PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2608.29615v2cs.MA

자율형 클라우드 MLOps를 위한 현장 배치형 풀스택 엔지니어링

Forward-Deployed Full-Stack Engineering for Autonomous Cloud MLOps

산업 전반에서 머신러닝 시스템은 예측 및 이상 탐지부터 시계열 예측, 최적화(optimization), 스케줄링에 이르는 다양한 애플리케이션을 지원하고 있지만, 이러한 시스템을 운영화(operationalizing)하려면 애플리케이션 개발, 모델 파이프라인, 클라우드 인프라, 보안, 배포, 모니터링, 재학습, 복구 및 롤백 간의 긴밀한 조율이 필요합니다. 본 논문에서는 자연어 기반의 MLOps 클라우드 엔지니어링 작업을 검증된 저장소 및 운영 클라우드 배포로 변환하는 증거 게이트 기반 멀티 에이전트(multi-agent) 프레임워크를 제시합니다. 이 프레임워크는 그래프 엔지니어링, 루프 엔지니어링 및 에이전트 하네스 엔지니어링을 결합합니다. 상태 저장형 그래프 오케스트레이터(Graph Orchestrator)는 워크플로 의존성, 증거 게이트, 재시도 제한, 복구 경로 및 종료를 관리하면서 저장소 생성, 리뷰, 실행, 검증, 릴리스, 모니터링을 담당하는 특화된 에이전트들을 조율합니다. 중대한 생애주기 전이는 필요한 조건(predicate)이 검증 가능한 실행 또는 런타임 증거로 뒷받침될 때만 진행됩니다. 검증 실패 시 한계가 지정된 반추(reflection), 복구 및 재검증이 활성화되며, 실패, 드리프트, 성능 저하 또는 정책 위반에 대한 런타임 증거가 발견되면 한계가 지정된 적응, 복구 또는 롤백이 트리거될 수 있습니다. 에이전트 하네스 엔지니어링은 제어된 기능과 격리된 실행 환경을 통해 저장소 생성, 리뷰, 복구, 아티팩트 실행 및 클라우드 작업을 제한합니다. Google Cloud Platform 상에서 이 프레임워크를 구현하고 저장소 완성도, 제어된 실행, 증거 게이트 기반 전이, 클라우드 승격 및 한계 복구를 평가(evaluation)합니다. 실험 결과에 따르면 본 프레임워크는 근거 없는 생애주기 전이를 방지하고 각 실행을 검증된 운영 배포 또는 감사 가능한 최종 실패로 이끕니다.