OPs의 종류와 정의 - [MLOps, DevOps, AIOps, DataOps, ModelOps]

데이터 분석 및 AI 과제들을 진행하면서 MLOps라는 개념을 알게 되었다.

ML 프로젝트의 생명주기를 표준성과 편리성을 증대시켜주는 MLOps,

그리고 MLOps의 모티브가 된 DevOps.

요즘에는 DataOps, AIOps, ModelOps라는 단어도 심심치 않게 들려온다.

대충 보아하니 비슷해보이는데, 정확안 정의를 알아보기위해 포스팅을 하게 되었다.

 

1. DevOps

저 수많은 Ops의 원조는 바로 DevOps이다.

개발(Development)과 운영(Operations)의 합성어로 소프트웨어의 개발자와 운영자간의 소통과 협업을 의미하는 개발문화이다.

개발파트와 운영파트가 원활하게 소통 및 협업하고 소프트웨어 제품 및 서비스를 신속하게 개발하고 배포하는 것을 목적으로 한다.

 

2. MLOps

DevOps의 개념에 머신러닝의 개념을 추가한 것이 MLOps이다.

많은 기업들이 머신러닝의 연구단계를 넘어서 실제 적용 및 운영 단계에 이르렀다.

적용 및 운영을 하려다보니 소수 모델을 돌리는 연구환경과는 다르게 Ops의 문제에 직면했고,

이를 해결하기 위해서 DevOps를 차용하여 MLOps라는 용어가 등장하였다.

따라서, MLOps는 개발된 머신러닝 모델을 안정적이고 효율적으로 배포 및 관리하는 것을 목적으로 한다.

 

3. AIOps

ML(머신러닝), DL(딥러닝), AI(인공지능) 세가지 단어는 혼용되기도 하는데 AIOps는 무엇일까?

AIOps는 소프트웨어의 운영(Ops)에 나타나는 다양한 도전과제를 AI를 활용하여 해결하는 것을 목적으로 한다.

즉, AI에 대한 운영을 하는 것이 아닌 운영에 대한 문제를 AI로 풀어낸다고 생각하면 된다.

 

4. ModelOps

ModelOps는 개발의 범위를 머신러닝뿐만 아니라 다양한 모델들 포함하는 개념이다.

우리가 모델을 붙여서 부르는 것들(머신러닝 모델, 딥러닝 모델, 선형회귀 모델 등)이 모두 ModelOps의 범위에 포함된다.

 

5. DataOps

DataOps는 비즈니스에 적합하며 빠르게 활용가능한 데이터를 찾는 방법론이다.

프로젝트 또는 서비스에서 사용되는 데이터를 효과적으로 추적 및 관리하는 것을 목적으로 한다.

데이터라는것이 항상 일정하지않고 특징의 변화가 일어날 수 있기 떄문에,

안정적인 서비스를 하기 위해서는 이러한 변화를 탐지하고 추적 할 수 있는 DataOps의 개념이 필요하다.