DevOps (Development + Operations) vs MLOps (Machine Learning + Operations)

DevOps와 MLOps

MLOps는 머신러닝(ML) 프로젝트에 특화된 DevOps의 확장 개념입니다. DevOps는 일반적인 소프트웨어 개발과 IT 운영 간의 협업 및 자동화를 목표로 하는 반면, MLOps는 머신러닝 모델의 개발, 배포, 운영 등 전체 수명 주기를 관리하는 데 중점을 둡니다.

---

DevOps (Development + Operations)

DevOps는 소프트웨어 개발(Development)팀과 IT 운영(Operations)팀 사이의 협업을 촉진하는 문화, 철학, 도구 및 방법론입니다.

• 주요 목표: 소프트웨어 개발 생명 주기를 단축하고, 지속적인 통합(CI) 및 지속적인 배포(CD)를 통해 높은 품질의 소프트웨어를 더 빠르게 제공하는 것입니다. 🚀
• 핵심 대상: 소스 코드, 애플리케이션, 인프라 등 정적인 소프트웨어 아티팩트(artifacts)입니다.
• 주요 활동: 코드 작성, 테스트, 빌드, 배포, 모니터링 등을 자동화된 파이프라인으로 구축하는 것입니다.

---

MLOps (Machine Learning + Operations)

MLOps는 머신러닝(Machine Learning) 개발 및 운영에 DevOps 원칙을 적용한 것입니다. 머신러닝 시스템은 코드 외에도 데이터와 모델이라는 두 가지 핵심 요소가 추가되기 때문에 DevOps보다 더 복잡한 관리가 필요합니다.

• 주요 목표: 머신러닝 모델의 개발부터 배포, 그리고 생산 환경에서의 성능 모니터링 및 재학습에 이르는 전체 과정을 자동화하고 표준화하는 것입니다.
• 핵심 대상: 코드뿐만 아니라 데이터셋, 학습된 모델, 특징(Feature) 등 동적인 머신러닝 아티팩트입니다.
• 주요 활동: 데이터 수집 및 전처리, 모델 학습, 모델 버전 관리, 모델 배포, 그리고 성능 저하(Drift) 감지를 위한 모델 모니터링 등을 포함합니다.

---

MLOps와 DevOps의 주요 차이점

구분	DevOps	MLOps
목표	소프트웨어 개발 및 배포 가속화	머신러닝 모델의 개발 및 운영 자동화
주요 요소	코드, 인프라	코드, 데이터, 모델
생명 주기	코드 변경에 따른 빌드, 테스트, 배포	코드, 데이터, 모델 변경에 따른 재학습, 재배포
팀 구성	개발자, IT 운영자	데이터 과학자, 머신러닝 엔지니어, IT 운영자
주요 도전과제	코드 변경 관리, 인프라 자동화	데이터 변화, 모델 성능 저하, 모델 버전 관리
CI/CD	코드 변경 시 자동 빌드 및 배포	코드, 데이터, 모델 변경 시 자동 학습 및 배포