정의

모델 기반 서비스(MBS)는 핵심 기능이 하나 이상의 훈련된 계산 모델(예: 머신러닝 모델, 예측 알고리즘 또는 지식 그래프)에 의해 구동되거나 이에 크게 의존하는 서비스 아키텍처입니다. 고정된 하드 코딩된 비즈니스 로직 흐름을 실행하는 대신, 이 서비스는 모델의 출력을 사용하여 실시간으로 동적인 의사 결정, 예측 또는 복잡한 출력을 생성합니다.

중요성

기존 서비스는 결정론적 규칙(X이면 Y)에 따라 작동합니다. MBS는 적응성을 도입합니다. 빠르게 변화하는 비즈니스 환경에서 정적인 규칙은 금방 쓸모없어집니다. MBS는 시스템이 데이터로부터 학습하고, 새로운 입력에 적응하며, 운영 지능과 사용자 경험을 크게 향상시키는 미묘하고 상황 인식적인 응답을 제공할 수 있도록 합니다.

작동 방식

이 과정은 일반적으로 여러 단계를 거칩니다.

1. 데이터 수집: 서비스가 원시 입력 데이터를 수신합니다.
2. 모델 실행: 이 데이터는 배포된 사전 훈련된 모델(예: 분류 모델 또는 추천 엔진)에 공급됩니다.
3. 추론 및 결정: 모델이 출력(예측, 점수, 분류 등)을 생성합니다.
4. 서비스 오케스트레이션: 주변 서비스 로직이 이 모델 출력을 가져와 최종 비즈니스 작업을 실행하는 데 사용합니다(예: 요청 라우팅, 개인화된 응답 생성 또는 알림 트리거).

일반적인 사용 사례

• 개인화된 추천: 전자상거래 플랫폼은 사용자 행동 모델을 기반으로 제품을 추천하기 위해 MBS를 사용합니다.
• 지능형 라우팅: 고객 지원 시스템은 들어오는 티켓에 대해 최적의 부서나 담당자를 예측하기 위해 모델을 사용합니다.
• 사기 탐지: 금융 서비스는 MBS를 배포하여 사기 활동에 대한 학습된 패턴과 실시간으로 거래를 점수화합니다.
• 예측 유지보수: 산업용 IoT 서비스는 시계열 모델을 사용하여 장비 고장을 발생하기 전에 예측합니다.

주요 이점

• 적응성: 서비스는 기본 데이터 패턴이 변경됨에 따라 진화합니다.
• 지능의 확장성: 복잡한 의사 결정 기능이 캡슐화되어 여러 애플리케이션에서 재사용될 수 있습니다.
• 자동화 심화: 단순한 자동화를 넘어 모호성을 처리하는 지능적인 자동화로 나아갑니다.

과제

• 모델 드리프트: 실제 데이터가 훈련 데이터와 달라짐에 따라 모델이 시간이 지남에 따라 성능이 저하되므로 지속적인 모니터링과 재훈련이 필요합니다.
• 설명 가능성(XAI): 모델이 특정 결정을 내린 이유를 이해하는 것이 어려울 수 있으며, 이는 규제 산업에서 매우 중요합니다.
• 인프라 오버헤드: 복잡한 모델을 배포, 모니터링 및 서비스하려면 전문화된 MLOps 인프라가 필요합니다.

관련 개념

• MLOps: 프로덕션 환경에서 ML 모델의 전체 수명 주기를 관리하는 학문입니다.
• API 게이트웨이: 모델의 추론 엔드포인트를 소비 가능한 서비스로 노출하는 데 사용됩니다.
• 강화 학습: 환경 내에서 시행착오를 통해 최적의 행동을 학습하는 ML의 하위 집합입니다.