AI500

교육 과정 개요

Red Hat이 고객 혁신을 지원하는 데 사용하는 검증된 개방형 문화와 사례를 통해 MLOps의 잠재력을 경험해보세요.

• MLOps Practices with Red Hat OpenShift AI(AI500)는 5일간 진행되는 몰입형 교육 과정으로, 이 과정을 이수하여 성공적인 MLOps 도입 여정을 경험하고 구현할 수 있습니다. 많은 AI 또는 데이터 사이언스 교육 프로그램이 특정 프레임워크 또는 기술에 치중하는 반면, 이 교육 과정은 전체 MLOps 워크플로우에서 최적의 오픈소스 툴을 함께 원활하게 사용하는 방법을 다룹니다. 실제 머신 러닝 시나리오를 시뮬레이션하여 몰입감을 극대화하는 환경 안에서 지속적인 검색, 지속적인 교육, 지속적인 제공을 모두 경험할 수 있습니다.
• 학습 목표를 달성하려면 조직 전체에서 각기 다른 역할을 수행하는 다양한 참가자가 교육에 참여해야 합니다. 데이터 사이언티스트, 머신 러닝 엔지니어, 플랫폼 엔지니어, 아키텍트, 제품 오너는 기존의 사일로를 뛰어넘어 협업하는 경험을 할 수 있습니다. 일상적인 업무를 통해 실제 제공 팀을 시뮬레이션하며, 다양한 부문의 팀이 협업을 통해 혁신을 달성하는 방법을 학습합니다. 공유된 경험과 모범 사례로 무장한 팀은 교육 과정에서 배운 내용을 실제에 적용하여 새로운 프로젝트와 프로세스 개선을 추진함으로써 조직의 문화와 미션을 성공으로 이끌 수 있습니다.
• 이 교육 과정은 Red Hat OpenShift AI, Red Hat OpenShift GitOps, 예측 AI를 기반으로 합니다.

교육 과정 내용 요약

• 이 교육 과정에서는 아이디어 구상에서 내부 루프 실험, 프로덕션에 이르기까지 예측 지능형 애플리케이션 활용 사례의 엔드 투 엔드 여정을 하나하나 살펴보는 동시에 다양한 유형의 사용자가 단일 플랫폼에서 원활하게 협업하는 방법에 대해 학습합니다.
• 이 교육 과정은 몰입도를 높이는 고유한 환경에서 문화적, 기술적 사례와 다양한 실제 적용 사례를 제공합니다. MLOps 사례에 대해 알아보고 이러한 사례가 서로를 기반으로 구축되어 팀의 일관성 및 제공 효율성을 개선하는 방식을 살펴봅니다.
• 대부분의 AI 교육은 특정 프레임워크 또는 기술에 치중하지만, 이 교육 과정은 최적의 오픈소스 툴을 결합하는 한편 프로덕션 단계에서 이러한 툴을 함께 사용하여 AI 모델을 안정적이고 효율적으로 구축, 배포, 유지 관리할 수 있는 방법을 보여줍니다.

교육 대상

이러한 경험을 통해 조직 내에서 다양한 역할을 수행하는 각 개인이 긍정적인 결과를 얻고 혁신 속도를 높이기 위해 공동의 목표를 공유하고 협업하며 보조를 맞출 수 있는 방법을 보여줍니다.

이 교육 과정은 특히 다음 역할에 권장됩니다.

• MLOps 플랫폼 사용자: 데이터 사이언티스트, 데이터 엔지니어, 애플리케이션 개발자
• MLOps 플랫폼 공급자: 머신 러닝 엔지니어, MLOps 엔지니어, 플랫폼 엔지니어
• MLOps 플랫폼 이해관계자: 아키텍트 및 IT 관리자

이 시나리오는 머신 러닝 시스템 작업의 기술적 측면을 통합하여 이러한 역할 간의 작업이 일관성을 유지하도록 하는 방법에 대한 실용적인 인사이트를 제공합니다.

새로운 모델의 출시를 가속화하여 고객에게 지속적으로 가치를 제공하는 방법을 배우게 됩니다. 강사는 Red Hat 서비스 인게이지먼트에서 고객과 직접 소통하면서 얻은 경험과 모범 사례를 공유합니다.

전제 조건

• 무료 평가를 통해 이 교육 과정이 기술을 향상하는 데 가장 적합한 과정인지 확인할 수 있습니다.
• Containers, Kubernetes and Red Hat OpenShift Technical Overview(DO080) 교육 과정을 수강했거나 OpenShift, 쿠버네티스 및 컨테이너에 대한 기본적인 지식을 갖추고 있다면 도움이 됩니다.
• AI 또는 Red Hat AI Foundations에 대한 이해도가 높은 경우 도움이 될 수 있습니다.

교육 과정 개요

MLOps란?

ML 모델 개발 및 배포를 위한 MLOps 모델을 구성하는 원칙, 사례, 문화적 요소를 브레인스토밍하고 살펴봅니다.

내부 루프

모델을 실험하고 구축하는 데 필요한 툴을 숙지합니다. 워크벤치를 개발하고, 데이터세트를 탐색하고, 실험 추적을 시작하고, 모델을 배포해 봅니다.

학습 파이프라인

모델 학습을 프로덕션화하기 위한 이전(transition) 단계를 자동화하는 것으로 전환합니다.

외부 루프

MLOps 소개: 머신 러닝 워크플로우 및 배포를 자동화하고 간소화하는 일련의 사례입니다.
여기서는 지속적인 학습 파이프라인, 자동화된 배포, 지원 툴링이 실행될 MLOps 환경을 개발합니다.

모니터링

머신 러닝 모델은 데이터 패턴의 변화, 사용자 행동의 변화, 외부 조건 변화 등 다양한 요인의 영향을 받을 수 있습니다. 지속적인 모니터링을 구현하여 이러한 변경을 사전에 식별하고, 모델 정확도에 미치는 영향을 평가하고, 최적의 성능을 유지하기 위해 필요한 조정을 수행합니다.

데이터 버전 관리

시간이 지남에 따라 변경되는 데이터세트에 버전 관리를 도입하여 추적 능력을 개선합니다.

고급 배포

데이터 및 예측에 대한 사전 및 사후 처리를 올바르게 처리하고, 부하 처리를 위한 자동 확장에 대해 알아보고, 카나리아(Canary), 블루 그린(Blue-Green) 배포와 같은 고급 배포 패턴을 도입하여 안전하고 원활한 모델 롤아웃을 보장합니다.

피처 스토어

데이터 피처 및 관련 변경을 처리하고 학습과 제공 간에 피처를 동질화하는 강력한 방법입니다.

보안

자동화된 보안 가드레일을 구현하여 조직의 보안 관행을 준수하고 모델로 확장합니다.

조직에 미치는 효과

• 많은 기업들이 머신 러닝에 대한 현재의 조직 구조와 접근 방식이 AI 기반 트랜스포메이션 결과, 즉 더 빠른 모델 배포, 피드백 루프를 통한 지속적인 개선, 사용자 요구 사항에 부합하는 솔루션을 제공하는 데 적합하지 않다는 점을 인식하고 있습니다. 그러한 목표를 달성하기 위해 기업은 MLOps 원칙과 방법을 채택하고 실행하여 협업, 자동화, 라이프사이클 관리를 AI 워크플로우에 통합해야 합니다.
• 이 교육 과정에서는 실제 MLOps 문화 원칙과 현대적인 사례를 알아보고, Red Hat OpenShift 및 Red Hat OpenShift AI와 기타 업계 표준 MLOps 소프트웨어, 툴, 기술을 사용하여 예측 머신 러닝 모델을 개발해 봅니다. 이 교육 과정은 MLOps 원칙을 적용하고 오픈소스 솔루션을 활용하여 조직 내에서 AI 트랜스포메이션 이니셔티브를 주도할 수 있도록 하는 것을 목표로 합니다.

개인에게 미치는 효과

이 교육 과정을 이수하면 MLOps 문화를 경험하고, MLOps 사례를 살펴보고, 학습한 내용을 적용하여 머신 러닝 모델을 프로덕션에서 활용할 수 있습니다. 교육 과정을 마치면 다음을 수행할 수 있습니다.

• MLOps 원칙을 적용하여 머신 러닝 모델의 개발 및 배포를 간소화합니다.
• 내부 루프 개발에서 외부 루프 운영에 이르는 전체 라이프사이클을 다루는 현대적인 툴과 프로세스에 대한 핸즈온 경험을 얻습니다.
• 페어 프로그래밍 및 몹 프로그래밍 스타일로 협업 코딩 스타일의 기술을 향상합니다.