지난 주가 "모델을 어떻게 배포하느냐"였다면, 이번 주는 "그 배포를 어떻게 자동화하고 반복 가능하게 만드느냐"다. 즉 MLOps다. 데이터 전처리 → 학습 → 평가 → 등록 → 배포로 이어지는 과정을 사람이 매번 손으로 노트북 셀을 실행하는 방식은 재현성이 없고 실수를 부른다. SageMaker Pipelines는 이 일련의 작업을 코드로 정의된 워크플로(DAG)로 묶어, 한 번 정의하면 같은 절차를 버튼 하나 또는 트리거로 반복 실행하게 해준다.
오늘은 Pipelines의 핵심 구성요소인 **단계(Step), 방향성 비순환 그래프(DAG), 파라미터(Parameter), 조건 단계(Condition Step)**를 다룬다. MLA-C01 시험은 "이 ML 워크플로를 재현 가능하게 오케스트레이션하려면 무엇을 쓰는가"를 반복해서 묻고, SageMaker 네이티브 환경에서는 거의 항상 Pipelines가 정답이다.
SageMaker Pipelines는 ML 워크플로를 위한 CI/CD 오케스트레이션 서비스다. 각 작업을 "단계(step)"로 정의하고, 단계 간 데이터 의존성을 연결하면 SageMaker가 자동으로 실행 순서를 가진 **DAG(Directed Acyclic Graph)**를 구성한다. 한 단계의 출력(예: 전처리된 데이터 S3 경로)이 다음 단계의 입력으로 전달되며, SageMaker는 의존성이 없는 단계는 병렬로 실행한다.