[목 차]

1부 ML옵스 기초 다지기

1장 ML옵스와 머신러닝 엔지니어링 시작하기

1.1 머신러닝 수명주기

__1.1.1 실험 단계

__1.1.2 개발/스테이징/프로덕션 단계

1.2 ML옵스에 필요한 역량

__1.2.1 머신러닝 엔지니어에게 필요한 역량

__1.2.2 사전 요구사항

1.3 머신러닝 플랫폼 구축

__1.3.1 직접 구축 vs 구매

__1.3.2 앞으로의 전망: ML옵스에서 LLM옵스로

__1.3.3 이 책에서 사용하는 도구

1.4 머신러닝 시스템 구축

__1.4.1 머신러닝 프로젝트 소개

__1.4.2 머신러닝 프로젝트

1.5 요약

2장 ML옵스란 무엇인가

2.1 반복적인 ML옵스 수명주기

__2.1.1 데이터 수집

__2.1.2 탐색적 데이터 분석

__2.1.3 모델링과 훈련

__2.1.4 모델 평가

__2.1.5 배포

__2.1.6 모니터링

__2.1.7 유지보수, 업데이트, 검토

2.2 견고한 ML옵스가 중요한 이유

2.3 성숙한 조직에서 ML옵스의 역할

2.4 데브옵스 vs ML옵스

2.5 ML옵스 성숙도 수준

__2.5.1 레벨 0: 기초

__2.5.2 레벨 1: 중급

__2.5.3 레벨 2: 고급

2.6 요약

3장 쿠버네티스 위에서 애플리케이션 구축하기

3.1 컨테이너와 도구

3.2 도커

__3.2.1 애플리케이션 코드 작성

__3.2.2 Dockerfile 작성하기

__3.2.3 도커 이미지 빌드 및 푸시

3.3 쿠버네티스

__3.3.1 쿠버네티스 아키텍처 개요

__3.3.2 kubectl

__3.3.3 쿠버네티스 객체

__3.3.4 네트워킹과 서비스

__3.3.5 기타 객체

__3.3.6 헬름 차트

__3.3.7 결론

3.4 지속적 통합과 배포

__3.4.1 깃랩 CI

__3.4.2 아르고 CD

3.5 프로메테우스와 그라파나

3.6 요약

2부 핵심 머신러닝 플랫폼 역량 구축

4장 신뢰할 수 있는 머신러닝 시스템 설계

4.1 실험 추적을 위한 ML플로

__4.1.1 데이터 탐색

__4.1.2 ML플로 추적

__4.1.3 ML플로 모델 레지스트리

4.2 피처 스토어로서의 피스트

__4.2.1 피처 등록

__4.2.2 피처 조회

__4.2.3 피처 서버

__4.2.4 피스트 UI 사용하기

4.3 요약

5장 머신러닝 파이프라인 오케스트레이션

5.1 큐브플로 파이프라인: 작업 오케스트레이터

__5.1.1 큐브플로 컴포넌트

__5.1.2 소득 분류기 파이프라인

5.2 요약

6장 머신러닝 모델 프로덕션화

6.1 배포 플랫폼으로서의 벤토ML

__6.1.1 벤토 빌드하기

__6.1.2 벤토 빌드 및 푸시

__6.1.3 벤토 배포하기

6.2 데이터 드리프트 모니터링을 위한 에비던틀리

__6.2.1 데이터 드리프트 탐지 보고서와 대시보드

__6.2.2 데이터 드리프트 탐지 큐브플로 파이프라인 컴포넌트

__6.2.3 API로 배포된 모델의 데이터 드리프트 탐지

6.3 요약

3부 ML옵스 실전 적용

7장 데이터 분석 및 준비

7.1 데이터 분석

__7.1.1 큐브플로에서 노트북 서버 실행하기

__7.1.2 워크스페이스와 데이터 볼륨

__7.1.3 설정 및 어피니티/톨러레이션

__7.1.4 메뉴 커스터마이징

__7.1.5 큐브플로 커스텀 노트북 이미지 생성하기

7.2 데이터 전달

__7.2.1 시나리오 1: 다운스트림 컴포넌트에 단순 값 전달하기

__7.2.2 시나리오 2: 대용량 데이터를 위한 경로 전달

__7.2.3 KFP v2 아티팩트 타입 개요

7.3 데이터 준비 실습

__7.3.1 데이터 준비: 객체 탐지

__7.3.2 데이터 준비: 영화 추천기

7.4 요약

8장 모델 훈련과 검증 I

8.1 객체 탐지 모델 훈련

__8.1.1 커스텀 데이터셋으로 YOLO 훈련하기

__8.1.2 모델 훈련

__8.1.3 시스템 의존성을 위한 컨테이너 컴포넌트

__8.1.4 검증 컴포넌트 만들기

__8.1.5 파이프라인 생성하기

__8.1.6 파이프라인 실행하기

__8.1.7 모델 아티팩트 검증하기

8.2 요약

9장 모델 훈련과 검증 II

9.1 PersistentVolumeClaim으로 데이터 저장하기

__9.1.1 PVC로 파이프라인 리팩터링

__9.1.2 효율적인 데이터셋 관리

__9.1.3 VolumeOp 생성하기

__9.1.4 PVC를 활용한 download_op

__9.1.5 데이터셋 직접 분할

__9.1.6 모델 훈련 간소화

__9.1.7 모델 검증 간소화

9.2 텐서보드로 훈련 추적하기

__9.2.1 새 텐서보드 실행하기

__9.2.2 YOLOv8 기본 그래프 살펴보기

9.3 영화 추천기 프로젝트

__9.3.1 MinIO에서 데이터 읽기 및 품질 보증

__9.3.2 모델 훈련 컴포넌트

__9.3.3 평가 지표

__9.3.4 ML플로를 활용한 실험 추적

__9.3.5 ML플로를 활용한 모델 레지스트리

__9.3.6 컴포넌트로 파이프라인 구성하기

__9.3.7 노트북에서의 로컬 추론

9.4 요약

10장 모델 추론과 서빙

10.1 모델 배포는 어렵다

10.2 벤토ML: 모델 배포를 간소화하다

10.3 벤토ML 빠르게 훑어보기

__10.3.1 벤토ML 서비스와 러너

10.4 벤토ML 서비스 로컬 실행

__10.4.1 벤토ML 러너로 모델 불러오기

10.5 벤토 빌드: 배포를 위한 서비스 패키징

__10.5.1 벤토 태그: Bento의 버전 관리

10.6 벤토ML과 ML플로 추론

10.7 ML플로만 사용해 추론 서비스 구축하기

10.8 K서브: 벤토ML의 대안

10.9 요약

11장 모니터링과 설명 가능성

11.1 모니터링

__11.1.1 기본 모니터링

__11.1.2 커스텀 지표

__11.1.3 로깅

__11.1.4 알림

11.2 데이터 드리프트 탐지

__11.2.1 객체 탐지

__11.2.2 영화 추천기

11.3 설명 가능성

__11.3.1 객체 탐지

__11.3.2 영화 추천

11.4 요약

4부 LLM을 위한 ML옵스 확장

12장 LLM 기반 시스템 설계

12.1 LLM옵스: 새로운 도전, 익숙한 원칙

__12.1.1 LLM 애플리케이션이 다른 이유

__12.1.2 LLM을 위한 머신러닝 플랫폼 확장

__12.1.3 LLM 애플리케이션을 위한 핵심 도구

12.2 DataKrypt의 DakkaBot 구축: 간단한 RAG 아키텍처

__12.2.1 구축하게 될 시스템

__12.2.2 단일 API 호출을 넘어서: 조합 가능성을 고려한 설계

__12.2.3 구글의 제미나이 LLM과 임베딩

__12.2.4 검색 컴포넌트

__12.2.5 증강 컴포넌트

__12.2.6 생성 컴포넌트

12.3 DakkaBot에 UI 추가하기

12.4 LLM 애플리케이션을 위한 관측 가능성

__12.4.1 도커로 랭퓨즈 설치하기

__12.4.2 랭퓨즈와 DakkaBot 통합

__12.4.3 DakkaBotCore의 관측 가능성 강화

__12.4.4 전통적인 지표를 넘어서

12.5 요약

13장 프로덕션 LLM 시스템 설계

13.1 프롬프트 엔지니어링: 생성형 AI 시대의 코드

__13.1.1 프롬프트를 핵심 인프라로 취급하기

__13.1.2 DakkaBot을 위한 랭퓨즈 프롬프트 관리

__13.1.3 프로덕션 환경을 위한 랭퓨즈 프롬프트 관리

13.2 LLM 애플리케이션 테스트

__13.2.1 LLM 응답을 위한 평가 프레임워크

__13.2.2 안전성 및 적대적 테스트

13.3 프로덕션 환경의 거버넌스와 안전성

__13.3.1 안전 가드레일 구현

13.4 비용 최적화 전략

__13.4.1 LLM 경제성 이해하기

__13.4.2 모델 선택 전략

__13.4.3 캐싱 전략

__13.4.4 효율성을 위한 프롬프트 최적화

__13.4.5 프로덕션 비용 모니터링

__13.4.6 전통적인 머신러닝에서 LLM옵스로

13.5 요약

부록 A 설치 및 설정

A.1 커맨드라인 도구의 로컬 설치(맥 및 리눅스)

__A.1.1 yq YAML 프로세서

__A.1.2 Kustomize

__A.1.3 kubectl

__A.1.4 K8s 배포판

__A.1.5 k3s 설치

__A.1.6 MicroK8s 설치

__A.1.7 아르고 CD

__A.1.8 큐브플로

__A.1.9 클라우드 제공자 K8s 설정

__A.1.10 ML플로 설정

A.2 ML플로 배포

__A.2.1 레디스 온라인 스토어 설정

__A.2.2 벤토ML 및 야타이 설정

__A.2.3 에비던틀리 UI 설정

부록 B YAML 기초

B.1 기본 YAML 파일

__B.1.1 주석

__B.1.2 스칼라 값

__B.1.3 리스트

__B.1.4 중첩 구조(맵)

__B.1.5 따옴표로 감싼 문자열

__B.1.6 여러 줄 문자열

__B.1.7 YAML의 데이터 타입

B.2 별칭과 앵커

__B.2.1 참조(데이터 병합 및 재사용)

__B.2.2 복합 데이터 타입

__B.2.3 커스텀 데이터 타입

__B.2.4 블록 스타일 vs 플로우 스타일

__B.2.5 키 정렬과 대소문자 구분

__B.2.6 모범 사례

“실습 중심의 접근법을 원하는 이들에게 특히 훌륭한 자료다”
_ 노아 플 (아마존)

“우리가 따라야 할 모든 패턴을 다룬다”
_ 앤드류 프리드 (IBM)

“풍부한 내용에, 체계적으로 잘 구성되어 있는 책이다.”
_ 비니시오스 웬츠 (누뱅크)

“코드 예제와 캡스톤 프로젝트로 가득하다”
_ 누푸르 바겔 (구글)

“머신러닝 모델을 처음부터 구축하고 배포하는 법을 배우려는 이들을 위한 필독서!”
_ 라비쿠마르 사나팔라 (메타)

***

[지은이의 말]

우리는 기술 분야에서 가장 흥미로운 시기에 머신러닝 분야에 종사할 수 있는 행운을 누렸습니다. 머신러닝 분야는 획기적인 연구에서 수십억 명의 삶에 영향을 미치는 실용적인 응용에 이르기까지 숨가쁜 속도로 발전하고 있습니다. 머신러닝 시스템이 연구 논문에서 실제 비즈니스를 구동하는 프로덕션 서비스로 전환되는 과정에 참여한 것은 정말 놀라운 경험이었습니다.

우리 셋(벤저민, 샤눕, 바룬)은 모두 소프트웨어 엔지니어로 경력을 시작했습니다. 머신러닝 엔지니어가 되겠다고 계획한 것이 아니라 우연히 이 분야에 발을 들였고, 각자의 조직에서 머신러닝 모델을 노트북에서 프로덕션으로 옮기는 임무를 맡게 되었습니다. 소프트웨어 엔지니어링 배경이 매우 유용했지만, 프로덕션 머신러닝에는 완전히 새로운 기술과 실무 역량이 필요하다는 사실을 금방 깨달았습니다.

첫 프로덕션 배포는 겸허해지는 경험이었습니다. 훈련 중에 뛰어난 성능을 보였던 모델이 프로덕션에서는 제대로 작동하지 않았습니다. 시스템은 예상치 못한 방식으로 예상치 못한 방식으로 동작하지 않았습니다. 파편화된 도구 생태계를 탐색하며 실제 문제에 효과적인 도구가 무엇인지 알아내야 했습니다. 우리는 수많은 시행착오, 밤늦은 디버깅 세션, 실수로부터의 학습을 통해 신뢰할 수 있는 머신러닝 시스템을 구축하는 데 필요한 것이 무엇인지 점차 이해하게 되었습니다.

이 여정이 이 책을 집필하게 된 계기가 되었습니다. 우리가 배운 것을 정리하여 더 넓은 커뮤니티와 공유하고 싶었습니다. 머신러닝 도구 생태계는 방대하고 파편화되어 있으며, 머신러닝 플랫폼의 모든 컴포넌트에 대해 수십 가지 선택지가 존재합니다. 각자의 조직에서
실험을 통해 프로덕션 시스템에 잘 맞는 도구와 패턴을 찾아냈습니다. 따라서 우리가 경험한 바를 이 책에 담고자 했습니다.

머신러닝 엔지니어링은 아직 초기 단계의 분야라는 점을 유의해야 합니다. 모범 사례는 확립된 것이 아니라 아직 형성 중입니다. 머신러닝 분야는 너무 빠르게 발전하고 있으므로 이 책의 내용을 절대적인 진리로 받아들이지 않기를 바랍니다. 우리에게 효과적이었던 것이 여러분에게는 맞지 않을 수 있으며, 조만간 나은 도구가 분명히 등장할 것입니다.

우리의 목표는 특정 도구에 얽매이지 않는 보편적인 패턴과 원칙을 제공하는 것입니다. 이 책을 처음 구상했을 때, 불과 몇 달 후 챗GPT가 출시되어 판도를 다시 한번 바꾸어놓았습니다. LLM 운영(LLM옵스) 실무는 아직 커뮤니티에서 정립 중이지만, LLM 애플리케이션 구축 경험을 다루는 2개의 장을 포함했습니다. 광학 문자 인식(OCR) 및 영화 추천 프로젝트를 통해, 우리에게 효과가 있었던 것을 기반으로 실용적인 가이드와 오픈소스 도구를 제안합니다.

여러분은 이 책 전반에 걸쳐 실제 프로젝트를 통해 개념을 익힙니다. 또한 OCR 시스템, 영화 추천기를 구축하고 LLM 애플리케이션을 탐구하게 됩니다. 이 책에 포함된 예제들은 그저 단순한 예제가 아니라, 실제 머신러닝 엔지니어링에 수반되는 복잡한 세부 사항을 모두 포함한 프로덕션 시스템의 간소화된 버전입니다. 머신러닝에 관심이 있는 소프트웨어 엔지니어든, 모델을 배포하고자 하는 데이터 과학자든, 이 책은 흥미롭고 도전적인 프로덕션 머신러닝 시스템의 세계를 탐색하는 데 도움이 될 것입니다. 우리는 정말 놀라운 시대에 살고 있습니다!

***

[옮긴이의 말]

머신러닝 시스템을 프로덕션에 올려 본 사람이라면 누구나 한 번쯤 도구의 미로에서 길을 잃어 본 경험이 있을 것입니다. 실험 추적부터 파이프라인 오케스트레이션, 모델 서빙, 모니터링까지 단계마다 각기 다른 도구가 있고, 같은 단계 안에서도 여러 도구가 경쟁하며, 그 조합은 팀마다 제각각입니다.

ML옵스(MLOps)는 소프트웨어 분야를 통틀어도 도구 파편화가 유난히 심한 영역입니다. 얼마 전까지 이 파편화를 극복하는 방법은 하나뿐이었습니다. 도구를 하나하나 직접 설치하고, 설정 파일과 씨름하고, 에러 메시지를 검색하며 몸으로 부딪히는 것입니다. 그런데 최근 생성 AI의 급속한 발전으로 인해 코딩 에이전트와 협업하는 개발 방식이 자리 잡으면서 사정이 달라졌습니다. 설치와 설정, 예제 실행 같은 ‘실행의 비용이 눈에 띄게 낮아진 것’입니다.

어제까지 하루가 걸리던 환경 구성을 이제는 에이전트에게 맡기고, 우리는 결과를 검토하면 됩니다.

그렇다면 이제 무엇이 병목일까요? 저는 실행이 아니라 멘탈 모델(mental model)이라고 생각합니다. 이 지도 위에 어떤 도구들이 있는지, 각 도구는 어떤 문제를 풀기 위해 존재하는지, 도구를 선택하고 운영할 때 무엇을 고려해야 하는지에 대한 그림이 머릿속에 있어야, 에이전트에게 올바른 방향을 제시하고 그 결과를 판단할 수 있습니다. 실행이 값싸진 시대에 정말 필요한 것은 역설적으로, 좋은 지도입니다.

그런 지도를 얻는 가장 좋은 시작점은 여전히 숙련된 엔지니어가 쓴 책이라고 믿습니다. 예전에는 기술 서적을 펼치면 실습을 전부 직접 따라 해야 한다는 부담이 앞섰습니다. 지금은 다릅니다. 실행 단계는 에이전트와 나누어 맡고, 우리는 개념과 도구 사이의 관계, 저자가 수많은 시행착오 끝에 내린 판단에 집중하며 읽을 수 있습니다. 책을 읽는 부담은 줄었는데 얻어갈 수 있는 것은 오히려 많아진 셈입니다.

이 책은 실험 추적에서 파이프라인, 서빙, 모니터링을 거쳐 LLM 운영에 이르기까지 머신러닝 시스템 전반의 도구와 지형을 하나의 흐름으로 보여줍니다. 프로덕션 환경에서 오래 부딪혀 온 저자들이 그린 지도라는 점에서, 지금 이 시점에 꼭 필요한 책이라고 생각합니다.

이 책이 독자 여러분의 머릿속에 믿을 만한 지도 한 장을 남기기를 바랍니다.
- 허정준