머신 러닝, 딥러닝 프로젝트를 추진할 때 번거로운 수작업, 단순 반복적인 일을 줄이면 어떤 변화가 일어날까요? 데이터 과학자와 AI 개발자는 핵심 코드에 집중할 시간을 벌게 됩니다. 그리고 같은 시간에 더 많은 결과를 거둘 수 있습니다. 그렇다면 실제 어느 정도 프로젝트 효율이 높아질까요? Valohai 같은 머신 러닝, 딥러닝 관리 플랫폼을 쓰면 1주일 이상 걸리던 프로젝트 환경 조성을 몇 시간이면 마치고 바로 개발, 트레이닝, 추론 등 중요한 작업을 시작할 수 있습니다.
데이터 과학자와 AI 개발자가 더 빠른 시간에 결과를 낼 수 있다면? 조직 측면에서 누릴 수 있는 효과는 흔히 말하는 AI 기반 서비스나 상품 출시 속도를 앞당겨 'Time to Market' 경쟁력을 강화할 수 있습니다. 이런 이유로 Valohai 같은 머신 러닝, 딥러닝 관리 플랫폼을 이용하는 것인데요, 이런 유형의 자동화 기반의 관리 환경이 갖추어야 하는 세 가지 핵심 특징을 추려 봤습니다.
Machine Orchestration
· VM 자동 생성, 설정, 배포
· DevOps에서 수작업이 차지하는 비중 최소화
(Valohai의 경우 DevOps 수작업 비중을 80%에서 20%로 낮춤)
Automatic Version Control
· 트레이닝 코드, 파라미터, 데이터 변경 사항 추적
(Valohai 사용 시 변경 사항 추적률을 10%에서 100% 수준으로 끌어올릴 수 있음)
· 모델 개발과 적용 시 따라야 할 데이터 관련 각종 규제 준수 여부도 추적이 가능해야 함
Pipeline Management
· 모델 트레이닝 관련 파이프라인을 자동화하여 필요할 때 자동으로 재트레이닝을 시작
· 지속적 통합(CI) 프로세스 상에서 모델 생성과 트레이닝 관련 수작업을 제거하여 자동화 기반으로 처리
· 피처(Feature) 추출부터 추론 작업까지 매끄럽게 통합 (Valohai의 경우 ML 워크벤치, 주피터 노트북, AWS 서비스 등 현재 프로젝트 팀이 사용 중인 환경과 매끄러운 통합을 지원)
간단히 머신 러닝, 딥러닝 관리 플랫폼을 통해 얻을 수 있는 이점과 이를 실현하기 위해 갖추어야 할 기본 특징을 알아보았습니다. 더 자세한 내용은 uDNA 페이지를 참조 바랍니다.