왓챠 추천 시스템의 MLOps 적용

왓챠 ML팀은 추천 모델의 고도화와 데이터 통합 관리를 위해 MLOps의 필요성을 느끼고 있습니다. MLOps는 데이터 수집, 전처리, 모델 학습, 평가 및 서빙 과정을 자동화하여 효율성을 높입니다. 이 글에서는 MLOps를 통해 ML 파이프라인과 실험 환경을 구축하는 과정을 다루며, 쿠버네티스와 AWS 서비스를 활용하여 파이프라인의 효율성을 개선했습니다. 또한, On-premise GPU 서버를 도입하여 안정적인 리소스 관리를 구현했습니다. 기존 구조의 문제점으로는 비효율적인 리소스 관리와 실행 환경의 불편함이 있었습니다. 이를 해결하기 위해 Docker와 Kubernetes를 적용하였고, AWS와의 연동을 통해 안정적인 데이터 통신을 확보했습니다.