ML Engineering Pipeline (CRISP-DM × MLOps)
Data
Other
Advanced
@dante4/15/2026

ML Engineering Pipeline (CRISP-DM × MLOps)

Problem → Data → Features → Model → Evaluate → Deploy → Monitor. CRISP-DM의 산업 표준 프로세스와 MLOps 베스트 프랙티스를 결합한 엔드투엔드 ML 파이프라인. 문제 정의부터 모델 배포, 모니터링까지 전 과정을 구조화한다.

Time
~55m
Downloads
0
Versions
2
deployment
features
ml
mlops
monitoring

워크플로 전체 내용을 보려면

로그인 후 워크플로를 1개 이상 공유하면 다른 사람의 워크플로 전체 내용과 다운로드가 가능합니다.

로그인하기

Workflow flow

Steps
8
Review gates
2
HITL approvals
0

Screenshots

ML Engineering Pipeline (CRISP-DM × MLOps) cover
ML Engineering Pipeline (CRISP-DM × MLOps) cover

Workflow notes

ML Engineering Pipeline (CRISP-DM × MLOps)

Problem → Data → Features → Model → Evaluate → Deploy → Monitor. CRISP-DM의 산업 표준 프로세스와 MLOps 베스트 프랙티스를 결합한 엔드투엔드 ML 파이프라인. 문제 정의부터 모델 배포, 모니터링까지 전 과정을 구조화한다.

Best For

  • ML lifecycle management
  • model deployment
  • monitoring and drift checks

Workflow Shape

  • Step count: 8
  • Opens with: ML 문제 정의 & 타당성 검증
  • Closes with: 모니터링 & 드리프트 감지
  • Difficulty: advanced
  • Estimated time: 55 minutes

What This Package Includes

  • A publish-ready BlueKiwi workflow package in JSON form.
  • Clear stage titles that make review and adaptation easier.
  • A reusable structure you can fork for your own team process.

Notes

  • Source inspiration: CRISP-DM × MLOps
  • Editorial note: Suitable for teams that need the full path from problem framing to monitored model release.

Included Steps

  1. ML 문제 정의 & 타당성 검증 — gate
  2. 데이터 파이프라인 구축 — action
  3. 특성 공학 — Feature Engineering — action
  4. 모델 학습 & 실험 — 반복 개선 — loop
  5. 모델 평가 & 해석 — action
  6. 모델 리뷰 & 배포 결정 — gate
  7. 모델 배포 & 서빙 — action
  8. 모니터링 & 드리프트 감지 — action