[논문 리뷰] Machine Learning Operations (MLOps): Overview, Definition, and Architecture

Dominik Kreuzberger, Niklas Kühl외 1명|arXiv (Cornell University)|2022. 05. 04.

Industrial Vision Systems and Defect Detection인용 수 50

한 줄 요약

이 논문은 MLOps에 대한 집계된 개요를 제공하며, 정의, 아키텍처, 원칙, 구성요소, 역할, 워크플로우, 및 혼합 방법 연구를 기반으로 한 열린 도전을 제시한다.

ABSTRACT

The final goal of all industrial machine learning (ML) projects is to develop ML products and rapidly bring them into production. However, it is highly challenging to automate and operationalize ML products and thus many ML endeavors fail to deliver on their expectations. The paradigm of Machine Learning Operations (MLOps) addresses this issue. MLOps includes several aspects, such as best practices, sets of concepts, and development culture. However, MLOps is still a vague term and its consequences for researchers and professionals are ambiguous. To address this gap, we conduct mixed-method research, including a literature review, a tool review, and expert interviews. As a result of these investigations, we provide an aggregated overview of the necessary principles, components, and roles, as well as the associated architecture and workflows. Furthermore, we furnish a definition of MLOps and highlight open challenges in the field. Finally, this work provides guidance for ML researchers and practitioners who want to automate and operate their ML products with a designated set of technologies.

연구 동기 및 목표

• 연구자와 실무자를 위해 MLOps를 정의하고 그 범위를 명확히 한다.
• 문헌, 도구, 전문가 의견으로부터 원칙, 구성요소, 역할을 집계한다.
• 자동화된 ML 제품 운영을 가능하게 하는 아키텍처와 워크플로를 설명한다.
• 적용을 위한 개방형 도전과제를 식별하고 MLOps 기술 도입에 대한 지침을 제공한다.

제안 방법

• 기존의 개념과 실천을 합성하기 위해 문헌 조사를 수행한다.
• 이용 가능한 MLOps 기술과 생태계를 평가하기 위한 도구 조사를 수행한다.
• 실무자 관점을 포착하기 위해 전문가 인터뷰를 수행한다.
• 원칙, 구성요소 및 아키텍처에 대한 집계된 개요를 제공한다.
• 수집된 증거를 바탕으로 MLOps의 정의를 제시한다.

실험 결과

연구 질문

• RQ1 MLOps를 구성하는 요소는 무엇이며 연구와 실무를 위해 어떻게 정의되어야 하는가?
• RQ2 MLOps에서 필수 원칙, 구성요소 및 역할은 무엇인가?
• RQ3 ML 제품의 신뢰할 수 있는 운영을 가능하게 하는 아키텍처와 워크플로우는 무엇인가?
• RQ4 현실 세계에서 MLOps를 적용할 때 남아 있는 개방형 도전과제는 무엇인가?

주요 결과

• MLOps는 ML 제품 배포 및 운영을 둘러싼 원칙, 개념, 개발 문화로 구성된다.
• 필수 구성요소, 역할, 아키텍처 및 워크플로의 집계된 집합이 구현을 안내할 수 있다.
• Open challenges in MLOps include standardization, tooling integration, and operationalizing ML in production.
• The paper provides guidance for researchers and practitioners on selecting and applying technologies to automate and operate ML products.