AI Trend Research

← AI 용어집

AI 용어집 · 심화 · MLOps·LLMOps

모델 레지스트리 Model Registry

모델 레지스트리는 학습을 마친 AI 모델을 버전별로 모아 두고, 각 모델이 어떤 데이터와 설정으로 만들어졌는지, 지금 어느 단계(검증 중·운영 중·보관)에 있는지를 기록·관리하는 중앙 저장소다.

쉽게 말하면 도서관의 장서 목록과 비슷하다. 책(모델)을 서가에 꽂아 두기만 하는 게 아니라 판본, 출처, 대출 상태까지 기록해 두어 누구든 '지금 쓰는 판이 어느 것인지' 바로 찾을 수 있다. 다만 도서관과 달리 모델은 새 버전이 자주 나오고, 기존 버전으로 되돌리는 일도 잦다.

어떻게 작동하나

모델을 학습한 뒤 그 결과 파일을 레지스트리에 '등록'하면 이름과 버전 번호가 붙는다. 이때 학습에 쓴 데이터, 코드 버전, 평가 점수 같은 정보(메타데이터)도 함께 묶어 저장한다. 등록된 모델은 보통 개발 → 스테이징(운영 전 검증) → 프로덕션(실제 운영) → 보관 같은 단계를 거치며, 단계를 옮길 때 승인 절차를 둘 수 있다. 모델 서빙 시스템은 레지스트리에서 '프로덕션' 표시가 붙은 버전을 가져와 배포한다.

모델 버전이 거치는 단계

  1. 1
    등록모델 파일 + 데이터·코드·점수 기록
  2. 2
    개발버전 번호 부여
  3. 3
    스테이징운영 전 검증·승인
  4. 4
    프로덕션서빙 시스템이 가져다 씀
  5. 5
    보관되돌리기용으로 남겨 둠
레지스트리에 등록된 한 모델 버전이 운영까지 가는 일반적인 흐름이다. 단계 이름과 개수는 팀마다 다르다.

왜 중요한가

모델이 하나뿐일 때는 파일 하나로 충분하지만, 팀과 모델 수가 늘면 '지금 운영 중인 모델이 정확히 무엇인가'를 아무도 확실히 모르는 상황이 생긴다. 레지스트리는 이 질문에 대한 단일한 답을 제공한다. 새 모델에 문제가 생기면 이전 버전으로 빠르게 되돌릴 수 있고, 감사나 규제 대응 때 어떤 모델이 언제 어떤 근거로 배포됐는지 추적할 수 있다. MLOps에서 학습과 배포를 잇는 연결 고리 역할을 한다.

알아 둘 점

레지스트리는 모델 파일을 보관하는 저장소이자 관리 장부이지, 모델의 품질을 보장해 주지는 않는다. 어떤 기준을 통과해야 다음 단계로 올릴지는 팀이 정해야 한다. 실험 추적 도구와 연결해 두면 각 버전이 어떤 실험에서 나왔는지 거슬러 올라가기 쉽다. LLM을 직접 학습하지 않고 외부 API만 쓰는 팀이라도, 프롬프트나 파인튜닝한 어댑터(LoRA 등)를 비슷한 방식으로 버전 관리하는 경우가 많다.

예시

MLflow 같은 MLOps 도구나 주요 클라우드의 머신러닝 플랫폼에는 모델 레지스트리 기능이 들어 있다. 예를 들어 추천 시스템 팀이 새 모델을 학습해 레지스트리에 등록하고, 스테이징 단계에서 A/B 테스트로 검증한 뒤 프로덕션으로 올린다. 이후 지표가 나빠지면 레지스트리에서 이전 버전을 다시 프로덕션으로 지정해 되돌린다.

함께 보면 좋은 용어

MLOps 실험 추적 모델 서빙 LLMOps A/B 테스트 데이터 드리프트