| 학습 목표
N사 커머스에 입점한 여러 쇼핑몰에서 실시간으로 유입되는 상품 카테고리를
자동으로 분류하기 위한 서빙 파이프라인과 Inference 환경 구축

| 학습 내용
MLFlow 활용 상황 파악
KServe 및 여러 인프라 구축 및 활용법
gitops와 KServe를 이용한 Serving 파이프라인
Kafka를 이용한 실시간 유입 상품 Inference
효율적인 자원 사용을 위한 방법

| 주요 Key Point
상품 카테고리를 자동으로 분류하는
모델 배포의 자동화

| 학습 목표
커스텀한 MLOps Library를 개발하고 각 고객을 식별하여
관리할 수 있는 AI 서비스를 개발합니다.

| 학습 내용
FastAPI 활용 방법
Custom Library 생성 방법
Kubernetes 환경 구축 및 활용 방법
ArgoCD 기반 CI/CD 구축 및 활용 방법
GCP 기반 ETL 구축

| 주요 Key Point
모델 학습 후, 바로 AI 서비스로 배포될 수 있는 환경 구성과
서비스의 원활한 운영을 위한 CI/CD 파이프라인 구축

| 학습 목표
금융 환경에서 이상탐지 모델을 MLOps에 적용하기 위해
밑바닥부터 모든 환경을 구축합니다.

| 학습 내용
도입에 적합한 MLOps 솔루션 리서치
이상탐지 데이터 & 모델 구성
Gitlab 기반 CI/CD 환경 구성
Airflow를 활용한 ML 파이프라인 구성
ML 모델을 CI/CD에 배포
Bento ML을 이용한 ML 모델 서빙

| 주요 Key Point
금융환경에서 MLOps 구축에 필요한 제약 조건을 이해하고,
실제 파이프라인을 A to Z 모두 하나하나 구현 해봅니다.

| 학습 목표
개발한 이상탐지 모델 기반 MLOps 환경에서 이상탐지의 성능을
높이기 위한 모니터링 환경 구축과 메트릭 분석을 직접 수행합니다.

| 학습 내용
성능 튜닝을 위한 모니터링 환경을 이해
grafana & prometheus를 활용한 대시보드 구성
MLFlow 모델 모니터링
Airflow & BentoML을 활용한 모니터링 메트릭 수집
Airflow & BentoML 기반 모니터링 성능 개선

| 주요 Key Point
MLOps 모니터링을 위한 환경을 이해하고, 성능 개선에 필요한
메트릭을 분석합니다.

| 학습 목표
MLFlow를 활용하여 모델을 개발부터 배포 단계까지의 과정을
간소화하고 효율적으로 관리하는 방법을 학습합니다.

| 학습 내용
MLFlow 환경 설정
은행 마케팅 고객 데이터 셋 로딩
모델 개발 및 하이퍼파라미터 튜닝
모델 평가 및 배포

| 주요 Key Point
MLOps를 사용하기 전에 비해 MLFlow를 활용하여 모델을
효율적으로 개발하는 방법 학습

| 학습 목표
AWS SageMaker를 활용하여 신용 승인 예측 모델을 개발하고 한 달 주기로
모델을 자동으로 업데이트 후 배포하는 MLOps 파이프라인을 구축합니다.

| 학습 내용
신용 승인 데이터의 이해
신용 승인 모델 개발
CI/CD 구축 및 모델 스케쥴링
로그 및 모니터링 설정

| 주요 Key Point
한 달 주기로 모델을 업데이트 하는 CI/CD 구축 후,
로그 및 모델 성능 모니터링을 구성

| 학습 목표
챗봇 등 자연어 처리에서 자주 활용하는 개체명 인식을 학습 시키기 위한
Kubeflow 활용 및 파이프라인을 구성합니다.

| 학습 내용
Kubeflow 활용 시나리오 파악
Cloud Native 환경 구축에 대한 이해
IaaC에 기반한 Cloud Engineering 및 Terraform 활용
설치형 환경에서의 Cloud 접근 및 서비스 활용
Jupyter Notebook, Terminal 등 ML/DL 연구자를 위한 리소스 할당
Kubeflow 파이프라인 구축을 통한 연구와 서비스의 연계

| 주요 Key Point
ML/DL 연구자와의 학습 리소스 할당과 학습 결과물의 파이프라인 연계

| 학습 목표
실무에서 경험할 수 있는 Multiple ML/DL Framework에 대한
고성능 모델 서빙 파이프라인을 구성합니다.

| 학습 내용
NVIDIA 공식 Serving 방식인 Trition Inference Server에 대한 이해
범용성 높고 재활용성이 높은 Triton을 활용한
Multiple ML/DL Framework 대응
Dynamic Batching, Ensemble 등을 활용한 고성능 모델 서빙

| 주요 Key Point
MLOps Engineer가 자주 맞이하게 되는 다양한 프레임워크로
구성된 ML/DL 모델들의 서빙에 필수적인 Triton Inference
Server에 대한 사용 및 활용방법

| 학습 목표
Data Drift 탐지를 통해 운영하고 있는 이상 탐지 모델 성능을 모니터링하고
성능이 떨어졌을 때, 배치성으로 모델을 재학습 및 배포합니다.

| 학습 내용
Data Drift를 통한 트리거 발동 구현
Airflow 환경 구축
배치성 트리거 기반 재학습 파이프라인 개발


| 주요 Key Point
운영 중인 이상 탐지 모델의 성능을 지속적으로 판단하기 위한
모델 성능 모니터링 및 업데이트 자동화

| 학습 목표
도메인에 종속받지 않고 어떤 상황에서든지 서비스에 적용하고자
하는 ML 모델을 얻기 위한 Airflow 환경 구축

| 학습 내용
MLOps 활용 상황 파악
MLEngineer를 위한 독립적인 Airflow 환경 구축
Airflow를 활용한 ML 모델 학습 파이프라인
효율적인 자원 사용을 위한 모델 학습 방법

| 주요 Key Point
다양한 데이터로 실험해보면서 독립적으로 ML 모델을
구축해볼 수 있는 환경 구성