PE Notes · AI

DSML 프로젝트 — 수명주기, MLOps, ITSM

데이터 과학·머신러닝 프로젝트의 반복 수명주기, 실험-운영 격차를 메우는 MLOps, 사고·변경·SLA로 모델을 IT 서비스에 올리는 ITSM 연계를 정리합니다.

2026-09-06

소프트웨어는 명세가 비교적 먼저 닫힙니다. DSML은 데이터가 열리기 전에는 목표조차 흔들립니다. 모델을 한 번 올려도 분포가 바뀌면 다시 배워야 합니다. 그래서 수명주기, , 을 한 줄로 잇습니다.

정의

DSML(Data Science & Machine Learning) 프로젝트는 데이터 과학과 머신러닝으로 업무 문제를 푸는 일입니다. 산출물은 코드만이 아니라 데이터·실험·모델 버전이고, 품질은 분포와 양에 크게 좌우됩니다.

수명주기의 뼈대는 입니다. 이해 → 데이터 이해·준비 → 모델링 → 평가 → 배포를 한 바퀴로 보고, 배포 이후를 MLOps의 모니터링·재학습으로 연장합니다.

실험 노트북에서 나온 모델이 서비스에 그대로 가지 못합니다. 전처리가 달라지고, 성능이 조용히 내려가며, 누가 승인해 바꿨는지 남지 않습니다. 이 실험-운영 격차를 줄이려고 DevOps의 통합·전달을 학습 루프까지 확장한 것이 MLOps입니다.

모델도 API로 나가면 IT 서비스입니다. 장애와 변경을 모델 팀만의 채팅에 두면, 가용성과 감사 추적이 끊깁니다. ITSM의 사고·변경·문제·SLA에 올리는 이유가 여기 있습니다.

전통 개발과 비교하면 요구는 더 늦게 굳고, 실패 원인도 버그보다 데이터 부족·편향·적합 실패인 경우가 많습니다. 테스트는 기능 명세가 아니라 지표입니다.

목표 → EDA·준비 → 실험 → 업무 평가 → 배포 → 드리프트 감시 → 재학습

MLOps는 빌드-배포-모니터-재학습을 자동화·표준화해, 코드의 CI/CD에 지속적 학습(CT) 을 더한 실천입니다.

구성	역할
버전	코드·데이터·모델을 같이 추적
파이프라인	데이터나 코드가 바뀌면 학습·시험·배포
	파라미터·지표·아티팩트
모델 레지스트리	Staging / Production / Archived
모니터링	·성능 저하 → 재학습

성숙도는 흔히 세 칸입니다. Level 0은 수동 스크립트, Level 1은 학습 파이프라인과 CT, Level 2는 CI/CD/CT가 품질 게이트·롤백까지 붙습니다.

ITSM은 서비스를 사고·변경·문제·구성으로 운영하는 체계입니다. 모델을 CMDB와 서비스 카탈로그에 올리면, 성능 급락은 사고가 되고 버전 교체는 변경이 됩니다.