PyTorchKR Papers

최신 논문

총 6편
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.

arXiv:2610.01282v1cs.AI

지능형 교통 시스템 및 물류를 위한 신뢰할 수 있는 데이터옵스 및 엠엘옵스

Trustworthy Data- and ML-Ops for Intelligent Transportation Systems and Logistics

지능형 교통 시스템 및 물류(ITS&L)의 급격한 발전은 현대 사회 경제의 초석이 되었으며, 데이터, 인공지능(AI), 그리고 구체적으로 머신러닝(ML)의 통합에 크게 의존하고 있습니다. 본 논문은 ITS&L 영역에서 신뢰할 수 있는 데이터 및 머신러닝 운영(DataOps 및 MLOps)에 대한 포괄적인 리뷰를 제공하며, 교통 및 물류 서비스 내에서 효율성, 신뢰성, 그리고 의사결정 정밀도를 개선하는 데 있어 이들의 중요성을 강조합니다. 먼저 기존 문헌의 공백을 식별하여 본 연구 기여의 명확한 맥락을 제시합니다. 이어서 DataOps와 MLOps의 복잡성을 탐색하고, ITS&L과 관련된 필요성, 핵심 구성요소, 활용 가능한 도구, 실무적 통찰, 그리고 사례 연구를 논의합니다. 아울러 AI 애플리케이션의 신뢰성(Trustworthiness)이라는 중요한 문제를 다루며, 특히 실제 ITS&L 시나리오에서 AI 시스템에 대한 확신을 강화하도록 설계된 방법과 도구를 검토합니다. 마지막으로 빠르게 발전하는 이 분야에서 지속되는 해결 과제와 향후 전망을 논의함으로써 연구자, 산업계 실무자 및 정책 입안자에게 중요한 자료를 제공하는 것을 목표로 합니다. 전반적으로 본 연구는 ITS&L 분야의 DataOps 및 MLOps에 대한 기초적인 이해를 확립할 뿐만 아니라, 더 효율적이고 지속 가능하며 신뢰할 수 있는 지능형 교통 및 물류 시스템 개발을 위한 추가 연구와 혁신의 길을 제시합니다.

arXiv:2607.10126v1cs.SE

ML in a Box: 오픈소스 ML 프로젝트의 컨테이너화 관행 분석

ML in a Box: Analyzing Containerization Practices in Open Source ML Projects

컨테이너화는 재현성, 이식성, 환경 일관성을 제공하며 머신러닝(ML) 분야에서 점점 더 필수적인 요소가 되고 있다. 기존 연구들이 Dockerfile 구조와 모범 사례를 분석해왔으나, ML 워크플로우의 반복적 특성이 컨테이너 용량, 빌드 성능, 캐싱 동작에 미치는 영향을 ML 프로젝트에 특화하여 심층 분석한 연구는 없었다. 본 논문에서는 1,993개의 ML 관련 Dockerfile을 대상으로 한 최초의 대규모 실증 연구를 제시하며, ML 프로젝트 내 컨테이너 역할 및 빌드 동작에 대한 정량적 분석과 리팩토링 관행에 대한 정성적 조사를 결합하였다. 분석 결과, 컨테이너는 학습(training), 추론(inference), 인프라 전반에 걸쳐 각기 다른 역할을 수행함을 확인하였다. 컨테이너 크기는 평균 10.27 GB로 크며, 빌드 시간은 약 8.84분으로 길게 소요된다. 전체 커밋의 44.4%가 재빌드를 유발하는데, 이는 주로 컨텍스트 파일 변경(96.4%)에 기인하며, 재빌드를 시작하는 커밋의 주된 동기는 실험임을 확인하였다. 부분적인 캐시 재사용에도 불구하고 재빌드 작업의 71%가 중복 연산으로 낭비된다. 안정적인 프로젝트들로부터 빌드 효율을 높이고 컨테이너 용량을 줄이는 7가지 반복적인 ML 특화 Dockerfile 리팩토링 패턴을 도출하였다.

arXiv:2607.02731v1cs.SE

SMOCS: 프로덕션 환경에서 ML 시스템의 간소화된 배포, 모니터링, 최적화를 위한 스트리밍 프레임워크

SMOCS: A Streaming Framework for Simplified Deployment, Monitoring, and Optimization of ML Systems in Production

머신러닝은 과학 시설의 실시간 모니터링, 최적화, 제어에 있어 상당한 잠재력을 입증해 왔다. 그러나 운영 환경에서 ML 모델을 배포하고 유지관리하는 것은 여전히 상당한 엔지니어링 과제로 남아 있다. 각 시설마다 고유한 데이터 프로토콜, 비표준 포맷, 인프라 제약이 존재하여, 팀들이 새로운 애플리케이션마다 통합 파이프라인을 처음부터 재구축해야 하는 상황이 발생한다. 본 논문에서는 이러한 과제를 세 가지 기여를 통해 해결하는 Kafka 기반 컨테이너화 프레임워크인 SMOCS(Streaming Monitoring Optimization and Control System)를 제안한다: 1) 인프라와 애플리케이션 로직을 분리하는 Apache Kafka 상의 계층적 추상화, 2) 데이터 수집, 모델 학습, 실시간 추론을 시간적으로 분리하여 라이브 데이터 스트림으로부터의 지속적인 온라인 학습을 가능하게 하는 3-스레드 에이전트 아키텍처, 3) 소프트웨어 엔지니어링 전문 지식 없이도 도메인 전문가가 ML 파이프라인을 운영할 수 있게 하는 구성 기반 배포 모델. SMOCS는 시설 플랫폼에 독립적이며, 설계상 결함 격리가 적용되고, Docker 컨테이너화를 통해 수평적 확장이 가능하다. 본 프레임워크는 Jefferson Lab Github에 오픈소스 소프트웨어로 공개되어 있다.

arXiv:2606.17915v1cs.MA

신뢰할 수 있는 자기 구성 가능 Big-Data-as-a-Service: 자동화된 데이터 엔지니어링, AutoML, MLOps 배포 및 드리프트 인식 수명주기 최적화를 위한 LLM 오케스트레이션 다중 에이전트 프레임워크

Trustworthy Self-Composable Big-Data-as-a-Service: An LLM-Orchestrated Multi-Agent Framework for Automated Data Engineering, AutoML, MLOps Deployment, and Drift-Aware Lifecycle Optimization

Big-Data-as-a-Service(BDaaS) 플랫폼은 데이터 수집, 정제, 특징 엔지니어링, 모델 개발, 배포, 배포 후 모니터링 전반에 걸쳐 신뢰할 수 있는 자동화를 필요로 한다. 그러나 기존 LLM 기반 데이터 과학 에이전트와 AutoML 시스템은 주로 고립된 워크플로우 단계에 초점을 맞추어, 수명주기 수준의 오케스트레이션, 아티팩트 거버넌스, 인간 감독, 드리프트 인식 적응에 대한 지원이 제한적이다. 본 논문은 LLM 오케스트레이션 다중 에이전트 협업에 기반한 신뢰할 수 있는 자기 구성 가능 BDaaS 프레임워크를 제안한다. 제안된 아키텍처는 BDaaS 수명주기를 데이터 수집, 데이터 정제, 특징 엔지니어링, AutoML 학습, 모델 평가, MLOps 배포, 모니터링, 드리프트 탐지를 담당하는 전문화된 에이전트로 분해한다. 중앙 LLM 오케스트레이션 층은 에이전트 실행을 조율하고, 중간 출력을 검증하며, 워크플로우 컨텍스트를 관리하고, 동적 워크플로우 구성을 가능하게 한다. 해당 프레임워크는 또한 공유 아티팩트 거버넌스, 재현성 지원, human-in-the-loop 체크포인트, 드리프트 인식 피드백 루프를 통합한다. 프로토타입 기반 평가는 결측값, 범주형 변수, 이상치, 클래스 불균형, 시뮬레이션된 공변량 드리프트가 있는 통제된 표 형식 벤치마크 데이터셋을 사용하여 수행되었다. 수동 ML, AutoML 단독, 단일 에이전트 LLM 베이스라인과 비교하여, 제안된 다중 에이전트 BDaaS 파이프라인은 워크플로우 완료, 아티팩트 추적 가능성, 배포 준비도, 재현성, 드리프트 복구를 포함한 수명주기 수준의 신뢰성을 개선하면서 경쟁력 있는 예측 성능을 달성한다. 결과는 LLM 오케스트레이션 다중 에이전트 시스템이 기존 AutoML을 신뢰할 수 있고 적응적이며 프로덕션 지향적인 BDaaS 수명주기 자동화로 확장할 수 있음을 시사한다.

arXiv:2606.06535v1cs.SE

ML 모델 통합 및 배포를 위한 아키텍처적으로 중요한 MLOps 가이드라인: 그레이 문헌 리뷰

Architecturally Significant MLOps Guidelines for ML Model Integration and Deployment: a Gray Literature Review

배경. 머신러닝 운영(MLOps)의 채택이 증가하고 있음에도, 통합된 아키텍처 지침이 부족하여 팀들은 종종 MLOps 프로젝트를 임시방편적으로 접근한다. 특히 ML 모델의 통합 및 배포와 관련하여 MLOps 시스템의 아키텍처 설계를 위한 지식을 종합하는 참고 자료가 커뮤니티에 도움이 될 것이다. 목적. 이에 대응하여, 우리의 목표는 MLOps 시스템에서 ML 모델의 통합 및 배포를 위한 아키텍처적으로 중요한 가이드라인에 대한 포괄적인 개요를 제공하는 것이다. 방법. MLOps 모델 통합 및 배포에 대한 실무 현황(state-of-practice) 지식을 분석하기 위해 103개의 웹 소스에 대한 그레이 문헌 리뷰를 수행한다. 그런 다음 주제 분석(thematic analysis)을 적용하여 이러한 관행들을 권장 가이드라인으로 종합한다. 결과. 모델 통합 및 배포를 위한 25개의 아키텍처적으로 중요한 MLOps 가이드라인 모음을 5개 범주로 구성하여 기여하며, 이들이 전체 시스템 아키텍처에 미치는 영향을 설명한다. 결론. 우리의 결과는 연구자와 실무자가 자신의 MLOps 시스템에서 ML 모델의 통합 및 배포를 수행하는 데 도움이 되도록, 실무 현황 MLOps 가이드라인의 개요로서 역할한다.