[월:] 2025년 08월

ㅁ 로그 및 알림 ㅇ 정의: – 시스템 및 애플리케이션에서 발생하는 로그 데이터를 수집·저장·분석하고, 특정 조건 충족 시 알림(Notification)을 제공하는 기술·도구 집합. ㅇ 특징: – 실시간 모니터링 가능 – 다양한 데이터 소스 연동 – 알림 조건 및 대시보드 커스터마이징 – 오픈소스와 클라우드 기반 서비스 모두 존재 ㅇ 적합한 경우: – 장애 발생 시 신속한 원인

ㅁ 자동화 ㅇ 정의: – 반복적이고 표준화된 작업을 사람의 개입 없이 자동으로 수행하는 프로세스 – AI 시스템 구축에서는 코드 배포, 모델 학습, 데이터 전처리, 배포 후 모니터링 등을 자동화하여 효율성, 안정성, 신속성을 확보 ㅇ 특징: – 작업 속도 향상 및 인적 오류 감소 – 표준화된 파이프라인 제공 – 변경 사항의 신속한 반영 가능 – 도구

ㅁ 모델 모니터링 ㅇ 정의: – 운영 환경에서 배포된 AI/ML 모델의 입력 데이터, 예측 결과, 성능 지표 등을 지속적으로 관찰하고 이상 징후를 조기에 감지하는 활동. ㅇ 특징: – 데이터 분포, 모델 예측 결과, 성능 지표의 변화 추적 – 실시간 또는 배치 기반 모니터링 가능 – 데이터 드리프트, Concept Drift, 성능 저하 등 다양한 원인 탐지

ㅁ 도구 ㅇ 정의: 머신러닝(ML) 모델의 학습, 배포, 모니터링 등을 자동화하고 효율적으로 관리하기 위해 사용하는 소프트웨어 프레임워크 또는 플랫폼. 데이터 파이프라인 구축, 모델 실험 관리, 워크플로우 스케줄링 등을 지원함. ㅇ 특징: – 복잡한 ML 워크플로우를 시각화 및 자동화 가능 – 재현성과 확장성이 높음 – 다양한 인프라(Kubernetes, 클라우드, 온프레미스) 지원 – 모델 버전 관리 및 실험

ㅁ 배포 전략 ㅇ 정의: 모델 학습이 완료된 후, 실제 서비스 환경에 모델 예측 기능을 적용하는 방식과 절차를 의미함. 배포 전략은 예측 요청 처리 방식, 성능, 안정성, 리스크 관리 수준에 따라 다양한 접근이 존재함. ㅇ 특징: – 시스템 부하, 응답 지연 허용 범위, 데이터 처리 주기 등에 따라 전략을 선택 – 운영 환경의 안정성과 실험적

ㅁ 파이프라인 구성 ㅇ 정의: 머신러닝 모델 개발 과정에서 데이터 수집부터 전처리, 모델 학습, 성능 평가, 배포까지의 전체 단계를 자동화·연결한 절차를 의미함. ㅇ 특징: – 재현성과 일관성을 확보할 수 있음 – 데이터와 모델 버전 관리가 용이함 – 자동화 도구(CI/CD, MLOps)와 결합 가능 – 오류 발생 시 특정 단계에서 빠르게 롤백 가능 ㅇ 적합한 경우: –

ㅁ 클래스 불균형 해결 ㅇ 정의: 데이터셋에서 특정 클래스의 샘플 수가 다른 클래스에 비해 현저히 적은 상황을 개선하기 위한 기법들의 총칭. ㅇ 특징: – 데이터 증강, 가중치 조정, 손실 함수 수정 등 다양한 접근 방식 존재 – 과적합 방지 및 소수 클래스의 예측 성능 향상이 목적 – 분류 문제에서 F1-score, Recall 향상에 유리 – 데이터

ㅁ HPO 기법 ㅇ 정의: – HPO(Hyperparameter Optimization) 기법은 머신러닝·딥러닝 모델의 성능을 최적화하기 위해 하이퍼파라미터 값을 자동 또는 체계적으로 탐색하는 방법. ㅇ 특징: – 모델 학습 전 또는 학습 과정 중에 적용 가능 – 탐색 전략에 따라 연산량, 시간, 탐색 효율성이 크게 달라짐 – Grid Search, Random Search, Bayesian Optimization, Hyperband, Optuna 등 다양한 방식

ㅁ 평가지표 ㅇ 정의: 모델이 예측한 결과를 정량적으로 평가하기 위해 사용하는 지표들의 집합. 문제 유형(분류, 회귀 등)과 데이터의 특성에 따라 적절한 지표를 선택해야 함. ㅇ 특징: – 데이터의 불균형 여부에 따라 지표의 신뢰도가 달라질 수 있음 – 단일 지표로 모든 상황을 평가하기 어려움 – 모델 개선 방향성을 제시하는 역할 수행 ㅇ 적합한 경우: – 모델

ㅁ 검증 기법 ㅇ 정의: 머신러닝 모델의 성능을 평가하기 위해 데이터셋을 분할하고 반복적으로 학습·검증을 수행하는 절차. ㅇ 특징: 모델의 일반화 성능을 높이고 과적합을 방지하는 데 도움을 주며, 데이터 분할 방식에 따라 편향과 분산 정도가 달라짐. ㅇ 적합한 경우: 데이터가 제한적이거나 모델 성능 비교가 필요한 경우, 하이퍼파라미터 튜닝 시. ㅇ 시험 함정: ‘검증 기법’과 ‘평가 지표’를