- 현재 가장 널리 사용되고 있는 가상화 플랫폼인 쿠버네티스에서는 CPU 및 메모리 등과 같은 컴퓨팅 자원을 이용해서 가상함수를 스케일링하고 있음.
- CPU 및 메모리 사용량만으로 가상함수 스케일링 여부를 결정하는 경우, 설정된 임계치 값에 따라 서비스 품질과 시스템 운용 비용에 차이가 발생함.
- 과도하게 많은 가상함수를 할당하는 Over-provisioning의 경우, 서비스 품질은 좋지만 시스템 운용 비용 (cost, energy) 이 높다는 단점을 가짐. 반면, 지나치게 부족한 가상함수를 할당하는 Under-provisioning의 경우, 시스템 운 비용은 줄어들지만 서비스 품질의 보장이 어려움. 
- 특히, 응용 서비스가 달라지거나 네트워크 환경이 달라질 경우에는 임계치를 재설정하여야 하며, 이를 위한 시험 및 검증 작업에 많은 노력과 시간을 필요로 함.
- 트래픽과 시스템 load가 변화하는 환경에서도 적응적으로 스케일링을 수행함으로써, 임계치의 조정 없이 서비스 품질을 보장할 수 있는 방법이 필요함. 
- 머신 러닝을 도입함으로써, 트래픽 요구량과 시스템 load 변화에 따른 서비스 품질을 예측하여 적절한 스케일링 결정을 내림으로써, 높은 품질의 서비스를 제공함과 동시에 비용 효율적이며 안정적인 시스템 운용이 가능해짐.
- 기술이전을 받는 기업체가 보유하고 있는 데이터를 기반으로, 스케일링 알고리즘에 활용되는 머신러닝 모델들을 새롭게 학습하고 알고리즘을 확장할 필요가 있음.