AI: 자동화 및 수준
ㅁ 자동화 및 수준
ㅇ 정의:
AI 모델 개발 및 운영 과정에서 데이터 수집, 학습, 배포, 모니터링 등의 절차를 자동화 수준에 따라 구분한 개념.
ㅇ 특징:
Level 0~Level 2 등으로 나뉘며, 수동에서 완전 자동화로 발전. 자동화 수준이 높을수록 재현성, 신속성, 품질 관리가 용이.
ㅇ 적합한 경우:
조직의 MLOps 성숙도 평가, 자동화 로드맵 수립 시 활용.
ㅇ 시험 함정:
Level 0과 Level 1의 차이를 단순히 ‘자동화 여부’로만 구분하는 경우 오답 가능.
ㅇ 시험 대비 “패턴 보기” 예시:
O: Level 0은 모델 배포 시 수동 작업이 주를 이룬다.
X: Level 1은 전 과정이 완전 자동화된다.
================================
1. 수동 프로세스(Level 0)
ㅇ 정의:
모델 개발부터 배포, 모니터링까지 대부분 작업을 수동으로 수행하는 단계.
ㅇ 특징:
재현성 낮음, 인력 의존도 높음, 변경 반영 속도 느림.
ㅇ 적합한 경우:
PoC 단계, 소규모 프로젝트, 자동화 도입 전 초기 환경.
ㅇ 시험 함정:
Level 0을 ‘자동화 일부 적용’으로 오해.
ㅇ 시험 대비 “패턴 보기” 예시:
O: Level 0에서는 모델 재학습이 수동으로 이루어진다.
X: Level 0은 CI/CD 파이프라인을 포함한다.
================================
2. 자동화 프로세스(Level 1)
ㅇ 정의:
데이터 전처리, 학습, 배포 중 일부 단계를 자동화 도구로 처리하는 단계.
ㅇ 특징:
반복 작업 효율화, 오류 감소, 재현성 향상. 그러나 전체 프로세스 자동화는 아님.
ㅇ 적합한 경우:
중간 규모 프로젝트, 모델 업데이트 주기가 짧은 경우.
ㅇ 시험 함정:
Level 1을 완전 자동화로 착각.
ㅇ 시험 대비 “패턴 보기” 예시:
O: Level 1에서는 데이터 전처리를 자동화할 수 있다.
X: Level 1은 모니터링까지 자동으로 수행한다.
================================
3. CI/CD 파이프라인
ㅇ 정의:
코드 변경 사항을 지속적으로 통합(Continuous Integration)하고, 이를 자동으로 배포(Continuous Deployment/Delivery)하는 절차.
ㅇ 특징:
버전 관리, 자동 테스트, 자동 배포 포함. 모델 코드와 데이터 파이프라인에도 적용 가능.
ㅇ 적합한 경우:
모델 변경이 잦고, 신속한 배포와 검증이 필요한 환경.
ㅇ 시험 함정:
CI와 CD를 동일 개념으로 혼동.
ㅇ 시험 대비 “패턴 보기” 예시:
O: CI/CD 파이프라인은 모델 업데이트를 자동으로 배포할 수 있다.
X: CI는 배포를 포함한다.
================================
4. Feature Store
ㅇ 정의:
머신러닝 모델에서 사용하는 특징(feature)을 저장, 관리, 재사용할 수 있는 중앙 저장소.
ㅇ 특징:
일관성 있는 feature 제공, 온라인/오프라인 동기화, 재현성 확보.
ㅇ 적합한 경우:
다수의 모델이 동일한 feature를 공유하는 환경.
ㅇ 시험 함정:
Feature Store를 단순 데이터베이스로 오해.
ㅇ 시험 대비 “패턴 보기” 예시:
O: Feature Store는 모델 학습과 예측에서 동일한 feature를 보장한다.
X: Feature Store는 데이터 전처리 기능이 없다.
================================
5. 모니터링
ㅇ 정의:
운영 중인 모델의 성능, 데이터 품질, 서비스 상태를 지속적으로 관찰하는 활동.
ㅇ 특징:
데이터 드리프트, 성능 저하 탐지, 알림 및 재학습 트리거 가능.
ㅇ 적합한 경우:
실시간 서비스, 규제 준수 필요 환경.
ㅇ 시험 함정:
모델 모니터링을 단순 로그 수집으로 오해.
ㅇ 시험 대비 “패턴 보기” 예시:
O: 모니터링은 데이터 분포 변화를 탐지할 수 있다.
X: 모니터링은 모델 배포 이전 단계에서만 수행된다.
ㅁ 추가 학습 내용
Level 2(완전 자동화 프로세스)는 데이터 수집부터 배포, 모니터링까지 전 과정이 자동화된 상태를 의미한다. 이 단계에서는 재학습 파이프라인과 자동 롤백 기능이 포함되어 있어 모델 성능 저하나 문제 발생 시 신속하게 이전 버전으로 복구할 수 있다. CI/CD 파이프라인과 Feature Store의 구현에 있어 Kubeflow, MLflow, Feast 등의 도구가 활용되며, 각 도구의 특징과 차이점을 이해하는 것이 중요하다.
모니터링 측면에서는 데이터 드리프트와 컨셉 드리프트를 감지하고, 모델 성능 지표(AUC, F1-score 등)와 연계하여 상태를 평가한다. 또한 Slack, PagerDuty 등의 알림 시스템과 통합하여 이상 상황을 실시간으로 전달할 수 있다.
시험에서는 ‘자동화 수준’에 대한 문제로 각 Level별 자동화 범위와 한계를 비교하는 서술형 문제가 자주 출제되므로, Level 2의 특징과 다른 Level과의 차이점을 명확히 구분할 수 있어야 한다.