01. MLOps 시작하기
01-1. MLOps가 필요한 이유
01-2. 머신러닝·딥러닝·LLM의 생명주기
01-3. MLOps와 LLMOps 비교
01-4. CI/CD/CT 개념과 아키텍처
01-5. 이 책의 최종 프로젝트
02. 로컬 MLOps 개발환경 구축
02-1. Python, uv, Git 환경 구성
02-2. Docker와 Docker Compose
02-3. GPU·CUDA 환경 확인
02-4. MLflow 서버 구축
02-5. 실습: 첫 번째 모델 학습 및 기록
03. 데이터 관리 자동화
03-1. 학습 데이터 구조 설계
03-2. DVC로 데이터 버전 관리
03-3. 데이터 품질 검사
03-4. 데이터 전처리 자동화
03-5. 실습: 재현 가능한 학습 데이터셋 구축
04. 모델 학습과 실험 관리
04-1. PyTorch 모델 학습
04-2. MLflow Tracking 연동
04-3. 하이퍼파라미터 및 성능 기록
04-4. 여러 모델 성능 비교
04-5. 실습: 학습 결과 재현
05. 모델 버전 관리와 평가
05-1. MLflow Model Registry
05-2. 모델 등록 및 버전 관리
05-3. 모델 평가 자동화
05-4. 배포 승인 기준 설정
05-5. 실습: 모델 롤백
06. 모델 배포와 API 서비스
06-1. FastAPI 추론 서버
06-2. Docker 이미지 빌드
06-3. MLflow 모델 서빙
06-4. ONNX 기반 추론 최적화
06-5. 실습: REST API 테스트
07. ML 파이프라인 자동화
07-1. ZenML 개념과 구성
07-2. 데이터·학습·평가 단계 정의
07-3. 전체 파이프라인 실행
07-4. GitHub Actions 기반 CI/CD
07-5. 실습: 자동화된 모델 배포 승인
08. LLM 모델 학습 및 파인튜닝 관리
08-1. 오픈소스 LLM과 모델 관리
08-2. Hugging Face 모델 다운로드
08-3. LoRA·QLoRA 파인튜닝
08-4. 학습 체크포인트 관리
08-5. 실습: MLflow 연동 및 실험 비교
09. LLM 평가와 프롬프트 관리
09-1. 기존 딥러닝 평가와의 차이
09-2. LLM 평가 데이터셋 구축
09-3. LLM-as-a-Judge 평가
09-4. 프롬프트 버전 관리
09-5. 실습: 회귀 테스트와 배포 게이트
10. LLM 모델 배포와 추론 최적화
10-1. vLLM 서버 구축
10-2. OpenAI 호환 API
10-3. 양자화 모델 배포
10-4. 추론 처리량·지연시간 분석
10-5. 실습: LLM 서비스 업데이트 및 롤백
11. LLM 서비스 모니터링
11-1. 토큰 사용량 및 요청 추적
11-2. MLflow Tracing 또는 Langfuse
11-3. 응답 품질 모니터링
11-4. 환각·안전성·품질 저하 탐지
11-5. 실습: 프롬프트와 모델 개선 루프
12. 통합 MLOps 모니터링
12-1. Prometheus·Grafana 구축
12-2. GPU 사용률·메모리 모니터링
12-3. Evidently 기반 데이터 드리프트
12-4. 운영 이상 탐지와 알림
12-5. 실습: 신규 데이터 기반 재학습 워크플로
13. AI 에이전트를 활용한 MLOps 자동화
13-1. AI 코딩 에이전트로 파이프라인 생성
13-2. 로그·메트릭 기반 장애 분석
13-3. AI 기반 실험 결과 분석
13-4. 재학습 후보 추천 및 검증
13-5. 실습: 승인 기반 운영 자동화
14. 실전 통합 MLOps 플랫폼 완성
14-1. 모델·데이터·실험 통합관리
14-2. 다중 AI 모델 서비스 운영
14-3. CI/CD/CT 전체 연결
14-4. Kubernetes·Kubeflow 확장
14-5. 최종 시스템 검증 및 성능 평가
부록A. 실습 환경별 구성 가이드
부록B. 기술 스택 버전 대장
부록C. 자주 발생하는 오류와 해결
부록D. 참고 자료