결론

기계 학습이 연구 분야에서 응용 분야로 전환됨에 따라 다양한 산업에서 ML 파이프라인 개발, 배포 및 운영이 매년 25% 씩 성장하고 있습니다. ML의 비즈니스 가치는 일상적인 ML 운영 및 파이프라인을 통해 실현되며, 이는 결과적으로 ML 모델 및 알고리즘의 연구 개발을 주도합니다. 하지만 ML을 프로덕션 환경에 배포하는 것은 데이터 관리, 처리, 분석, 모델링, 검증, 보안 등 매우 다양한 활동과 아티팩트가 뒤섞여 있기 때문에 많은 어려움을 안겨줍니다. Data Science 팀은 AWS 고객과의 수많은 AI/ML 계약을 통해 주요 문제가 다양한 ML DevOps 활동 및 아티팩트를 최적으로 통합하거나 분리하기 위한 템플릿 세트를 제공하는 엔드 투 엔드 워크플로의 부재라는 것을 알게 되었습니다. 이 가이드에서는 이 시급한 문제를 해결하기 위한 ML Max 워크플로를 제시했습니다. ML Max는 단계별 지침과 일련의 프로그래밍 템플릿을 제공합니다. 목표는 대화형 모델 개발 단계에서 프로덕션 준비가 완료된 완전하고 확장 가능한 ML 파이프라인 구성으로 빠르고 비용 효율적으로 전환할 수 있도록 하는 것입니다.