ML 서비스를 효율적으로 운영하기 위해선 좋은 학습 모델 이외에도 많은부분이 필요하다 소프트웨어 . 개발론 중 개발과 운영을 하나의 사이클로 관리하는 DevOps . 는 소프트웨어 개발에서 이제 필수적인 개념이 되었다 최근에는기존 DevOps ML MLOps ML 에 이 합쳐진 라는 새로운 개념이 생겼으며 시스템에서 중요성이 점점 강조되고 있다 본. MLOps Platform 논문에서는 중 하나인 Kubeflow MLOps Worker 를 이용해 배포 환경을 구성하고 다중 환경에서 학습 성능을 비교하였다.
In order to operate ML services efficiently, many parts are needed in addition to good learning models. Among software development theories, DevOps, which manages development and operation as a cycle, is now an essential concept in software development. Recently, a new concept called MLOps, which combines ML with existing DevOps, has emerged, and its importance is increasingly emphasized in ML systems. In this paper, we construct an MLOps deployment environment using Kubeflow, one of the MLOps platforms, and compare the learning performance in a multi-worker environment.