Core Concepts
본 논문은 기계 학습 운영의 지속 가능성을 향상시키기 위해 MAPE-K 루프를 활용한 자기 적응 접근법을 제안한다. 이를 통해 데이터 변동, 요구사항 변화, 모델 불안정성 등의 불확실성에 자율적으로 대응할 수 있다.
Abstract
이 논문은 기계 학습 시스템(MLS)의 지속 가능성 향상을 위한 접근법을 제안한다. 기계 학습 운영(MLOps)은 MLS의 적응성과 기술적 지속 가능성을 높이지만, 환경적 영향, 기술적 유지보수, 경제적 문제 등의 과제에 직면한다. 자기 적응은 이러한 불확실성을 해결할 수 있는 잠재적 솔루션으로 부상했다.
제안하는 접근법은 MAPE-K 루프를 통해 자기 적응 원리를 MLOps 아키텍처에 통합한다. 데이터, 모델 역학, 환경 변화 등의 불확실성에 자율적으로 대응함으로써 설계 단계에서 식별된 MLOps 파이프라인의 지속 가능성 문제를 해결하고자 한다.
스마트 시티 사례 연구를 통해 제안 방법의 실용성을 입증한다. 공기질 예측 파이프라인에 대한 의사결정 맵을 작성하고, 모델 drift와 높은 에너지 소비 문제를 해결하기 위한 자기 적응 전략을 구현한다. 실험 결과, 제안 방법이 성능과 CPU 소비 간 균형을 달성함을 보여준다.
Stats
모델 전환 시 R2 점수가 0.90에서 0.94로 향상되었고, 평균 CPU 소비가 32% 감소했다.
Quotes
"본 논문은 MAPE-K 루프를 활용한 자기 적응 원리를 MLOps 아키텍처에 통합하여 지속 가능성을 향상시키는 새로운 접근법을 제안한다."
"제안 방법은 데이터, 모델 역학, 환경 변화 등의 불확실성에 자율적으로 대응함으로써 MLOps 파이프라인의 지속 가능성 문제를 해결하고자 한다."