모델옵스(ModelOps)

한 줄 정의

모델옵스는 개발된 AI 모델을 운영 단계에서 거버넌스 관점으로 관리하는 체계다.

기계학습뿐 아니라 규칙, 최적화, 에이전트 기반 모델까지 대상으로 한다.

모델 수가 늘고 규제가 강화되면서 실무 필수 개념이 되었다. 기계학습 모델링과 구분하는 문제는 반복 출제되었다.

모델링과 모델옵스

기계학습 모델링은 개발 단계의 활동이다. 문제 정의부터 하이퍼파라미터 튜닝까지 포함된다.

모델옵스는 모델이 만들어진 뒤의 단계다. 배포, 모니터링, 재학습, 승인·감사, 폐기가 중심이다.

모델링은 정확한 모델을 만드는지, 모델옵스는 운영 중에도 쓸 만한지를 본다.

두 활동은 순서로 이어진다. 모델링의 산출물이 모델옵스의 입력이 된다.

구성요소

구성요소는 모델 저장소, 배포 파이프라인, 모니터링, 재학습 관리, 거버넌스다.

모델 저장소는 메타모델과 버전을 보관하고, 배포 파이프라인은 승인 후 CI/CD로 배포한다.

거버넌스는 승인 흐름과 감사 기록을 맡는다. 편향 점검과 규제 준수도 여기에 든다.

기계학습뿐 아니라 규칙, 최적화, 에이전트 모델까지 함께 관리하는 점이 MLOps와 다르다.

운영 순환

모델은 배포된 뒤 데이터가 변하면 성능이 떨어진다.

모니터링 결과가 기준을 넘으면 재학습이나 폐기를 결정한다.

재학습 모델은 다시 등록 단계부터 승인 절차를 거친다.

승인과 감사 기록이 각 단계에 걸려 있어 규제 산업에서도 추적이 가능하다.

재학습 트리거 계산

가상의 예로 신용평가 모델의 정확도 저하율로 재학습 시점을 정해 본다.

하락률은 기준과 측정 정확도의 차이를 기준 정확도로 나눈 뒤 100을 곱한다.

1개월 후 정확도 0.88의 하락률을 직접 구해 보자.

판정 결과

1개월 후 하락률은 2.2%로 5% 미만이라 트리거가 작동하지 않는다.

2개월 후 하락률은 4.4%로 역시 5% 미만이다.

3개월 후 정확도가 0.85면 하락률이 5.6%가 되어 임계값을 넘는다. 그래서 재학습을 요청한다.

이 판정은 임계값을 모니터링 규칙으로 옮긴 것이다. 답안에는 임계값과 판정 절차를 함께 쓴다.

MLOps와 ModelOps

모델옵스와 MLOps는 같은 개념이 아니다. MLOps가 ModelOps의 출발점이라 혼동된다.

MLOps는 기계학습 모델의 파이프라인 자동화에, ModelOps는 모든 AI 모델의 거버넌스에 초점을 둔다.

시험에서는 개발과 운영을 구분하고, 드리프트 탐지와 재학습 트리거를 빠뜨리지 않는다.

모델옵스는 배포 이후 모든 AI 모델의 생명주기를 거버넌스 규칙으로 통합 관리하는 운영 체계다.