최근 인공지능(AI)은 기업에서 주요 비즈니스 문제를 해결하고 향후 활동을 예측하며, 불과 몇 년 전까지 만해도 불가능했던 다양한 방식으로 데이터를 활용하는 데 사용되고 있다.

그러나 예측 알고리즘을 만드는 것이 혁신적인 도구와 기술을 사용하는 데이터 과학자 및 AI 개발자들의 표준 관행이 되었지만 기업은 AI 여정에서 알고리즘을 효과적으로 배포하고 유지 관리하는 데 여전히 어려움을 겪고 있다.

AI가 계속 확산됨에 따라 특정 비즈니스 문제를 해결하기 위해 배포된 알고리즘의 종류도 계속 증가하고 있다. 조직은 새로운 문제를 해결하기 위해 수시로 알고리즘을 배포해야 하는 것과 그 복잡성으로 따르는 과제에 봉착하고 있다.

이 과제와 점점 늘어나는 알고리즘과 AI 라이프 사이클을 자동화하고 AI 모델 운영화에 혁신적인 방법이 무엇인가에 대한 관심이 집중되고 있다. 여기에, 가장 이상적인 방법으로 대두되고 있는 것이 ‘모델옵스(이하, ModelOps)’이다.

ModelOps는 가트너(Gartner)에서 정의한대로 주로 머신러닝, 지식 그래프, 규칙, 최적화 및 언어를 포함한 광범위한 AI 및 의사 결정 모델의 거버넌스 및 수명주기 관리에 중점을 두고 있으며, AI 모델의 재조정, 재학습 또는 재구축을 지원하여 AI 기반 시스템 내에서 모델의 개발, 운영 및 유지 관리 사이에 중단 없는 프로세스를 제공한다.

또한 데이터 과학자나 AI 개발자들이 설명할 필요 없이 AI 모델을 평가할 수 있는 기능을 투명하고 이해하기 쉬운 방식으로 비즈니스 관리자 및 경영진에 모델 성능 및 결과에 대한 통찰력을 제공한다.

특히, AI 모델을 프로덕션에 적용한 다음 기술 및 비즈니스 핵심성과지표(Key Performance Indicator, 이하, KPI)를 포함한 일련의 거버넌스 규칙에 따르는 애플리케이션을 평가하고 업데이트 하는 것부터 기업에서 모든 모델의 수명주기를 조율하고 AI의 롤아웃 및 유지 관리를 효과적으로 자동화하고 지속적으로 향상되고 가치를 높이고 있다.

이는 소프트웨어 개발 수명주기를 단축하고 지속적인 업데이트를 지원하기 위해 소프트웨어 개발 및 IT 운영을 통합하는 일련의 데브옵스(DevOps)와 많은 유사점을 공유하고 있다. 두 사례 모두 소프트웨어 엔지니어 또는 데이터 과학자와 IT 간의 사일로를 제거하여 프로젝트를 보다 쉽게 ​​실행하고 원활하게 작업할 수 있도록 하는 것이다.

기업은 ModelOps를 효과적으로 시작하고 AI 개발 및 배포를 위한 핵심 방법론이 되도록 하는 프로세스를 표준화 및 자동화하기 위해서 기업은 사일로 제거, 현재 상황 평가, 운영 및 자동화 규칙 수립, KPI 모니터링 등이 필수적으로 따라야 한다.

결론적으로 기업, 정부 및 기타 기관이 복잡한 문제를 해결하기 위해 수백 개의 알고리즘에 계속 의존함에 따라 모든 문제를 관리해야 하는 필요성이 점점 더 커지고 있는 가운데 ModelOps는 AI를 그 어느 때보다 더 빠르고 효율적으로 배포할 수 있도록 지원하는 동시에 기업이 AI를 더욱 지능적이고 관련성 있게 구축하면서 변화하는 시장 요구에 빠르게 적응할 수 있도록 지원한다.

그러나 ModelOps를 성공적으로 구현하려면 기존의 틀을 깨야 한다. 물론 변화가 쉬운 것은 아니다. 그러나 지금과 같은 데이터 중심의 디지털 경제에서는 분석 모델을 더 빠르고 더 효과적으로 배포할수록 더 많은 가치 창출을 기대할 수 있기 때문인 것이다.

아울러 조직 내에서 진정한 성공과 AI의 가치를 극대화하기 위해서는 데이터 과학자 및 AI 개발자, 운영팀 및 회사 전반에 걸친 협업이 필요하며, 이러한 목표가 달성되면 ModelOps는 개선되고 AI 개발과 배포를 향한 마지막 관문을 통과하는 데 진정으로 유용하고 혁신적인 전략이 될 수 있는 것이다.