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
한국어 초록
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.
원문 초록
Context. Despite the growing adoption of Machine Learning Operations (MLOps), teams often approach MLOps projects in an ad hoc manner due to the lack of consolidated architectural guidance. The community would benefit from a reference that synthesizes knowledge to inform the architectural design of MLOps systems, especially regarding the integration and deployment of ML models. Objective. In response, our goal is to provide a comprehensive overview of architecturally significant guidelines for the integration and deployment of ML models in MLOps systems. Method. We conduct a gray literature review of 103 web sources to analyze state-of-practice knowledge on MLOps model integration and deployment. We then apply thematic analysis to synthesize these practices into recommended guidelines. Results. We contribute a collection of 25 architecturally significant MLOps guidelines for model integration and deployment, organized into five categories, and describe their impact on the overall system architecture. Conclusion. Our results serve as an overview of state-of-practice MLOps guidelines to support researchers and practitioners with the integration and deployment of ML models in their MLOps systems.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.06535v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
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.
야생에서의 보안 및 프라이버시 프롬프트: 사용자가 LLM에게 묻는 내용과 LLM의 응답 방식
Security and Privacy Prompts in the Wild: What Users Ask LLMs and How LLMs Respond
AI 샌드박스: 위협 모델, 분류 체계 및 측정 프레임워크
AI Sandboxes: A Threat Model, Taxonomy, and Measurement Framework
AGI에서 ASI로
From AGI to ASI
영향력 있는 다원주의적 정렬 연구를 위한 로드맵
A Roadmap to Impactful Pluralistic Alignment Research
Towards Trustworthy Physical Intelligence: From Theory to Practice Across Life Cycle
토론
이 논문과 연결된 포럼 글이 아직 없습니다.