GS칼텍스의 Amazon SageMaker Canvas 활용: 생산 MLOps 구축 사례

디지털 혁신이 가속화됨에 따라 GS칼텍스는 Amazon SageMaker Canvas와 SageMaker Pipelines를 도입하여 ML 운영을 최적화하고 있습니다. 이 글에서는 GS칼텍스가 SageMaker를 통해 어떻게 모델 배포를 자동화하고 비용 효율적인 배치 예측을 구현했는지를 살펴보겠습니다.

주요 내용 및 사례

GS칼텍스는 에너지 및 화학 업계에서 프로세스 엔지니어와 ML 엔지니어의 협업을 통해, Amazon SageMaker Canvas에서 개발한 모델을 SageMaker Pipelines로 원활하게 전환하기 위한 워크플로우를 구축했습니다. 엔지니어들은 코드 작성 없이 시각적으로 데이터를 준비하고 모델을 구축하며 배치 예측을 생성할 수 있는 환경을 활용합니다. ML 엔지니어는 구성된 모델을 SageMaker Pipelines에 연결하여 프로덕션 워크플로우를 자동화했습니다.

프로세스 엔지니어의 역할

• 모델 개발: SageMaker Canvas를 통해 데이터 전처리 및 모델 검증 작업을 수행합니다.
• 유효성 검사: 모델 예측의 유용성을 평가하고, 필요에 따라 개선점을 제안합니다.

ML 엔지니어의 역할

• 모델 배포: SageMaker Pipelines를 통해 모델을 구성하고 배포합니다.
• 배치 예측: Amazon EventBridge를 활용하여 30분마다 예측을 실행합니다.

이 자동화된 시스템 덕분에 GS칼텍스는 모델 배포 시간을 몇 시간으로 단축시켰으며, 이전과 비교해 예측 비용도 크게 절감할 수 있었습니다.

결론

GS칼텍스의 사례는 Amazon SageMaker Canvas와 Pipelines의 통합이 개발 속도와 효율성을 얼마나 향상시킬 수 있는지를 보여줍니다. 기존의 반복적인 작업을 줄이고, 새로운 프로세스에 더욱 주력을 할 수 있는 환경을 제공합니다. 이러한 접근법은 다른 기업이 AI 및 ML을 활용하여 디지털 전환을 이루는데 귀감이 될 것입니다.

[1] https://aws.amazon.com/blogs/machine-learning/production-mlops-at-gs-caltex-with-amazon-sagemaker-canvas-part-1/