Day 2 - MLOps: SageMaker Pipelines, Model Registry, CI/CD

어제 드리프트가 감지되면 재학습으로 이어져야 한다고 했다. 그 "재학습으로 이어진다"를 손으로 하면 운영이 무너진다. MLOps는 데이터 처리→학습→평가→등록→배포를 코드로 정의해 반복 가능하고 추적 가능하게 만드는 일이다. 오늘은 SageMaker Pipelines로 워크플로를 정의하고, Model Registry로 모델을 버전 관리하며, CI/CD로 자동 배포하는 구조를 다룬다.

MLOps가 푸는 문제

수동 ML은 노트북에서 한 번 돌린 모델을 사람이 콘솔에서 배포하는 식이다. 재현 불가, 추적 불가, 협업 불가다. MLOps는 이를 세 가지로 푼다.

- 재현성(Reproducibility): 같은 코드+데이터 → 같은 결과 (파이프라인 정의)
- 거버넌스(Governance): 어떤 모델이 어떤 데이터로 학습됐고 누가 승인했나 (Model Registry)
- 자동화(Automation): 커밋/이벤트가 학습·배포를 트리거 (CI/CD)

SageMaker Pipelines: ML 워크플로를 DAG로

SageMaker Pipelines는 단계(Step)를 연결한 방향성 비순환 그래프(DAG)다. 각 단계는 처리·학습·평가·조건·모델 등록 등으로 구성된다.