MLOps 도입 가이드

PART 1 MLOps 개념과 필요성
CHAPTER 1 왜 지금이고 도전 과제는 무엇인가
1.1 MLOps와 도전 과제 정의하기
1.2 리스크를 경감하기 위한 MLOps
1.3 확장을 위한 MLOps
1.4 마치며

CHAPTER 2 MLOps 이해관계자들
2.1 직무 전문가
2.2 데이터 과학자
2.3 데이터 엔지니어
2.4 소프트웨어 엔지니어
2.5 DevOps
2.6 모델 리스크 관리자/감리인
2.7 머신러닝 아키텍트
2.8 마치며

CHAPTER 3 MLOps의 핵심 기능
3.1 머신러닝 입문
3.2 모델 개발
3.3 제품화 및 배포
3.4 모니터링
3.5 반복 및 생애주기
3.6 거버넌스
3.7 마치며

PART 2 MLOps 적용 방법
CHAPTER 4 모델 개발
4.1 머신러닝 모델이란?
4.2 데이터 탐색
4.3 특성 엔지니어링 및 특성 선택
4.4 실험
4.5 모델 평가 및 비교
4.6 버전 관리 및 재현 가능성
4.7 마치며

CHAPTER 5 상용화 준비
5.1 실행 환경
5.2 모델 리스크 평가
5.3 머신러닝에 대한 품질 검증
5.4 테스트에 대한 핵심 고려 사항
5.5 재현 가능성과 감사 가능성
5.6 머신러닝 보안
5.7 모델 리스크 경감
5.8 마치며

CHAPTER 6 상용 배포
6.1 CI/CD 파이프라인
6.2 머신러닝 아티팩트 개발
6.3 배포 전략
6.4 컨테이너화
6.5 배포 확장
6.6 요구사항과 도전 과제
6.7 마치며

CHAPTER 7 모니터링과 피드백 루프
7.1 모델을 얼마나 자주 재학습시켜야 할까?
7.2 모델 성능 저하
7.3 드리프트 감지
7.4 피드백 루프
7.5 마치며

CHAPTER 8 모델 거버넌스
8.1 조직에 어떤 거버넌스가 필요한지 누가 결정하는가?
8.2 리스크 수준에 거버넌스 맞추기
8.3 MLOps 거버넌스를 주도하는 현행 규정
8.4 AI 관련 규정의 최신 동향
8.5 책임 있는 AI의 등장
8.6 책임 있는 AI의 핵심 요소
8.7 MLOps 거버넌스 템플릿
8.8 마치며

PART 3 MLOps 실제 사례
CHAPTER 9 소비자 신용 리스크 관리
9.1 배경: 비즈니스 활용 사례
9.2 모델 개발
9.3 모델 편향성에 대한 고려 사항
9.4 상용화 준비
9.5 상용 배포
9.6 마치며

CHAPTER 10 마케팅 추천 엔진
10.1 추천 엔진의 반란
10.2 데이터 준비
10.3 실험 설계 및 관리
10.4 모델 학습 및 배포
10.5 파이프라인 구조와 배포 전략
10.6 모니터링과 피드백
10.7 마치며

CHAPTER 11 소비 예측
11.1 전력 시스템
11.2 데이터 수집
11.3 문제 정의: 머신러닝인가, 머신러닝이 아닌가?
11.4 공간 및 시간 해상도
11.5 구현
11.6 모델링
11.7 배포
11.8 모니터링
11.9 마치며

찾아보기