[Paper] Model Gateway: 모델 기반 약물 발견을 위한 모델 관리 플랫폼

Source: arXiv - 2512.05462v1

Overview

Model Gateway 논문은 현대 MLOps 기능을 약물 발견 워크플로에 도입하는 전용 플랫폼을 소개합니다. 과학 시뮬레이션 코드와 머신러닝 모델을 교환 가능한 서비스로 취급함으로써, 연구자들이 모델을 등록·호출·조합할 수 있게 하며, LLM 에이전트와 생성형 AI 도구를 활용해 일상적인 관리 작업을 자동화합니다.

Key Contributions

• Unified Model Management Layer – 이기종 모델(예: 양자화학 시뮬레이터, 딥러닝 예측기)을 등록·버전 관리·모니터링하기 위한 단일 API와 제어판.
• Dynamic Consensus Modeling – 여러 과학 모델의 예측을 실시간으로 집계하는 “consensus” 모델을 기본 지원하여, 수동적인 앙상블 코딩 없이도 강인성을 향상.
• LLM‑Driven Automation – 모델 등록 명령을 발행하고, 실행을 스케줄링하며, 결과를 파싱하는 대형 언어 모델 에이전트를 통합해 인간‑인‑루프 부담을 감소.
• Scalable Execution Engine – 10 k 이상의 동시 클라이언트 요청을 처리할 때 0 % 실패율을 보인 비동기 작업 제출.
• Role‑Based UI & Admin Tools – 모델 소유자(셀프‑서비스)와 플랫폼 관리자(정책 집행, 할당량 관리)를 위한 별도 대시보드.

Methodology

저자들은 게이트웨이를 마이크로서비스 스택으로 구축했습니다:

1. Model Registry – 모델 아티팩트, 버전, 필요 입력, 자원 사용량 등을 추적하는 메타데이터 저장소(SQL/NoSQL).
2. Gateway API – 모델에 대한 CRUD 작업과 작업 제출 엔드포인트를 제공하는 REST/GraphQL 인터페이스.
3. Execution Orchestrator – 작업 큐(RabbitMQ 또는 Kafka 등)를 통해 컨테이너화된 워커(Docker/Kubernetes)에게 모델 실행을 디스패치하고, 재시도와 결과 콜백을 관리.
4. Consensus Engine – 여러 워커의 출력을 끌어와 가중치 혹은 투표 방식을 적용해 통합 예측을 반환하는 경량 집계기.
5. LLM Agent Layer – 자연어 요청을 API 호출로 변환하는 프롬프트 엔지니어링된 LLM(GPT‑4‑class)으로 “게이트웨이와 채팅” 상호작용을 가능하게 함.

플랫폼은 수백만 화합물 가상 스크리닝과 같은 실제 약물 발견 파이프라인을 모방한 합성 워크로드로 스트레스 테스트되었습니다. 성능 지표(지연 시간, 성공률, 자원 활용도)를 기록하고, 기존 임시 스크립트 기반 접근법과 비교했습니다.

Results & Findings

핵심 요약: 게이트웨이는 수동 스크립팅으로 인한 실패 지점을 제거하고, 온보딩 시간을 크게 단축하며, 추가 엔지니어링 없이 예측 신뢰성을 높이는 재사용 가능한 컨센서스 레이어를 제공합니다.

Practical Implications

• Accelerated Lead Identification – 연구자들은 새로운 예측 모델(예: 결합 친화도 추정기)을 즉시 스크리닝 파이프라인에 연결할 수 있어 “hit‑to‑lead” 사이클이 단축됩니다.
• Reduced Ops Overhead – DevOps 팀이 모델마다 맞춤 스크립트를 만들 필요가 없어지고, 플랫폼이 컨테이너 프로비저닝, 스케일링, 로깅을 자동으로 처리합니다.
• AI‑Assisted Workflows – LLM 에이전트가 배치 실행을 스케줄링하고, 결과를 가져오며, 하이퍼파라미터 조정을 제안하는 등 반자동 발견 루프를 구현합니다.
• Regulatory Traceability – 중앙화된 메타데이터와 버전 관리가 FDA‑유형 제출에 필요한 감사 추적을 간소화합니다.
• Cross‑Team Collaboration – 모델 소유자는 자신의 모델을 서비스로 공개하고, 하위 분석가는 안정적인 API를 통해 이를 활용함으로써 화학, 생물학, 데이터 과학 그룹 간 재사용을 촉진합니다.

Limitations & Future Work

• Domain Specificity – 현재 구현은 약물 발견 워크로드에 최적화돼 있어, 다른 과학 분야로 확장하려면 데이터 포맷 및 시뮬레이션 패키지에 대한 맞춤 어댑터가 필요합니다.
• LLM Reliability – LLM 에이전트가 많은 작업을 자동화하지만, 가끔 API 호출을 잘못 생성하는 ‘환각’ 현상이 있어 검증 레이어가 필요합니다.
• Resource Cost Modeling – 논문에서는 클라우드 비용 절감 효과를 정량화하지 않았으며, 향후 작업에서는 GPU/CPU 사용을 최적화하는 비용‑인식 스케줄링을 통합할 수 있습니다.
• Security & Access Controls – 독점 모델에 대한 세밀한 권한 관리가 언급되었지만 완전하게 구현되지 않았으며, 강화된 인증·인가 프레임워크가 계획 중입니다.

전반적으로 Model Gateway는 잘 설계된 MLOps 플랫폼에 생성형 AI를 결합함으로써, 약물 발견에서 전통적으로 복잡하고 번거로운 모델 관리 문제를 효율적이고 확장 가능한 서비스로 전환시켜, 더 빠르고 신뢰성 높은 치료제 혁신을 가능하게 합니다.

Authors

• Yan-Shiun Wu
• Nathan A. Morin

Paper Information

• arXiv ID: 2512.05462v1
• Categories: cs.SE, cs.DC, cs.LG, q-bio.QM
• Published: December 5, 2025
• PDF: Download PDF