도입 전과 후
같은 일을 손으로 할 때와 Geo-MLOps 로 할 때를 나란히 봅니다
"헬멧 착용 감지 모델을 새 현장 데이터로 다시 학습해서 현장 장비 10대에 올린다"는 흔한 작업을 예로 듭니다.
| 단계 | 도입 전 (손으로) | Geo-MLOps |
|---|---|---|
| 데이터 모으기 | 라벨링 도구에서 압축 파일로 내려받아 공유 폴더에 복사 | 데이터셋 에서 외부 소스 동기화 버튼. 바뀐 파일만 받습니다 |
| 학습 | GPU 서버에 접속해 스크립트 인자를 기억에 의존해 입력 | 마법사에서 이전 실행을 같은 설정으로 다시 제출. GPU 는 테넌트에 배선된 것만 씁니다 |
| 결과 비교 | 로그 파일을 열어 숫자를 스프레드시트에 옮김 | 실험 에서 Run 을 골라 비교. 지표·파라미터·곡선을 나란히 봅니다 |
| 모델 보관 | model_final_v3_real.pt 를 메신저로 전달 | 모델 레지스트리 에 버전으로 등록, 학습 실행·데이터셋과 연결 |
| 배포 승인 | 구두 확인 | 승인 요청을 올리면 책임자가 화면에서 승인·반려하고, 기록이 남습니다 |
| 현장 반영 | 장비마다 원격 접속해 파일 교체 | 배포 한 번으로 대상 장비에 전달, 문제가 생기면 롤백 |
| 사후 감시 | 불만이 들어오면 그때 확인 | 드리프트 와 경보 가 먼저 알려 주고, 그 화면에서 재학습 시작 |
화면으로 보기
기록은 자동으로 남습니다. 학습을 돌리기만 하면 실험 목록에 Run 이 쌓이고 대표 지표가 함께 보입니다.
운영 반영 전에 책임자의 승인을 거칩니다.
현장 장비의 상태를 한곳에서 봅니다.
성능이 떨어지기 시작한 모델을 먼저 알려 줍니다.