{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"MLOps가 프로덕션에서 데이터, 모델, 거버넌스, 모니터링을 어떻게 연결하는지 살펴보고 수명 주기, 성숙도 단계, 핵심 모범 사례를 알아보세요.","language":"ko","title":"MLOp 수명 주기, 모범 사례 및 이점 | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/ko/artificial-intelligence/machine-learning/mlops/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-eba627cba5","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/machine-learning/mlops"},"experiencefragment-header":{"id":"experiencefragment-f02acb0f58","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/machine-learning/mlops"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_251957817":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-12edb08132","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-bdcceae004",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-265ea318b1","items":[{"id":"breadcrumb-265ea318b1-item-bbf96f220b","link":{"valid":true,"url":"/ko/artificial-intelligence/"},"active":false,"current":false,"title":"인공지능",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-265ea318b1-item-76d1d830ff","link":{"valid":true,"url":"/ko/artificial-intelligence/machine-learning/"},"active":false,"current":false,"title":"머신러닝",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-265ea318b1-item-78bcc40781","link":{"valid":true,"url":"/ko/artificial-intelligence/machine-learning/mlops/"},"active":true,"current":true,"title":"MLOps",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-e290b5e7a2","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-4ec02d3e96",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-790a9e15fe","additionalClasses":"hub-hero__headline","type":"heading1","lines":["MLOps: 프로덕션에서 데이터, 모델, 거버넌스를 하나로 연결하는 방법"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-474cbf1cf6","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003E프로덕션 ML 모델은 데이터, 피처, 인프라, 승인 및 피드백 루프에 의존하며 MLOps는 이러한 요소가 함께 작동하도록 유지하는 운영 체계입니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-94cae52099",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-2eb9950293","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"약력 보기"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","lazyEnabled":true,"alt":"Laurie MacPherson","width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","테크니컬 라이터, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-1ed3a90538","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/jiyun-kim/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"약력 보기"},"image":{"id":"image","height":"567","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7298322-b642-462f-a1ea-e4319d26238d/jiyun-kim-photo.jpg?preferwebp=true&quality=85","lazyEnabled":true,"alt":"David Gaule","width":"425",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Jiyun Kim","SEO Specialist, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-50ef032d97",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-6fba5af4a0","youtubeVideoId":"-HWNc-Hd90U","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_251957817":{"id":"flexible-column-container-aaf37cb811","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-186b8d6dbc",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text":{"id":"text-0575c4a5c1","additionalClasses":"seo-hub-hero__related-topic-lable","text":"\u003Cp\u003EMLOps 주제:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_205167574":{"id":"text-e3568dd842","additionalClasses":"related-topics","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/data-pipelines/\"\u003EAI 데이터 파이프라인\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/model-deployment/\"\u003EML 모델 배포\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/model-serving/\"\u003EML 모델 서빙\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/pipelines/\"\u003EML 파이프라인\u003C/a\u003E\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text","text_205167574"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-aff6342f38","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout__0":{"id":"text-e4f36d71c4","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EMLOps 정의\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EMLOps는 DevOps에서 파생된 일련의 실천 방식으로, 프로덕션 환경의 머신러닝 모델을 배포하고 모니터링하며 거버넌스를 적용하고 지속적으로 개선하는 데 중점을 둡니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-9495f31705","text":"\u003Cp\u003E많은 팀은 MLOps 논의를 모델 중심으로 시작합니다. 어떤 방식으로 학습했는지, 어디에 배포할지, 재학습 주기를 얼마나 짧게 가져갈 수 있는지를 우선 검토합니다. 하지만 프로덕션 환경에서 모델은 더 큰 ML 운영 시스템을 구성하는 하나의 오브젝트일 뿐입니다. 모델에 입력 데이터를 제공한 테이블, 모델의 입력 신호를 정의한 피처 정의, 3일 늦게 제공된 레이블, 업스트림에서 변경된 스키마, 출력 결과에 대한 사용 권한을 제어하는 액세스 정책까지 모두 운영상 중요한 의존성입니다.\u003C/p\u003E\n\u003Cp\u003E그래서 MLOps를 단순히 “모델을 위한 DevOps”로 축소해서는 안 됩니다. MLOps는 DevOps의 자동화, CI/CD, 릴리스 규율을 차용하지만 일반적인 소프트웨어 팀이 흔히 마주하지 않는 모델 고유의 문제도 고려해야 합니다. 데이터 드리프트, 개념 드리프트, 피처 재사용, 학습-서빙 스큐, 모델 설명 가능성, 모델 계보, 새로운 프로덕션 결과에 기반한 재학습이 여기에 해당합니다. MLOps는 이러한 의존성을 연결하여 비즈니스, 데이터, 운영 환경이 변해도 모델이 안정성을 유지하는 애플리케이션으로 이동할 수 있도록 합니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-mlops":{"id":"title-v2-ac75427e1f","additionalClasses":"anchor-title anchor-title--what-is-mlops","type":"heading2","lines":["MLOps란?"],":type":"snowflake-site/components/title-v2"},"text_what-is-mlops_0":{"id":"text-d90f3c452d","text":"\u003Cp\u003EMLOps는 프로덕션에서 ML 모델의 배포, 모니터링, 유지 보수를 자동화하고 표준화하는 실천 방식의 집합입니다. 이러한 실천 방식은 팀이 \u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/machine-learning/\"\u003E머신러닝\u003C/a\u003E 전체 수명 주기를 관리하는 데 도움이 됩니다.\u003C/p\u003E\r\n\u003Cp\u003E소프트웨어와 마찬가지로 모델도 코드에 의존합니다. 하지만 모델은 학습 데이터, 피처, 레이블, 매개변수, 평가 지표, 런타임 의존성, 서빙 인프라, 그리고 예측이 사용되는 환경에서 발생하는 피드백에도 의존합니다. MLOps는 팀이 이러한 자산을 버전 관리하고 테스트하며, 승인 게이트를 거쳐 일관되게 배포하고, 여전히 기대한 대로 동작하는지 모니터링할 수 있는 방법을 제공합니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-mlops-matters":{"id":"title-v2-d040224acf","additionalClasses":"anchor-title anchor-title--why-mlops-matters","type":"heading2","lines":["MLOps가 중요한 이유"],":type":"snowflake-site/components/title-v2"},"text_why-mlops-matters_0":{"id":"text-24b5cf2014","text":"\u003Cp\u003E리드에 점수를 매기고, 수요를 예측하고, 지원 티켓을 라우팅하거나 의심스러운 거래를 감지하는 모델은 더 이상 단순한 데이터 사이언스 자산이 아닙니다. 이러한 모델은 운영 워크플로우의 일부가 되었으며, 비즈니스 팀은 모델 출력에 의존하고 기술 팀은 모델을 사용 가능하고 최신이며 설명 가능한 상태로 유지할 책임을 집니다.\u003C/p\u003E\n\u003Cp\u003E강력한 MLOps 프로세스를 갖추면 팀은 이러한 책임을 대규모로 더 효과적으로 관리할 수 있습니다. “MLOps는 흔히 도구의 문제로 설명되지만 실제로 더 큰 장애물은 단절된 워크플로우입니다.”라고 Snowflake의 Applied Field Engineering 부문, 수석 AI/ML 아키텍트 Trace Smith는 설명합니다. “오늘날의 흐름은 거버넌스와 모델 워크플로우를 하나의 운영 모델로 통합하는 더 일원화된 데이터 및 ML 환경을 향하고 있습니다. 이러한 통합이 운영상의 마찰을 줄이고 프로덕션 전환을 앞당기는 데 도움이 됩니다.”\u003C/p\u003E\n\u003Cp\u003E각 모델을 일회성 프로젝트로 다루는 대신, 팀은 반복 가능한 파이프라인, 모니터링, 버전 관리, 거버넌스 통제를 활용해 모델을 더 빠르게 프로덕션으로 전환하고, 성능 변화를 감지하며, 운영 프로세스를 처음부터 다시 구축하지 않고도 업데이트할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003EMLOps는 세 가지 실질적인 방식으로 팀을 지원합니다.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cstrong\u003E시장 출시 시간 단축:\u003C/strong\u003E 자동화된 파이프라인은 수동 인수인계에서 벗어나 반복 가능한 학습, 테스트, 패키징, 배포로 전환할 수 있도록 지원합니다.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003E신뢰성 향상:\u003C/strong\u003E 모니터링은 성능 변화, 드리프트, 데이터 품질 문제, 런타임 장애가 눈에 띄지 않게 다운스트림 의사결정에 영향을 미치기 전에 이를 감지할 수 있도록 지원합니다.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003E확장성과 거버넌스 강화:\u003C/strong\u003E 버전 관리, 계보, 승인 워크플로우, 액세스 제어를 통해 조직은 비공식적인 조율에 의존하지 않고도 더 많은 팀에서 더 많은 모델을 운영할 수 있습니다.\u003C/li\u003E\n\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_why-mlops-matters_0":{"id":"quote-item-0dbc869e04","alignment":"left","layout":"simple","quoteSourceName":"Trace Smith","quoteSourceTitle":"Snowflake Senior AI/ML Architect, Applied Field Engineering","showQuoteIcon":true,"quote":"MLOps는 흔히 도구의 문제로 설명되지만 실제로 더 큰 장애물은 단절된 워크플로우입니다. 오늘날에는 거버넌스와 모델 워크플로우를 하나의 운영 모델로 통합하는 더욱 일원화된 데이터 및 ML 환경으로 전환하는 추세입니다. 이러한 통합을 통해 운영상의 마찰을 줄이고 프로덕션 전환을 앞당길 수 있습니다.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"title_mlops-vs-devops":{"id":"title-v2-3aa89d655a","additionalClasses":"anchor-title anchor-title--mlops-vs-devops","type":"heading2","lines":["MLOps와 DevOps"],":type":"snowflake-site/components/title-v2"},"text_mlops-vs-devops_0":{"id":"text-147b691e80","text":"\u003Cp\u003EDevOps는 소프트웨어 제공에 중점을 둡니다. MLOps는 여기에 데이터와 ML 시스템의 통계적 동작까지 포괄합니다.\u003C/p\u003E\n\u003Ctable\u003E\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003E\u003C/th\u003E\u003Cth\u003EDevOps\u003C/th\u003E\u003Cth\u003EMLOps\u003C/th\u003E\u003C/tr\u003E\u003C/thead\u003E\n\u003Ctbody\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003E주요 자산\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003E애플리케이션 코드 및 인프라\u003C/td\u003E\u003Ctd\u003E코드, 데이터, 피처, 모델, 지표 및 아티팩트\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003E버전 관리\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003E코드, 구성 및 인프라 정의\u003C/td\u003E\u003Ctd\u003E코드, 데이터 세트, 피처, 매개변수, 모델, 평가 결과 및 배포 메타데이터\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003E테스트\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003E단위, 통합, 보안 및 성능 테스트\u003C/td\u003E\u003Ctd\u003E데이터 검증, 피처 점검, 모델 평가, 공정성 테스트, 견고성 테스트, 운영 테스트\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003E배포\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ECI/CD를 통한 애플리케이션 릴리스\u003C/td\u003E\u003Ctd\u003E모델 패키징, 레지스트리 승인, 배치 또는 실시간 서빙, 롤백\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003E프로덕션 리스크\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003E버그, 중단, 지연 시간, 보안 문제\u003C/td\u003E\u003Ctd\u003E데이터 드리프트, 개념 드리프트, 모델 성능 저하, 편향, 지연 시간, 비용, 운영 장애\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003E개선 루프\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003E버그, 인시던트, 기능 요청에 따른 코드 변경\u003C/td\u003E\u003Ctd\u003E새로운 데이터, 레이블, 피드백, 모니터링 신호에 기반한 재학습 및 재배포\u003C/td\u003E\u003C/tr\u003E\n\u003C/tbody\u003E\u003C/table\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_mlops-vs-devops_0":{"id":"text-f5d767a5f0","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003E자주 하는 실수\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EMLOps를 모델 배포 중심으로만 바라보지 않아야 합니다. 그보다 시스템 관리 과제로 접근해야 합니다. 데이터, 피처 또는 비즈니스 조건이 바뀌면 모델 성능이 저하될 수 있으므로, 장기적인 안정성을 위해 모니터링, 거버넌스, 재학습이 필수적입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_the-mlops-lifecycle":{"id":"title-v2-54acc8e1b9","additionalClasses":"anchor-title anchor-title--the-mlops-lifecycle","type":"heading2","lines":["MLOps 수명 주기"],":type":"snowflake-site/components/title-v2"},"text_the-mlops-lifecycle_0":{"id":"text-44ca7d2b71","text":"\u003Cp\u003EMLOps 프로세스는 선형 인계가 아니라 루프처럼 작동합니다. 팀은 데이터를 수집 및 검증하고 피처를 준비한 뒤, 모델을 학습 및 평가하고 승인된 버전을 등록해 배포합니다. 이후 프로덕션 신호를 다음 모니터링 및 재학습 라운드로 다시 연결합니다.\u003C/p\u003E\r\n\u003Ch3\u003E데이터 수집 및 적재\u003C/h3\u003E\r\n\u003Cp\u003E수명 주기는 데이터베이스, 파일, 스트림, API, 애플리케이션, 서드 파티 데이터 세트와 같은 소스 시스템의 데이터에서 시작됩니다. 프로덕션 ML에서 데이터 적재는 데이터를 학습 환경으로 옮기는 것 이상의 의미를 갖습니다. 데이터의 출처, 최신성, 의도한 목적에 사용할 수 있는지 판단할 수 있도록 충분한 컨텍스트를 보존해야 합니다.\u003C/p\u003E\r\n\u003Ch3\u003E데이터 검증 및 품질 점검\u003C/h3\u003E\r\n\u003Cp\u003E데이터가 학습 또는 \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/inference/\"\u003E추론\u003C/a\u003E에 사용되기 전에는 누락값, 스키마 변경, 이상값, 중복 레코드, 편향, 개인정보 보호 문제, 최신성을 점검해야 합니다. 이러한 점검은 잘못된 입력이 모델 동작으로 이어지는 것을 방지합니다. 예를 들어 컬럼이 정수에서 문자열로 바뀌거나, 피드 업데이트가 중단되거나, 레이블이 예상보다 늦게 제공되면 눈에 띄는 프로덕션 장애가 발생하기 훨씬 전부터 모델 품질에 영향을 줄 수 있습니다.\u003C/p\u003E\r\n\u003Ch3\u003E데이터 준비 및 피처 엔지니어링\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/feature-engineering/\"\u003E피처 엔지니어링\u003C/a\u003E은 가공 전 데이터를 정제, 변환, 조인, 레이블링, 보강하여 모델이 사용할 수 있는 신호로 전환합니다. 성숙한 MLOps 환경에서는 팀이 자주 사용하는 피처를 한 번 정의한 뒤 학습과 추론 전반에서 일관되게 재사용합니다. 이를 통해 한 팀이 '활성 고객'이나 '최근 트랜잭션 규모'를 다른 팀과 다르게 계산하거나, 프로덕션 모델이 학습 당시 사용한 버전과 더 이상 일치하지 않는 피처 로직을 사용할 리스크를 줄일 수 있습니다.\u003C/p\u003E\r\n\u003Ch3\u003E모델 개발\u003C/h3\u003E\r\n\u003Cp\u003E데이터 사이언티스트와 ML 엔지니어는 노트북, 스크립트, 자동 머신러닝(AutoML) 또는 \u003Ca href=\"https://www.snowflake.com/en/fundamentals/machine-learning-frameworks/\"\u003EML 프레임워크\u003C/a\u003E를 사용해 모델을 학습시킵니다. 이들은 예측 문제에 가장 적합한 접근 방식을 찾기 위해 알고리즘, 파라미터, 학습 기간, 데이터 세트를 비교합니다. 모델 개발 단계에서 MLOps의 핵심 요건은 실험이 충분한 메타데이터를 생성하도록 하는 것입니다. 이를 통해 다른 담당자, 파이프라인 또는 승인 워크플로우가 학습된 모델, 사용된 데이터, 모델 성능을 명확히 파악할 수 있습니다.\u003C/p\u003E\r\n\u003Ch3\u003E실험 추적\u003C/h3\u003E\r\n\u003Cp\u003E실험 추적은 모델 버전, 데이터 세트, 코드, 매개변수, 지표, 아티팩트, 결과를 기록합니다. 실험 추적이 없으면 어떤 실행이 다른 실행보다 성능이 좋았다는 사실은 알 수 있어도 그 이유는 파악하기 어렵습니다. 반대로 실험 추적이 있으면 후보 모델을 비교하고 결과를 재현하며, 어떤 모델 버전이 프로덕션으로 승격되었는지 설명할 수 있습니다.\u003C/p\u003E\r\n\u003Ch3\u003E모델 검증 및 평가\u003C/h3\u003E\r\n\u003Cp\u003E모델 평가는 학습된 모델이 지원하려는 비즈니스 프로세스에 대해 정확하고 신뢰할 수 있으며 적절한지 테스트합니다. 평가에는 정확도, 정밀도, 재현율, F1, AUC, RMSE, 지연 시간과 같은 기술 지표뿐 아니라 공정성, 견고성, 비즈니스 KPI 추적도 포함됩니다. 평가 프로세스는 모델이 평균적으로 우수한 성능을 내는지뿐 아니라 중요한 세그먼트, 지역, 제품군, 리스크 범주에서도 허용 가능한 방식으로 동작하는지 검증해야 합니다.\u003C/p\u003E\r\n\u003Ch3\u003E모델 패키징 및 등록\u003C/h3\u003E\r\n\u003Cp\u003E모델이 평가를 통과하면 팀은 종속성과 메타데이터를 함께 패키지한 뒤 모델 레지스트리에 저장합니다. 레지스트리는 버전, 승인 상태, 계보, 배포 상태, 운영 메타데이터를 관리하는 통제된 공간 역할을 합니다.\u003C/p\u003E\r\n\u003Ch3\u003E모델 배포\u003C/h3\u003E\r\n\u003Cp\u003E모델 배포는 모델을 배치 작업, 실시간 API, 스트리밍 추론 파이프라인, 임베디드 애플리케이션 피처 또는 엣지 배포 형태로 프로덕션에 릴리스하는 과정입니다. 서빙 패턴은 지연 시간, 비용, 최신성, 비즈니스 요구 사항에 따라 달라집니다. 예를 들어 사기 탐지 모델은 실시간 추론이 필요할 수 있는 반면, 월간 성향 모델은 다운스트림에서 활용할 수 있도록 예측값을 테이블에 다시 쓰는 배치 스코어링 작업으로 실행될 수 있습니다.\u003C/p\u003E\r\n\u003Ch3\u003E모델 서빙\u003C/h3\u003E\r\n\u003Cp\u003E배포 후에는 애플리케이션의 지연 시간, 규모, 비용, 최신성 요구 사항에 맞는 방식으로 모델을 서빙해야 합니다. 모델 서빙은 배치 스코어링, 실시간 API, 스트리밍 추론, 임베디드 애플리케이션 로직 또는 엣지 환경을 통해 예측을 사용할 수 있게 하는 런타임 계층입니다. 이 계층은 승인된 모델 버전을 프로덕션에서 안정적으로 사용할 수 있도록 입력 준비, 피처 검색, 런타임 종속성, 스케일링, 액세스 제어, 지연 시간, 오류 처리를 관리해야 합니다.\u003C/p\u003E\r\n\u003Ch3\u003E모델 모니터링\u003C/h3\u003E\r\n\u003Cp\u003E모델 모니터링은 배포 후에도 모델이 기대한 대로 동작하는지 추적합니다. 일반적으로 팀은 프로덕션 성능, 지연 시간, 오류, 데이터 드리프트, 개념 드리프트, 모델 품질, 비용, 운영 상태를 모니터링합니다.\u003C/p\u003E\r\n\u003Ch3\u003E피드백 및 재학습\u003C/h3\u003E\r\n\u003Cp\u003E프로덕션 예측은 레이블, 사용자 행동, 비즈니스 결과, 사람의 피드백, 드리프트 신호와 같은 새로운 정보를 생성합니다. MLOps는 이 정보를 다시 수명 주기에 반영하여, 현재 버전이 더 이상 충분한 성능을 내지 못할 때 팀이 모델을 재학습하고 재검증한 뒤 재배포할 수 있도록 지원합니다. 재학습 트리거는 사용 사례의 리스크와 변동성에 따라 일정 기반, 이벤트 기반 또는 모니터링 임계값 기반으로 설정될 수 있습니다.\u003C/p\u003E\r\n\u003Ch3\u003E거버넌스 및 규정 준수\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/\"\u003E거버넌스\u003C/a\u003E는 ML 수명 주기 전반에 걸쳐 적용됩니다. 팀은 가공 전 데이터부터 프로덕션 추론에 이르기까지 액세스, 감사 추적, 설명 가능성, 계보, 개인정보 보호, 보안, 승인, 규제 요건을 관리해야 합니다. 모델이 신용, 가격 책정, 헬스케어, 고용, 사기 감지, 안전 등 영향도가 높은 의사결정에 관여하는 경우 이는 특히 중요합니다. 거버넌스는 팀이 다음과 같은 기본적인 운영 질문에 답하는 데도 도움이 됩니다. 현재 실행 중인 모델 버전은 무엇인가? 어떤 데이터로 학습했는가? 어떤 피처를 사용하는가? 누가 승인했는가? 이전 버전 이후 무엇이 변경되었는가?\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_the-mlops-lifecycle_0":{"id":"card-v2-2863dd757c","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["IGS Energy"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/ko/customers/all-customers/case-study/igs-energy/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"전체 활용 사례 읽기"},"image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--90de0532-42fa-442f-addd-8b8217bbad20/igs-energy%25403x.png?preferwebp=true&quality=85","lazyEnabled":true,"alt":"ISG Energy Logo","width":"624",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EIGS Energy는 Snowflake를 데이터 인프라의 핵심 기반으로 활용하여 수요 예측, 이상 감지, Streamlit을 통한 이해관계자 피드백의 빠른 반영 등 AI 및 머신러닝 사용 사례를 지원합니다. IGS는 Databricks의 수십만 개 개별 예측 모델에서 Snowflake의 단일 통합 모델로 전환했습니다. 그 결과 정확도를 유지하면서 학습 비용을 75% 절감하고, 수십만 고객에 대한 예측을 몇 분 만에 생성할 수 있게 되었습니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal"},"title_core-components-of-mlops":{"id":"title-v2-cc0502f1ff","additionalClasses":"anchor-title anchor-title--core-components-of-mlops","type":"heading2","lines":["MLOps의 핵심 구성 요소"],":type":"snowflake-site/components/title-v2"},"text_core-components-of-mlops_0":{"id":"text-99b23d481d","text":"\u003Cp\u003EMLOps에는 서로 유기적으로 연결된 구성 요소가 필요합니다. 일부 조직은 이러한 구성 요소를 여러 시스템에 걸쳐 조합하지만, 데이터, 피처 관리, 모델 운영, 거버넌스를 더 긴밀하게 유지할 수 있는 통합 플랫폼을 선호하는 조직도 있습니다.\u003C/p\u003E\r\n\u003Ctable\u003E\r\n\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003E구성 요소\u003C/th\u003E\r\n\u003Cth\u003E목적\u003C/th\u003E\r\n\u003C/tr\u003E\u003C/thead\u003E\u003Ctbody\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E데이터 파이프라인\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E학습 및 추론을 위한 데이터를 이동, 정제, 검증, 변환\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E피처 스토어\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E피처를 일관되게 정의, 재사용, 서빙, 모니터링\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E실험 추적\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E파라미터, 지표, 데이터 세트, 코드 버전, 모델 아티팩트 캡처\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E모델 학습 파이프라인\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E학습, 튜닝, 평가, 재현성 자동화\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E모델 레지스트리 및 버전 관리\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E승인된 모델 버전, 메타데이터, 계보, 배포 상태 저장\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E지속적 통합 및 지속적 전달/지속적 배포(CI/CD) 파이프라인\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E테스트, 검증, 패키징, 배포, 롤백 자동화\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E모델 서빙 계층\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E지연 시간, 스케일링, 종속성, 액세스 제어, 오류를 관리하면서 배치 스코어링, API, 스트리밍, 임베디드 애플리케이션 로직 또는 엣지 환경을 통해 승인된 모델 버전을 추론에 제공\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E모니터링 및 옵저버빌리티\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E시스템 상태, 모델 성능, 드리프트, 품질, 비용 추적\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E오케스트레이션\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E데이터, 학습, 배포, 모니터링 전반의 워크플로우 예약 및 관리\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E거버넌스 및 보안\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E액세스 제어, 감사 가능성, 개인정보 보호, 규정 준수 및 \u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/responsible-ai/\"\u003E책임 있는 AI\u003C/a\u003E 관행 적용\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E지속적 학습\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E프로덕션 결과를 평가, 재학습, 모델 개선에 활용\u003C/td\u003E\r\n\u003C/tr\u003E\u003C/tbody\u003E\u003C/table\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_mlops-maturity-levels":{"id":"title-v2-05ec496605","additionalClasses":"anchor-title anchor-title--mlops-maturity-levels","type":"heading2","lines":["MLOps 성숙도 단계"],":type":"snowflake-site/components/title-v2"},"text_mlops-maturity-levels_0":{"id":"text-a89030bd6a","text":"\u003Cp\u003EMLOps 성숙도는 일반적으로 팀이 수명 주기 전반을 더 많이 자동화하고 재현성, 모니터링, 거버넌스에 대한 통제를 강화할수록 높아집니다. \u003Ca href=\"https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning\" target=\"_blank\"\u003EGoogle Cloud의 MLOps 성숙도 모델\u003C/a\u003E은 널리 활용되는 기준점입니다.\u003C/p\u003E\n\u003Ch3\u003E레벨 0: 수동 프로세스\u003C/h3\u003E\n\u003Cp\u003E레벨 0에서는 ML 작업이 노트북 중심으로 이루어지며 수작업 비중이 매우 높습니다. 데이터 사이언티스트는 비공식 프로세스를 통해 데이터를 준비하고, 모델을 학습시키고, 결과를 평가한 뒤 아티팩트를 전달합니다. 실험 단계에서는 이러한 방식도 가능하지만, 모델을 프로덕션에서 재현, 업데이트 또는 모니터링해야 할 때는 리스크가 발생합니다.\u003C/p\u003E\n\u003Ch3\u003E레벨 1: ML 파이프라인 자동화\u003C/h3\u003E\n\u003Cp\u003E레벨 1에서는 팀이 ML 파이프라인을 자동화해, 새로운 데이터가 들어왔을 때 반복 가능한 검증, 학습, 평가 단계에 따라 모델을 재학습할 수 있습니다. 목표는 지속적 학습으로, 새로운 데이터가 확보될 때 통제된 방식으로 모델을 업데이트하는 것입니다. 이 단계에서는 수동 인수인계가 줄어들지만, 파이프라인 자체에는 여전히 별도의 릴리스 관리가 필요할 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E레벨 2: CI/CD 파이프라인 자동화\u003C/h3\u003E\n\u003Cp\u003E레벨 2에서는 팀이 ML 파이프라인 자체의 빌드, 테스트, 배포를 자동화합니다. 코드, 데이터 검증 로직, 학습 워크플로우, 배포 정의의 변경 사항은 CI/CD 프로세스를 거쳐 이동합니다. 이 단계부터 ML 운영은 버전 관리된 파이프라인, 자동화된 테스트, 환경 간 통제된 승격을 갖춘 프로덕션 엔지니어링 분야에 더 가까워집니다.\u003C/p\u003E\n\u003Ch3\u003E고급 성숙도: 자율적이고 거버넌스가 적용된 운영\u003C/h3\u003E\n\u003Cp\u003E일부 성숙도 모델은 고급 또는 자율 운영을 위한 더 높은 단계를 추가합니다. 이 단계에서는 모니터링 신호가 재학습 워크플로우를 트리거할 수 있고, 거버넌스 검사가 승격 경로에 내장되며, 팀은 일관된 정책으로 다수의 모델을 관리할 수 있습니다. 특히 영향도가 높은 모델에서 인간의 판단을 배제하는 것이 목표는 아닙니다. 반복적인 감지, 검증, 에스컬레이션을 더 체계화하는 것이 핵심입니다.\u003C/p\u003E\n\u003Cp\u003E\u003Cem\u003ESnowflake ML로 대규모 모델을 구축하고 프로덕션에 적용하는 방법 알아보기:\u003C/em\u003E\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_mlops-maturity-levels_0":{"id":"embed-8b3c87926f","youtubeVideoId":"kBYZVIXgh1o","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_mlops-for-generative-ai-and-llmops":{"id":"title-v2-9a28d6aedb","additionalClasses":"anchor-title anchor-title--mlops-for-generative-ai-and-llmops","type":"heading2","lines":["생성형 AI와 LLMOps를 위한 MLOps"],":type":"snowflake-site/components/title-v2"},"text_mlops-for-generative-ai-and-llmops_0":{"id":"text-07cc88bf48","text":"\u003Cp\u003E대규모 언어 모델 운영(LLMOps)은 MLOps 관행을 \u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai/\"\u003E생성형 AI\u003C/a\u003E 애플리케이션으로 확장합니다. LLMOps는 프롬프트, 검색, 컨텍스트, 토큰 사용량, 안전성, 평가와 관련된 새로운 운영 과제를 MLOps에 추가합니다.\u003C/p\u003E\n\u003Cp\u003ELLMOps에는 일반적으로 다음이 포함됩니다.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E프롬프트 및 시스템 지침 버전 관리\u003C/li\u003E\n\u003Cli\u003E사실성, 관련성, 어조, 안전성, 작업 완료 여부를 평가하는 프레임워크\u003C/li\u003E\n\u003Cli\u003E문서 최신성과 검색 품질을 포함한 RAG 파이프라인 모니터링\u003C/li\u003E\n\u003Cli\u003E토큰 비용 추적 및 지연 시간 최적화\u003C/li\u003E\n\u003Cli\u003E개인정보 보호, 유해성, 근거성, 정책 위반을 모니터링하는 가드레일\u003C/li\u003E\n\u003Cli\u003E사람의 검토와 모델 개선을 위한 피드백 루프\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003E그러나 기본 운영 원칙은 같습니다. 애플리케이션의 신뢰성은 그 기반이 되는 데이터, 컨텍스트, 평가, 거버넌스에 의해 좌우됩니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_mlops-best-practices":{"id":"title-v2-722fd65584","additionalClasses":"anchor-title anchor-title--mlops-best-practices","type":"heading2","lines":["MLOps 모범 사례"],":type":"snowflake-site/components/title-v2"},"text_mlops-best-practices_0":{"id":"text-b59607a56a","text":"\u003Cp\u003E강력한 MLOps 실천 방식은 프로덕션 ML이 일회성 인계의 반복으로 끝나지 않도록 팀을 지원합니다. 모델이 개발 환경에서 실제 운영 워크플로우로 이동하면 팀은 모델 동작에 영향을 주는 자산을 일관되게 버전 관리하고, 릴리스 전에 변경 사항을 테스트하고, 프로덕션 성능을 모니터링하며, \u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-traceability/\"\u003E추적성\u003C/a\u003E을 잃지 않고 모델을 업데이트할 수 있어야 합니다.\u003C/p\u003E\r\n\u003Ch3\u003E모델 동작에 영향을 주는 모든 요소의 버전 관리\u003C/h3\u003E\r\n\u003Cp\u003EMLOps에서는 코드, 데이터 세트, 피처 정의, 파라미터, 모델 아티팩트, 종속성, 평가 결과, 배포 메타데이터를 모두 버전 관리해야 합니다. 모델이 변경되면 팀은 성능 변화가 새로운 학습 데이터 때문인지, 새로운 피처 로직 때문인지, 다른 파라미터 집합 때문인지, 새로운 런타임 환경 때문인지 파악할 수 있어야 합니다.\u003C/p\u003E\r\n\u003Ch3\u003E리스크를 줄이는 영역부터 테스트와 CI/CD 자동화\u003C/h3\u003E\r\n\u003Cp\u003E자동화는 팀이 안정적으로 반복해야 하는 점검을 포괄해야 합니다. 여기에는 데이터 검증, 피처 검증, 모델 평가, 패키징, 배포, 롤백이 포함됩니다. ML을 위한 CI/CD에는 드리프트 점검, 편향 테스트, 지연 시간 임계값, 비즈니스 KPI 가드레일처럼 모델에 특화된 테스트도 포함해야 합니다.\u003C/p\u003E\r\n\u003Ch3\u003E프로덕션 모델의 지속적 모니터링\u003C/h3\u003E\r\n\u003Cp\u003E프로덕션 모니터링은 시스템 상태와 모델 동작을 함께 추적해야 합니다. 지연 시간, 오류, 비용도 중요하지만 입력 분포, 예측 분포, 모델 성능, 드리프트, 데이터 최신성 역시 그만큼 중요합니다.\u003C/p\u003E\r\n\u003Ch3\u003E재현성을 고려한 설계\u003C/h3\u003E\r\n\u003Cp\u003E또한 모델 생성 방식, 학습에 사용된 데이터 세트와 피처, 사용된 코드와 파라미터, 승격을 뒷받침한 지표, 현재 예측을 서빙 중인 버전을 명확히 설명할 수 있어야 합니다. 재현성은 디버깅, 감사 가능성, 협업, \u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-compliance/\"\u003E규정 준수\u003C/a\u003E에 도움이 됩니다.\u003C/p\u003E\r\n\u003Ch3\u003E팀이 지속할 수 있는 성숙도 수준에서 시작\u003C/h3\u003E\r\n\u003Cp\u003EMLOps 성숙도는 조직의 요구 사항, 역량, 리스크 프로필에 맞아야 합니다. 위험도가 낮은 배치 모델 하나만 운영하는 팀이라면 처음부터 자율 재학습이 필요하지 않을 수 있습니다. 고객 대면 모델이 많거나, 규제 대상 사용 사례를 다루거나, 빠르게 변하는 데이터를 사용하는 팀이라면 더 이른 단계부터 강력한 자동화, 모니터링, 거버넌스가 필요합니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-run-mlops-on-snowflake":{"id":"title-v2-1aeb1a6831","additionalClasses":"anchor-title anchor-title--why-run-mlops-on-snowflake","type":"heading2","lines":["Snowflake에서 MLOps를 실행해야 하는 이유"],":type":"snowflake-site/components/title-v2"},"text_why-run-mlops-on-snowflake_0":{"id":"text-2bb2480b92","text":"\u003Cp\u003E많은 MLOps 아키텍처는 준비, 학습, 피처 관리, 레지스트리, 서빙, 모니터링을 위해 데이터를 별도 시스템 간에 이동시킵니다. 이러한 분리는 추가 복사본과 단절된 계보를 만들고, 액세스 정책이나 피처 정의가 어긋날 수 있는 지점을 늘릴 수 있습니다. Snowflake의 접근 방식은 ML 수명 주기의 더 많은 부분을 Snowflake AI 데이터 클라우드 안의 거버넌스가 적용된 데이터 가까이 가져오는 것입니다.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/product/features/end-to-end-ml-workflows/\"\u003ESnowflake ML\u003C/a\u003E을 사용하면 팀은 모델이 사용하는 데이터에 더 가까운 곳에서 모델을 구축, 학습, 배포, 모니터링할 수 있습니다. Snowflake ML은 개발을 위한 Snowpark ML API, 탐색과 협업을 위한 Snowflake Notebooks, 피처 관리를 위한 Snowflake Feature Store, 버전 관리와 거버넌스를 위한 Snowflake Model Registry 같은 기능을 제공합니다. \u003Ca href=\"https://docs.snowflake.com/en/developer-guide/snowflake-ml/model-registry/model-observability\"\u003EML Observability\u003C/a\u003E는 성능, 드리프트, 볼륨 지표를 포함하여 등록된 프로덕션 모델을 모니터링할 수 있도록 지원합니다. 현재는 회귀 및 이진 분류 모델을 지원합니다.\u003C/p\u003E\r\n\u003Cp\u003E피처는 한 번 정의한 뒤 액세스 제어를 통해 관리되고, 학습에서 추론으로 이동하는 과정에서 계보를 통해 추적될 수 있습니다. 모델은 레지스트리를 통해 메타데이터, 버전 이력, 배포 상태를 함께 유지합니다. 데이터 사이언티스트는 여전히 노트북에서 실험할 수 있지만, 작업은 거버넌스가 적용된 데이터에 더 가까운 곳에서 이뤄집니다. 또한 모니터링을 통해 프로덕션 입력이 평가 시 사용한 가정에서 벗어나기 시작하는 시점을 감지할 수 있습니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_mlops-turns-model-work-into-an-operating-discipline":{"id":"title-v2-525f483d33","additionalClasses":"anchor-title anchor-title--mlops-turns-model-work-into-an-operating-discipline","type":"heading2","lines":["모델 작업을 운영 체계로 전환하는 MLOps"],":type":"snowflake-site/components/title-v2"},"text_mlops-turns-model-work-into-an-operating-discipline_0":{"id":"text-991a602539","text":"\u003Cp\u003EMLOps는 흔히 파이프라인, 레지스트리, CI/CD, 모니터링, 재학습 같은 배포 메커니즘으로 설명됩니다. 이러한 실행 방식은 유효하지만, 모델 주변의 데이터 컨텍스트와 거버넌스 컨텍스트에 연결되어 있을 때에만 더 근본적인 운영 문제를 해결할 수 있습니다. 팀이 모델 학습에 사용된 데이터를 추적하고, 모델이 사용하는 피처를 파악하며, 평가 단계의 성능을 확인하고, 프로덕션 동작의 변화가 시작되는 시점을 감지할 수 있을 때 모델 버전에 대한 신뢰성이 높아집니다.\u003C/p\u003E\n\u003Cp\u003EML이 더 많은 애플리케이션과 비즈니스 워크플로우에 편입될수록 이러한 운영 컨텍스트는 선택적 요소로 취급할 수 없습니다. 팀은 계보를 유지하면서 빠르게 작업하고, 로직 중복 없이 피처를 재사용하며, 모델이 의존하는 데이터와 분리하지 않은 상태로 모델을 모니터링하고, 수동 인계에 의존하지 않고 프로덕션 시스템을 업데이트할 수 있는 체계가 필요합니다. MLOps는 이러한 구조를 제공합니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_mlops-turns-model-work-into-an-operating-discipline_0":{"id":"text-aabed94cdf","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003E핵심 요약\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003E데이터, 피처, 모델, 거버넌스, 모니터링을 반복 가능한 수명 주기로 연결함으로써 MLOps는 조직이 ML을 더 빠르게 배포하고, 모델 출력에 대한 신뢰를 유지하며, 데이터와 비즈니스 환경 변화에 맞춰 성능을 지속적으로 개선하도록 지원합니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-mlops","text_what-is-mlops_0","title_why-mlops-matters","text_why-mlops-matters_0","quote_why-mlops-matters_0","title_mlops-vs-devops","text_mlops-vs-devops_0","callout_mlops-vs-devops_0","title_the-mlops-lifecycle","text_the-mlops-lifecycle_0","card_v2_the-mlops-lifecycle_0","title_core-components-of-mlops","text_core-components-of-mlops_0","title_mlops-maturity-levels","text_mlops-maturity-levels_0","yt_mlops-maturity-levels_0","title_mlops-for-generative-ai-and-llmops","text_mlops-for-generative-ai-and-llmops_0","title_mlops-best-practices","text_mlops-best-practices_0","title_why-run-mlops-on-snowflake","text_why-run-mlops-on-snowflake_0","title_mlops-turns-model-work-into-an-operating-discipline","text_mlops-turns-model-work-into-an-operating-discipline_0","callout_mlops-turns-model-work-into-an-operating-discipline_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-1b9f754619",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-f4e2d3b77e","additionalClasses":"eyebrow-text","text":"\u003Cp\u003E이 가이드의 주요 내용\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-0c0812e863","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-is-mlops\"\u003EMLOps란?\u003C/li\u003E\u003Cli data-anchor=\"why-mlops-matters\"\u003EMLOps가 중요한 이유\u003C/li\u003E\u003Cli data-anchor=\"mlops-vs-devops\"\u003EMLOps와 DevOps\u003C/li\u003E\u003Cli data-anchor=\"the-mlops-lifecycle\"\u003EMLOps 수명 주기\u003C/li\u003E\u003Cli data-anchor=\"core-components-of-mlops\"\u003EMLOps의 핵심 구성 요소\u003C/li\u003E\u003Cli data-anchor=\"mlops-maturity-levels\"\u003EMLOps 성숙도 단계\u003C/li\u003E\u003Cli data-anchor=\"mlops-for-generative-ai-and-llmops\"\u003E생성형 AI와 LLMOps를 위한 MLOps\u003C/li\u003E\u003Cli data-anchor=\"mlops-best-practices\"\u003EMLOps 모범 사례\u003C/li\u003E\u003Cli data-anchor=\"why-run-mlops-on-snowflake\"\u003ESnowflake에서 MLOps를 실행해야 하는 이유\u003C/li\u003E\u003Cli data-anchor=\"mlops-turns-model-work-into-an-operating-discipline\"\u003E모델 작업을 운영 체계로 전환하는 MLOps\u003C/li\u003E\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-30c0207afe","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-deb5e5969f","additionalClasses":"hub-faq__headline","type":"heading2","lines":["자주 묻는 질문"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-519931fad9","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EMLOps 관련 자주 묻는 질문에 Snowflake 전문가가 답변합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-78bd6729f3","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"MLOps와 DevOps의 차이점은 무엇인가요?","richText":"\u003Cp\u003EDevOps는 소프트웨어 제공을 자동화하고 개선하는 데 중점을 둡니다. MLOps는 동일한 원칙의 상당 부분을 ML 시스템에 적용하되, 데이터 검증, 피처 관리, 실험 추적, 모델 버전 관리, 드리프트 모니터링, 재학습, 거버넌스처럼 모델에 특화된 관행을 추가합니다. 모델은 코드가 바뀌어서 실패할 수도 있지만, 데이터가 바뀌어서 실패할 수도 있습니다.\u003C/p\u003E"},{"title":"MLOps 성숙도 수준에는 어떤 단계가 있나요?","richText":"\u003Cp\u003E일반적인 모델에는 세 가지 수준이 있습니다. 레벨 0은 수동 ML 프로세스, 레벨 1은 자동화된 ML 파이프라인, 레벨 2는 ML 파이프라인의 CI/CD 자동화에 해당합니다. 일부 조직은 여기에서 한 단계 더 나아가, 모니터링 신호가 재학습과 거버넌스 워크플로우를 트리거할 수 있는 고급 수준으로 확장합니다.\u003C/p\u003E"},{"title":"MLOps와 LLMOps의 차이점은 무엇인가요?","richText":"\u003Cp\u003EMLOps는 학습, 배포, 모니터링, 재학습을 포함해 ML 모델의 수명 주기 전반을 관리합니다. LLMOps는 이러한 관행을 대규모 언어 모델 애플리케이션으로 확장합니다. 이 영역에서는 프롬프트 버전 관리, RAG 파이프라인 모니터링, 평가 프레임워크, 안전 제어, 토큰 비용 관리, 피드백 루프도 필요합니다.\u003C/p\u003E"},{"title":"MLOps 파이프라인의 핵심 구성 요소는 무엇인가요?","richText":"\u003Cp\u003E일반적인 MLOps 파이프라인에는 데이터 파이프라인, 데이터 검증, 피처 엔지니어링, 실험 추적, 모델 학습, 모델 평가, 모델 레지스트리, 배포 자동화, 모델 서빙, 모니터링, 오케스트레이션, 피드백 루프, 거버넌스 제어가 포함됩니다.\u003C/p\u003E"},{"title":"MLOps에는 어떤 도구나 플랫폼이 필요한가요?","richText":"\u003Cp\u003EMLOps에는 일반적으로 데이터 파이프라인, 피처 관리, 실험 추적, 모델 학습, 모델 등록, CI/CD, 서빙, 모니터링, 오케스트레이션, 거버넌스를 위한 도구가 필요합니다. 어떤 팀은 이러한 기능을 별도 도구로 조합하고, 다른 팀은 Snowflake ML 같은 플랫폼을 사용해 수명 주기의 더 많은 부분을 거버넌스가 적용된 엔터프라이즈 데이터 가까이에 유지합니다.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-5c9d77c1c0","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-010c32f98e",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-8de8623b9f","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["AI 리소스 살펴보기"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-9fe0b1be7d","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-464c3e6f19","tagText":"웨비나","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/abm/resource-library/webinars/advantages-of-running-machine-learning-operations-mlops-in-the-cloud-3/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title-v2-a2a0d12e28","type":"heading5","lines":["클라우드에서 MLOps를 실행할 때의 이점"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-f74e0fda56","tagText":"블로그","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/ml-enhances-mlops-streaming-feature-model-management/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title-v2-dc4c4e2a04","type":"heading5","lines":["Snowflake ML, MLOps의 피처 및 모델 관리 강화"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-1b7b58c998","tagText":"블로그","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/scalable-model-serving-architecture/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title-v2-1a7712ad3d","type":"heading5","lines":["확장 가능한 모델 서빙: 아키텍처 개요"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-68fd55969b","tagText":"블로그","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/snowflake-ml-runtime-vs-databricks-tpcx-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title-v2-4dfc5c8c9b","type":"heading5","lines":["Snowflake ML로 분산 훈련 가속화"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_251957817","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-6067c045ed",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-af4a316958","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-29c537c6da","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-1f5ec3a23c","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-65cab05751","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/machine-learning/mlops"},"experiencefragment":{"id":"experiencefragment-13d9d82657","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/machine-learning/mlops"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],":hierarchyType":"page",":path":"/content/snowflake-site/global/ko/artificial-intelligence/machine-learning/mlops","isPasswordProtected":false,"analyticsContentTags":[],"analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/ko/artificial-intelligence/machine-learning/mlops","language":"ko","category":"general","pageName":"MLOps: 프로덕션에서 데이터, 모델, 거버넌스를 하나로 연결하는 방법","contentTags":[]},"locale":"ko"}