[AWS] Amazon SageMaker Model Card & Model Registry

Amazon SageMaker Model Card

Amazon SageMaker 모델 카드를 사용하면 기계 학습(ML) 모델에 대한 중요한 세부 정보를 한 곳에 문서화하여 거버넌스 및 보고를 간소화할 수 있다. 모델 카드는 수명 주기 동안 모델에 대한 주요 정보를 캡처하고, 그렇기에 책임 있는 AI 관행을 구현하는 데 도움이 될 수 있다.

 

모델의 용도 및 위험 등급, 훈련 세부 정보 및 지표, 평가 결과 및 관찰, 추가 설명(ex. 고려 사항, 권장 사항, 사용자 지정 정보)과 같은 세부 정보를 분류하며, 일반적으로는 다음의 활동을 수행한다.

 

① 모델 사용 방법에 대한 지침 제공

② 모델 훈련 및 성과에 대한 자세한 설명과 함께 감사 활동 지원

③ 비즈니스 목표를 지원하기 위한 모델의 용도 전달

 

우리가 제품을 구매하면 제품에 대한 카드(설명서, 보증서 등)가 들어있는 것처럼, 이 모델 카드도 결국 똑같은 역할인 것이다. 모델의 신분증, 제품설명서 같은 역할을 하며, 모델의 개발 수명주기 전반에 걸쳐 거버넌스, 투명성, 감사 및 보고를 간소화하는 것이다.

Amazon SageMaker Model Registry

Amazon SageMaker Model Registry는 AWS에서 머신러닝 모델의 생성부터 배포까지의 수명 주기를 중앙에서 관리하는 저장소라 할 수 있다. 이는 모델의 버전 관리, 승인 워크플로우, 그리고 배포 상태 추적을 표준화하고 자동화하여, 모델의 운영 효율성과 거버넌스를 높이는 데 핵심적인 역할을 하는 것이다.

 

Model Registry는 프로덕션 환경에 배포할 모델을 체계적으로 관리하는 데 필수적으로, 보통 다음과 같은 활동을 수행한다.① 훈련된 모든 모델 버전을 한곳에 저장하고, 각 버전에 대한 메타데이터(훈련 환경, 성능 지표 등)를 기록하여, 특정 시점의 모델 상태로 쉽게 롤백하거나, 이전 모델의 성능과 최신 모델의 성능을 비교 ② 모델을 실제 서비스 환경에 배포하기 전에 수동 또는 자동 승인 단계를 거치도록 설정하여 운영 안정성 확보③ 등록된 모델이 현재 어느 환경(개발, 스테이징, 프로덕션)에 배포되어 사용 중인지, 그리고 그 상태가 Approved, Rejected, Pending 중 무엇인지를 추적④ SageMaker Pipelines와 통합되어 모델 훈련이 완료되면 자동으로 Registry에 등록되고, 테스트 및 승인 단계를 거쳐 배포까지 자동화된 MLOps 워크플로우를 구축

 

요약하자면, Model Registry는 모델을 단순한 코드 덩어리가 아닌, 관리와 통제가 가능한 자산으로 취급하여 ML 시스템의 안전하고 효율적인 운영을 가능하게 하는 중앙 허브인 것이다.

 

결국, 모델 카드는 문서화, 투명성 목적이라면, 모델 레지는 관리, 제어라고 할 수 있다. 이 두 서비스는 이름이 비슷한 것처럼 상호 협력 관계이며, 모델이 SageMaker Registry에 새 버전으로 등록될 때, Model Card는 그 모델의 성능과 의도된 사용에 대한 공식적인 증거 문서로 활용된다. 또한, Registry의 승인 워크플로우는 Model Card에 기록된 성능 지표 및 위험 평가를 기반으로 모델의 배포 여부를 결정하는 데 사용되기도 한다.