Google Vertex AI 플랫폼 기능 요약 및 Azure ML 비교
모델 학습 (Training)
Vertex AI의 모델 학습 기능: Vertex AI는 다양한 방식의 모델 학습을 지원하는 통합 ML 플랫폼입니다. 사용자는 AutoML과 커스텀 모델 학습 중 선택할 수 있습니다. AutoML은 별도 코딩 없이 테이블 데이터, 이미지, 텍스트 등의 모델을 자동으로 학습해주는 기능이고, 커스텀 학습은 사용자가 직접 작성한 TensorFlow/PyTorch 등의 코드로 모델을 학습시킬 수 있는 기능입니다. 또한 대규모 하이퍼파라미터 튜닝 작업도 지원하며, 원하는 경우 분산 학습으로 여러 머신에서 훈련을 수행할 수도 있습니다. Vertex AI에서는 **학습 잡(job)**을 생성할 때 머신 리소스(예: VM 종류, GPU/TPU 개수), 지역, 예산(학습 시간 제한) 등을 세부 설정할 수 있어 유연한 인프라 활용이 가능합니다geeksforgeeks.org.
중급/고급 사용자를 위한 도구: 고급 사용자는 Vertex AI Workbench라는 관리형 주피터 노트북 환경을 통해 코드로 모델을 개발하고 바로 클라우드 리소스에서 학습을 실행할 수 있습니다. Python용 Vertex SDK (google-cloud-aiplatform 라이브러리)를 사용하면 학습 작업을 프로그래밍 방식으로 제어할 수 있는데, 예를 들어 Python 코드에서 학습 스크립트와 환경을 지정해 커스텀 학습 잡을 생성하고 제출할 수 있습니다. 아래는 Vertex AI Python SDK를 사용해 커스텀 학습 잡을 정의하는 예시입니다:
위와 같이 SDK를 통해 코드로 학습 잡을 정의하면, Vertex AI가 백엔드에서 지정된 리소스(n1-standard-4 VM + T4 GPU)를 프로비저닝하여 학습을 수행합니다. 학습 코드 실행 중의 로그나 모델 산출물은 Vertex AI 콘솔에서 모니터링하고 관리할 수 있습니다. 또한 Vertex AI는 TPU와 같은 구글 클라우드 전용 하드웨어도 지원하므로, 대규모 딥러닝 모델 학습 시 TPU v5와 같은 최신 AI 가속기를 활용할 수 있다는 장점이 있습니다ankursnewsletter.com.
Azure ML과의 비교 – 모델 학습: 다음 표는 모델 학습 측면에서 Vertex AI와 Azure Machine Learning(이하 Azure ML)의 기능을 비교한 것입니다.
| 자동 ML | Vertex AI 내 AutoML로 테이블, 이미지, 텍스트 등 다수의 AutoML 서비스 제공. UI 또는 SDK로 간편하게 고품질 모델 생성 가능. | Azure ML도 AutoML 기능 내장 (스튜디오 UI 또는 Python SDK 지원). 주로 Tabular AutoML이 강점이며 딥러닝 비전/텍스트도 지원. |
| 커스텀 모델 학습 | 커스텀 컨테이너 또는 Python 패키지로 사용자 코드 실행. Vertex AI가 관리형으로 인프라 프로비저닝 및 스케일링. 머신 타입 (CPU, GPU, TPU 등) 선택 가능geeksforgeeks.org. | 사용자 스크립트를 Script나 Command job으로 제출. 사전에 준비한 컴퓨팅 클러스터(Azure ML Compute)에서 실행됨. Conda 환경 또는 도커 이미지로 의존성 관리. GPU 지원 (TPU 없음). Azure Arc로 온프레미스/엣지 리소스도 연결 가능 (하이브리드 학습)ankursnewsletter.comankursnewsletter.com. |
| 하이퍼파라미터 튜닝 | Vertex AI 하이퍼파라미터 튜너(Vizier 기반)로 Bayesian Optimization 등 자동화된 탐색 지원. UI 또는 SDK로 실험 설정. | Azure ML은 HyperDrive (v1) 또는 Sweeps (v2) 기능으로 튜닝 실험 지원. 다양한 검색 알고리즘 제공하며, 병렬 실험 실행 및 조기 종료 기능. |
| 노트북 개발 환경 | Vertex AI Workbench : GCP에 호스팅된 관리형 주피터Lab. BigQuery 등 GCP 데이터와 시너지 높음. 또한 Colab Enterprise 연동 가능. | Azure ML Studio의 내장 노트북 또는 VS Code와 연계된 개발 경험. 데이터를 위한 Azure 데이터스토어 마운트 등 지원. 필요에 따라 Azure Databricks, Synapse Spark와 연계하여 데이터 처리. |
| 실험 관리 | Vertex AI Experiments로 실험별 메트릭과 파라미터를 관리하고 비교. TensorBoard 지원으로 딥러닝 학습 곡선 시각화 가능happtiq.com. | Azure ML Experiments 개념으로 각 학습 run의 메트릭을 워크스페이스에 기록 및 비교. 기본적으로 MLflow Tracking 통합되어 있어 사용자 커스텀 메트릭도 로깅 가능. 모델별 체크포인트와 metrics 시각화는 Studio에서 제공. |
| 특징 (기타) | 최신 프리트레인 모델 제공: Vertex AI의 **모델 가든(Model Garden)**을 통해 PaLM 2 등 구글의 대규모 Generative AI 모델을 활용하거나 파인튜닝 가능happtiq.com. | OpenAI와 파트너십으로 Azure OpenAI 서비스에서 GPT-4 등 거대 모델 API 제공. Azure ML 내부에서도 해당 모델을 활용하는 시나리오를 Studio에서 제공 (예: 프롬프트 흐름 기능 등). |
요약: Vertex AI의 모델 학습은 GCP 인프라 통합에 강점이 있고, TPU같은 특수 HW와 BigQuery 연계로 대용량 데이터 학습에 유리합니다ankursnewsletter.comankursnewsletter.com. 반면 Azure ML은 기업 환경의 거버넌스와 유연성에 중점을 두며, 하이브리드 클라우드나 온프레미스까지 아우르는 배포 옵션을 제공하는 것이 특징입니다ankursnewsletter.com. 두 플랫폼 모두 AutoML부터 커스텀 트레이닝까지 지원하지만, Azure ML이 규제 산업이나 Windows 기반 스택에 최적화된 반면 Vertex AI는 빅쿼리(BigQuery) 같은 데이터 플랫폼과의 긴밀한 연결로 데이터 사이언스 워크플로우를 가속화하는 데 강점이 있습니다ankursnewsletter.comankursnewsletter.com.
모델 추론 및 배포 (Inference & Deployment)
Vertex AI의 추론/배포 기능: 모델 학습 완료 후에는 Vertex AI에서 모델을 엔드포인트(Endpoint)에 배포하여 실시간 예측 서비스를 만들 수 있습니다. Vertex AI 엔드포인트는 하나 이상의 모델 버전을 호스팅하며, 사전 설정한 컴퓨팅 리소스에 따라 자동 확장이 가능합니다 (트래픽에 따라 인스턴스 수 증가/감소)happtiq.com. Vertex AI의 장점 중 하나는 외부에서 학습된 모델도 가져와 배포할 수 있다는 점으로, 예를 들어 ONNX 또는 PyTorch로 로컬에서 학습된 모델을 Vertex AI에 등록하여 서빙할 수 있습니다happtiq.com. 실시간 예측(온라인 추론)은 HTTPS 요청으로 엔드포인트에 입력을 보내면 즉시 결과를 반환하며, 대량의 데이터에 대한 배치 예측도 지원합니다geeksforgeeks.org. 배치 예측의 경우 엔드포인트에 모델을 상시 배포하지 않고도, 데이터가 저장된 GCS(Cloud Storage) 경로를 입력으로 지정하면 Vertex AI가 일괄 예측 작업을 수행하고 출력 결과를 파일로 저장해 줍니다happtiq.com.
Vertex AI에서는 모델 배포 시 서빙용 인프라(예: CPU-only, GPU 적용 여부, 메모리 크기)를 선택할 수 있고, 필요하면 사용자 정의 Docker 이미지를 사용하여 커스텀 예측 서버를 구성할 수도 있습니다. 고급 사용자는 Python SDK로 직접 모델을 배포할 수 있는데, aiplatform.Model.upload()으로 모델을 등록한 후 model.deploy() 메서드로 엔드포인트에 배포하는 방식입니다. 배포된 모델은 Vertex AI 모델 레지스트리에 버전별로 관리되며, Vertex AI 모델 모니터링 기능을 통해 운용 중인 모델의 입력 특성 변화나 예측 성능 저하를 모니터링하고 이상 발생 시 알림을 받을 수 있습니다happtiq.com. 또한 Vertex AI 엔드포인트는 설명 가능한 AI를 지원하여 특정 AutoML 모델이나 TensorFlow 모델 등에 대해 특징 중요도와 같은 설명 정보를 제공하도록 설정할 수 있습니다 (예: 이미지 분류 모델의 경우 어떤 픽셀이 결정에 기여했는지 시각화).
중급/고급 사용자를 위한 활용: Vertex AI에서는 모델 배포와 추론도 코드로 자동화할 수 있습니다. 예를 들어, 파이프라인 코드에서 학습이 끝난 모델을 곧바로 엔드포인트에 배포하고 테스트하는 단계들을 정의할 수 있고, Vertex SDK를 통해 모델 객체를 다룸으로써 모델 ID나 버전을 직접 관리할 수 있습니다. 실시간 추론 요청은 REST API 또는 Vertex SDK로 호출할 수 있고, Vertex AI가 제공하는 클라이언트 라이브러리를 이용하면 인증과 요청 구성이 단순화됩니다. 한편 모델 모니터링 설정을 코드로 적용하여, 데이터 드리프트 모니터링 잡을 생성하거나 스케줄링하는 것도 가능합니다. 예를 들어 한 달간의 입력 데이터 분포를 훈련 시 분포와 비교해 변화가 크면 Alert를 보내도록 Vertex AI에서 자동화할 수 있습니다happtiq.com. 이러한 설정은 UI에서도 가능하지만, 코드 기반으로 하면 여러 워크스페이스나 환경에 일괄 배포하는 데 유리합니다.
Azure ML과의 비교 – 모델 추론/배포:
| 모델 레지스트리 | 학습 완료 시 모델 자동 등록 또는 수동 등록. Vertex AI 모델 메뉴에서 버전 관리됨. | 실험 Run 결과로 모델을 등록하거나 수동 등록. Azure ML 모델 자산으로 워크스페이스에 저장되어 재사용 가능. |
| 엔드포인트 배포 | 엔드포인트(Endpoint) 생성 후 하나의 모델 배포. 필요 시 동일 모델을 여러 엔드포인트에 배포 가능happtiq.com. 엔드포인트당 자동 확장 설정(최소/최대 노드 수) 지원. GPU 서빙 및 사용자 커스텀 도커 이미지 지원. | 온라인 엔드포인트(Online Endpoint) 생성 후 여러 배포(deployment) 슬롯에 모델 버전들을 배포 가능. 한 엔드포인트 내 A/B 테스트처럼 트래픽을 여러 모델에 분배 가능 (예: v1 70%, v2 30%). 백엔드 인프라는 Azure가 관리하며, 자동 확장 및 고가용성 설정 가능. 또는 Azure Kubernetes Service에 자체 배포 옵션으로 사용자 컨트롤 향상. |
| 배치 추론 | Batch Prediction 잡으로 대용량 데이터에 대한 일괄 예측 수행. 입력은 Cloud Storage 또는 BigQuery로부터 읽고 결과를 Cloud Storage에 저장. 엔드포인트 배포 없이도 수행 가능happtiq.com. | 배치 엔드포인트 또는 파이프라인으로 대규모 배치 추론 지원. Azure ML v2에서는 배치 엔드포인트를 정의해두고 필요할 때 배치 작업을 submit하거나, 개별 배치 작업(Job)으로도 모델 사용 가능. 입력/출력은 Azure Blob Storage나 Data Lake에서 읽고 씀. |
| 모델 확장성 | Vertex 엔드포인트는 수동 또는 자동으로 인스턴스 스케일 조절. 예측 트래픽에 따라 GPU 인스턴스 수를 늘리거나 줄여 비용 최적화. 요청당 지연 시간 및 처리량 모니터링을 Vertex AI 콘솔에서 제공. | Azure 온라인 엔드포인트도 autoscaling 규칙 설정 가능(예: CPU 사용률 기준). Azure Monitor와 연계되어 요청 지연, 성공률 등의 모니터링 제공. 또한 Application Insights로 로그 수집 및 분산 추적 가능. |
| 모델 모니터링 | Vertex AI Model Monitoring 서비스로 특성 드리프트나 예측 오류율 변화 감지happtiq.com. 기준 분포 대비 drift 발생 시 사용자에게 알림. (예: 입력 데이터 분포가 훈련 데이터와 달라지면 경고) | Azure ML은 별도 Data Drift 모니터링 기능으로 데이터셋 간 드리프트 계산 지원. 또한 모델 출력과 실제 라벨을 지속 수집하여 모델 성능 모니터링하는 템플릿 제공 (Azure Monitor 또는 Log Analytics 활용). 다만 이러한 모니터링은 Vertex만큼 자동화되어 있진 않고 사용자가 파이프라인이나 배치 작업으로 구현하거나 Azure Monitor를 세밀하게 설정하는 방식. |
| 대규모 사전학습 모델 서빙 | Vertex AI에서 제공하는 Generative AI 모델(예: PaLM, Imagen 등)을 API로 호출하거나 자체 커스텀 튜닝 후 엔드포인트에 배포 가능happtiq.com. (Vertex AI 내 모델 가든이나 Generative AI Studio 사용) | Azure는 Azure OpenAI 서비스를 통해 GPT-4, Codex 등 거대 언어모델을 전용 엔드포인트로 제공. Azure ML은 이 서비스와 통합되어 파이프라인이나 노트북에서 OpenAI 모델을 활용 가능. (또한 Azure AI Studio에서 Prompt Flow 등 시각화 도구로 GPT 사용 지원) |
요약: Vertex AI와 Azure ML 모두 엔드투엔드 모델 배포를 지원하지만, 운영 환경에서의 지향점에는 차이가 있습니다. Vertex AI는 간결한 배포 및 관리에 중점을 두어, 외부 모델도 손쉽게 호스팅하고 GCP 데이터 생태계와 연결하는 데 강합니다happtiq.com. Azure ML은 엔터프라이즈 요구에 맞춰 유연한 배포 옵션과 통합 모니터링을 제공하며, 하나의 엔드포인트에 여러 모델 배포(A/B 테스트)나 Azure의 애플리케이션 모니터링 도구와의 연계를 특징으로 합니다. 규제 산업이나 보안이 중요한 경우 Azure의 컨피덴셜 컴퓨팅 환경(예: SGX enclaves)을 통한 안전한 추론도 가능하며ankursnewsletter.com, 반면 Vertex AI는 GPU/TPU 기반 고성능 추론 및 멀티 클라우드 데이터 소스 연동(BigQuery Omni를 통한 이종 클라우드 데이터 조회 등)에 강점이 있습니다ankursnewsletter.com.
파이프라인 구성 및 자동화 (ML Pipelines)
Vertex AI의 파이프라인: Vertex AI Pipelines는 Kubeflow Pipelines(KFP) 기반으로 구축된 워크플로우 오케스트레이션 기능입니다. 복잡한 ML 워크플로우(데이터 전처리 → 모델 학습 → 평가 → 배포 등)를 하나의 파이프라인으로 정의하여 자동화할 수 있습니다. 파이프라인은 Python SDK를 통해 **DSL(Domain-Specific Language)**로 정의되며, 각 단계는 컨테이너로 실행됩니다. 사용자는 Kubeflow Pipelines SDK 또는 TFX SDK를 사용해 파이프라인을 정의할 수 있고cloud.google.com, Google이 제공하는 Vertex AI Pipeline Components(예: BigQuery에서 데이터 불러오기, AutoML 학습 수행, 모델 배포 등 미리 구현된 컴포넌트)도 재사용할 수 있습니다cloud.google.com. Vertex AI에서 파이프라인을 제출하면 GCP에서 서버리스 방식으로 해당 워크플로우가 실행되는데, 사용자는 복잡한 인프라 (예: Argo Workflow 엔진 또는 Kubernetes 클러스터)를 직접 다룰 필요 없이 Vertex AI가 백엔드에서 관리해줍니다.
Vertex AI 파이프라인의 실행 결과는 Vertex AI 콘솔의 파이프라인 화면에서 모니터링할 수 있습니다. UI 상에서 각 단계별 DAG(Task 흐름)을 시각적으로 확인하고 로그를 열람할 수 있으며, 단계 간 데이터 아티팩트나 메타데이터가 자동 기록되어 재현성과 투명성이 높아집니다. 고급 사용자는 파이프라인 코드를 Vertex AI SDK로 컴파일 및 제출하거나 gcloud CLI로 배치할 수 있습니다. 예를 들어, 아래와 같이 Python 함수로 파이프라인을 정의한 후 SDK로 실행할 수 있습니다:
위와 같이 코드를 통해 파이프라인을 정의하면, Vertex AI가 해당 파이프라인을 실행하면서 각 스텝을 순차적으로 처리합니다. 예를 들어 첫 단계에서 데이터 준비를 위해 Dataflow 작업이 실행되고, 다음 단계에서 학습이 Vertex Training으로 수행된 뒤, 최종 단계에서 모델이 배포되는 과정을 모두 자동화할 수 있습니다. 조건부 실행, 병렬 실행 등도 DSL로 표현 가능하여, 복잡한 시나리오를 유연하게 구성할 수 있습니다. Vertex AI Pipelines를 활용하면 사람이 수작업으로 하던 모델 학습/배포 사이클을 자동화함으로써 MLOps 모범 사례(재현 가능하고 지속적인 학습/배포)를 구현할 수 있습니다happtiq.com.
Azure ML의 파이프라인: Azure ML도 유사하게 Azure ML Pipelines라는 이름으로 워크플로우 자동화를 제공합니다. Azure에서는 파이프라인을 정의하는 두 가지 방식을 지원하는데, 하나는 Python SDK(v2)를 사용해 @dsl.pipeline 데코레이터 등으로 파이프라인을 코드로 정의하는 방식이고, 다른 하나는 Azure ML Designer라는 시각적 드래그앤드롭 UI를 사용하는 방식입니다. 특히 Azure ML Designer는 사전에 준비된 모듈들을 캔버스로 끌어와 연결함으로써 사용자가 코드 작성 없이 파이프라인을 구성할 수 있게 해주며, 데이터 준비부터 모델 학습, 배포까지 일련의 과정을 GUI로 설계할 수 있습니다learn.microsoft.com. 코드 기반 파이프라인은 YAML 스펙으로도 정의 가능하여, CLI로 파이프라인을 등록/실행하거나 CI/CD에 통합하기 쉽습니다. Azure ML의 파이프라인 컴포넌트는 재사용 가능한 Component 단위로 정의되어 Azure ML 레지스트리에 등록해 놓고 팀 내 공유할 수 있고, 파이프라인 실행 시 각 단계는 지정된 Compute(Target)에서 동작합니다. 예를 들어 데이터 전처리 단계는 CPU 클러스터에서, 학습 단계는 GPU 클러스터에서 실행하도록 분리하는 식입니다. Azure 파이프라인 결과도 Studio UI에서 시각적 DAG와 로그를 제공하며, 실행된 산출물은 Azure의 저장소에 보존됩니다.
Azure ML과의 비교 – 파이프라인:
| 파이프라인 정의 | Kubeflow Pipelines SDK 사용 (Python 기반 DSL). TFX DSL도 지원. 100% 코드 기반 정의 방식으로 유연성 높음cloud.google.com. | Python SDK 또는 YAML 정의 지원. **디자이너(Designer)**라는 노코드 GUI 제공으로 쉬운 파이프라인 제작 가능learn.microsoft.com. (코드 방식은 기능적으로 Vertex와 유사하게 @dsl.pipeline 사용) |
| 실행 인프라 | Vertex AI가 관리형 Argo Workflow 실행. 사용자는 인프라 신경 쓸 필요 없음 (서버리스). 각 스텝 컨테이너가 Vertex AI 상에서 실행되며 필요 자원 자동 할당/해제. | Azure ML이 백엔드에서 파이프라인 관리. 각 스텝은 AzureML Compute나 지정된 Kubernetes 등에 배포되어 실행. Azure Arc 통합으로 온프레미스 자원에서도 일부 단계 실행 가능 (하이브리드 파이프라인). |
| 컴포넌트 및 통합 | Google Cloud Pipeline Components 라이브러리를 통해 BigQuery, Dataflow, Spark 등 GCP 서비스 연계 컴포넌트 제공. 예: BigQuery 쿼리 결과를 다음 단계로 바로 전달 가능. | Azure ML도 기본 제공 모듈 (예: Data Input, Train Model, Model Evaluate 등) 다수. 파이프라인에서 Azure Data Factory 트리거나 Azure Databricks Notebook 호출 등 타 Azure 서비스와 연계 가능. Component로 래핑해 Azure Function 등 호출도 가능. |
| 재사용성과 관리 | 파이프라인 정의(py or json) 재사용 가능. Vertex에서는 파이프라인 템플릿(JSON)과 실행 이력을 관리. 일정에 따라 주기적 실행은 Cloud Scheduler 등과 연계 필요 (별도 트리거 세팅). | 파이프라인과 컴포넌트를 Azure ML 내 등록하여 버전 관리. Azure ML 자체적으로 스케줄러 기능 또는 이벤트 기반 트리거 제공하여 파이프라인 주기적 실행/자동 재훈련 구현 가능. (예: 새로운 데이터 도착 시 파이프라인 실행 등) |
| 사용 사례 | 주로 코드에 능숙한 데이터 사이언티스트/엔지니어가 복잡한 MLOps 파이프라인 구성에 활용. 오픈소스 Kubeflow 생태계의 이식을 통해 커스텀 연동 가능 (예: 커스텀 Kubeflow 컴포넌트 사용). | 코드 사용자와 Citizen Data Scientist 모두 대상. 디자이너 UI로 손쉬운 프로토타이핑 가능하며, 숙련자는 코드/YAML로 정교한 파이프라인 개발. 비Azure 서비스와의 통합은 제한적일 수 있으나 Azure Stack 내 통합도구 풍부. |
요약: Vertex AI 파이프라인과 Azure ML 파이프라인 모두 ML 워크플로우 자동화를 실현하지만, 접근 방식에 차이가 있습니다. Vertex AI는 코드 중심 접근으로 유연성과 확장성이 뛰어나며, GCP의 데이터/AI 서비스와 자연스럽게 연결되어 대규모 데이터 파이프라인을 구성하기에 적합합니다ankursnewsletter.com. Azure ML은 코드와 노코드 옵션을 모두 제공하여 사용 편의성을 높였고, 특히 시각적 디자이너는 머신러닝 비전문가도 파이프라인을 설계할 수 있게 돕습니다. 또한 Azure ML은 하이브리드/멀티클라우드 시나리오에서 Azure Arc를 통한 온프레미스 연산 포함이나, Microsoft Purview와 연계한 데이터 거버넌스 추적 등 기업 환경 통합에 강점이 있습니다ankursnewsletter.comankursnewsletter.com. 반면 Vertex AI는 Kubeflow 기반으로 오픈소스 표준을 활용하므로 향후 멀티클라우드 이동성과 커스터마이징에 유리한 측면이 있습니다.
데이터 분석 및 기타 기능 (Data Analysis & Others)
Vertex AI의 데이터 분석 관련 기능: Vertex AI는 데이터 준비부터 모델 운영까지 엔드투엔드로 지원하는 플랫폼인 만큼, 모델 학습 전후의 데이터 분석 작업도 도와주는 도구들을 갖추고 있습니다. 우선 Vertex AI Workbench 노트북 환경은 빅쿼리(BigQuery)와 연동이 잘 되어 있어서, 대용량 데이터에 대해 SQL로 분석을 수행하거나 시각화를 하는 과정을 노트북 내에서 쉽게 할 수 있습니다. 예를 들어 Vertex AI 노트북에서 BigQuery 테이블을 불러와 pandas 데이터프레임으로 취급하거나, BigQuery ML을 사용해 SQL만으로 모델을 학습시키고 이를 Vertex AI에 원클릭 배포하는 통합이 가능합니다ankursnewsletter.com. 이러한 BigQuery 통합은 수십억 행의 데이터도 이동 없이 분석하고 모델링하는 데 큰 강점으로, Vertex AI 사용자는 데이터 레이크/웨어하우스 단계부터 ML까지 끊김없이 작업할 수 있습니다ankursnewsletter.com.
또한 Vertex AI는 Vertex Dataset 기능으로 구조화 데이터, 이미지, 동영상, 텍스트 등 다양한 원천 데이터셋을 관리합니다. 사용자는 Vertex AI에서 Dataset을 생성하고, 데이터 미리보기나 통계 프로파일을 확인할 수 있으며, 필요시 데이터 라벨링 작업을 생성할 수도 있습니다. Vertex AI의 Data Labeling 기능은 이미지 바운딩 박스 지정이나 텍스트 분류 라벨링 등을 팀원이 웹 UI상에서 수행할 수 있게 해주며, AutoML과 연계하여 **ML 어시스턴트(자동 추천 라벨)**도 활용 가능합니다. 이러한 데이터 라벨링 프로젝트는 Azure ML에도 유사한 기능이 있는데, 두 플랫폼 모두 반자동 레이블링과 진행 관리 대시보드를 제공합니다.
Feature Store: Vertex AI에서는 Feature Store 서비스를 제공합니다. 대규모 피처 저장소에 자주 사용하는 특징 값을 저장하고 버전 관리하며, 온라인/오프라인 저장소로 나누어 실시간 피처 제공도 가능합니다happtiq.com. 예를 들어 추천 시스템 개발 시 사용자 속성이나 아이템 통계치 등을 Feature Store에 저장해 두고, 추론 시 실시간으로 해당 특징을 불러와 모델 입력으로 사용할 수 있습니다. Azure도 2023년 말 미리보기로 Azure ML Feature Store를 발표하여 유사한 피처 재사용 서비스를 제공하기 시작했으며, 2025년 현재 점차 안정화되고 있습니다 (이전에는 고객들이 주로 Azure Data Explorer나 Redis 등을 커스텀 사용). Feature Store를 활용하면 특징의 일관성을 유지하고 피처 엔지니어링 자산을 축적하여 팀 생산성을 높일 수 있습니다.
실험 및 모델 관리: Vertex AI Experiments 기능은 앞서 언급한 대로 실험별 산출물과 메트릭을 체계적으로 관리하며, Vertex ML Metadata는 파이프라인 각 단계에서 생성된 데이터와 모델 등의 아티팩트를 기록하여 추적성을 제공합니다happtiq.com. 이는 규제 준수나 연구 재현성 측면에서 중요하며, Vertex AI 사용자들은 언제 어떤 데이터로 학습한 어떤 버전의 모델이 현재 운영 중인지 투명하게 파악할 수 있습니다. Azure ML도 유사하게 모델 레지스트리와 실험 Run 기록을 통해 모델과 데이터 lineage를 관리하며, 특히 Azure Purview와 통합하여 데이터 계보 추적 및 규제 대응 보고서 생성이 가능하다는 점이 두드러집니다ankursnewsletter.com. 또한 Azure는 Responsible AI 툴셋으로 공정성이나 해석 가능성 모듈(Dashboard)을 제공하여, 데이터 편향 분석이나 모델 설명력을 노트북 또는 UI에서 수행할 수 있게 합니다. Vertex AI도 특정 AutoML 모델에 대한 편향 탐지 리포트를 지원하지만, 전반적인 Responsible AI 도구는 Azure 쪽이 더 다양한 편입니다.
Azure ML과의 비교 – 데이터 분석 및 기타 기능:
| 데이터 연계 분석 | BigQuery, Cloud Storage 등 GCP 데이터 서비스와 직접 연계. 노트북에서 BigQuery SQL 실행 및 시각화 용이ankursnewsletter.com. BigQuery ML로 학습한 모델을 Vertex AI로 배포 가능ankursnewsletter.com. | Azure Data Lake, Synapse Analytics와 연동 용이. Studio 노트북이나 Spark를 통해 대규모 데이터 처리 가능. (예: Synapse Spark 풀 연결 또는 Azure Databricks 연계). |
| 데이터 라벨링 | Vertex AI 데이터세트 내 라벨링 프로젝트 생성 지원 (이미지, 텍스트 등). UI에서 작업자들이 직접 라벨링하고 진행 상황 모니터링. AutoML과 연계한 ML 어시스턴트 라벨링 제공. | Azure ML Studio에서 데이터 라벨링 프로젝트 기능 제공. 이미지 분류/객체탐지, 텍스트 분류 등 지원하며, 모델 지원 기반 반자동 라벨링 기능 있음. 라벨링 결과를 Dataset으로 저장 및 활용. |
| Feature Store | Vertex AI Feature Store로 온라인/오프라인 피처 관리 및 서빙. Feast 기반으로 구현, 실시간 저지연 피처 조회 API 제공. | Azure ML은 프리뷰였던 Feature Store가 2025년 정식 제공 (ADB(어zure Databricks) 및 Feast 커뮤니티와도 연계). 과거에는 별도 구현 필요했으나 이제 플랫폼 차원 지원 시작. |
| 실험 & 메타데이터 | Vertex AI Experiments로 모델 실험 관리, Vertex ML Metadata로 파이프라인 아티팩트 자동 기록happtiq.com. TensorBoard 지원으로 딥러닝 로그 시각화. | Azure ML Experiments/Runs로 실험 이력 관리, 모듈 간 입력출력 데이터셋으로 버전 관리. Azure Purview와 연결해 데이터/모델 lineage 중앙 관리 (예: 어느 데이터로 학습된 모델인지 추적)ankursnewsletter.com. |
| 모델 카탈로그 | Vertex AI 모델 레지스트리에서 모든 모델 버전 관리. 조직 전체에서 공유되는 Model Garden에 Google 제공 공개 모델들도 포함 (예: BERT, Object Detection 모델 등). | Azure의 새로운 모델 카탈로그를 통해 여러 작업 공간에 걸쳐 모델 공유 가능. 또한 Azure AI Model Gallery에서 공개 사전학습 모델 (온톨로지, Vision 등) 제공받아 사용 가능. |
| 기타 | 모델 모니터링 서비스로 운영 중 모델에 대한 품질 모니터 자동화happtiq.com. 또한 Vertex AI 모델 평가 모듈로 정량적인 평가 지표 (정확도, 정밀도 등) 콘솔 제공. | Responsible AI 툴 내장 (공정성, 설명, 오류분석 대시보드). 또한 클로우드 접근성으로 ADA 준수 리포트 등 지원. 모델 모니터링은 주로 사용자 구성에 의존하지만, Azure Monitor로 커스텀 지표 경고 가능. |
요약: 데이터 분석 단계에서 Vertex AI는 빅쿼리 통합 및 데이터 레이블링 측면에서 강점이 있으며, Feature Store 등 생산용 ML 인프라를 완비하고 있어 데이터 중심 AI 구현에 유리합니다ankursnewsletter.com. Azure ML은 전사적 데이터 자산 관리와 책임 있는 AI 툴셋, 그리고 Azure 데이터 스택과의 폭넓은 통합이 특징으로, 거버넌스와 책임성을 갖춘 ML 파이프라인 구축에 적합합니다ankursnewsletter.com. 조직의 기존 인프라와 전문성에 따라 Vertex AI는 Google 데이터 생태계를 최대한 활용한 ML에, Azure ML은 Microsoft 생태계 및 하이브리드 클라우드 활용에 각각 최적화되어 있다고 볼 수 있습니다ankursnewsletter.com. 둘 다 최신 MLOps 기능을 지속적으로 업데이트하고 있으며, 향후에도 특화 하드웨어(예: Azure의 GPU 인스턴스 최적화, GCP의 TPU v5 등)와 자동화된 컴플라이언스 기능으로 경쟁을 이어나갈 것입니다ankursnewsletter.com.