모델의 통합 및 배포를 위한 아키텍처 측면의 주요 가이드라인에 대한 포괄적인 개요를 제공하는 것입니다. 방법 (Method). 우리는 MLOps 모델 통합 및 배포에 관한 실무 지식을 분석하기 위해 103개의 웹 소스를 대상으로 회색 문헌 검토 (gray literature review)를 수행합니다. 그런 다음 주제 분석 (thematic analysis)을 적용하여 이러한 관행들을 권장 가이드라인으로 합성합니다. 결과 (Results). 우리는 모델 통합 및 배포를 위한 25개의 아키텍처 측면의 주요 MLOps 가이드라인 모음을 5가지 범주로 구성하여 기여하며, 이것이 전체 시스템 아키텍처에 미치는 영향을 설명합니다. 결론 (Conclusion). 우리의 결과는 연구자와 실무자들이 자신의 MLOps 시스템에서 ML 모델을 통합하고 배포하는 것을 지원하기 위한 실무 MLOps 가이드라인의 개요 역할을 합니다.