ㅁ 운영 자동화

ㅇ 정의:
AI Ops 환경에서 반복적이고 복잡한 운영 작업을 AI/ML 기반으로 자동화하여 시스템 안정성과 효율성을 높이는 활동.

ㅇ 특징:
– 실시간 데이터 수집 및 분석
– 이벤트 기반 자동 대응
– 예측 기반 자원 배분 가능

ㅇ 적합한 경우:
– 대규모 인프라 운영
– 장애 탐지 및 복구 시간 단축 필요

ㅇ 시험 함정:
– 단순 스크립트 자동화와 AI 기반 자동화를 혼동하는 경우

ㅇ 시험 대비 “패턴 보기” 예시:
O: “AI Ops를 통해 로그 분석과 자원 스케일링이 자동화된다.”
X: “AI Ops는 단순히 수동 운영 절차를 기록하는 시스템이다.”

================================

1. Root Cause Analysis

ㅇ 정의:
시스템 장애나 성능 저하의 근본 원인을 AI 기반 분석으로 식별하는 기법.

ㅇ 특징:
– 로그, 메트릭, 이벤트 상관 분석
– 다중 원인 분석 가능
– 과거 데이터 학습을 통한 정확도 향상

ㅇ 적합한 경우:
– 복잡한 분산 시스템에서 장애 원인 파악이 어려운 경우

ㅇ 시험 함정:
– 단순 증상 분석과 원인 분석을 혼동하는 경우

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Root Cause Analysis는 문제의 근본 원인을 찾아 재발 방지를 돕는다.”
X: “Root Cause Analysis는 문제의 증상을 빠르게 복구하는 기술이다.”

================================

2. Anomaly Detection(Infra)

ㅇ 정의:
인프라 환경에서 정상 범위를 벗어난 비정상 상태를 자동으로 감지하는 기술.

ㅇ 특징:
– 실시간 감시
– 임계값 기반 및 ML 기반 탐지
– 노이즈 필터링 필요

ㅇ 적합한 경우:
– 서비스 가용성 유지가 중요한 인프라 운영

ㅇ 시험 함정:
– 보안 침입 탐지와 인프라 이상 탐지를 혼동하는 경우

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Anomaly Detection은 서버 CPU 사용률 급증과 같은 비정상 패턴을 탐지한다.”
X: “Anomaly Detection은 정상 패턴만을 수집한다.”

================================

3. Automated CI/CD for AI

ㅇ 정의:
AI 모델과 관련 코드의 빌드, 테스트, 배포 과정을 자동화하는 파이프라인.

ㅇ 특징:
– 데이터 전처리, 모델 학습, 배포까지 포함
– 모델 버전 관리 및 롤백 지원
– 지속적 모니터링과 재학습 연계 가능

ㅇ 적합한 경우:
– AI 모델 업데이트 주기가 짧은 환경

ㅇ 시험 함정:
– 전통적 소프트웨어 CI/CD와 AI 모델 CI/CD의 차이를 간과하는 경우

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Automated CI/CD for AI는 모델 재학습과 배포 과정을 자동화한다.”
X: “Automated CI/CD for AI는 코드 빌드만 자동화한다.”

================================

4. Resource Scaling AI

ㅇ 정의:
AI를 활용해 시스템 자원(CPU, 메모리, 네트워크 등)을 수요에 맞게 자동 확장/축소하는 기술.

ㅇ 특징:
– 예측 기반 스케일링
– 클라우드 환경에서 비용 최적화 가능
– 수요 급증 시 자동 대응

ㅇ 적합한 경우:
– 트래픽 변동이 심한 서비스 운영

ㅇ 시험 함정:
– 수동 스케일링과 혼동하거나, 예측 기반이 아닌 단순 임계값 반응으로 이해하는 경우

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Resource Scaling AI는 예측 분석을 통해 자원을 사전에 확장한다.”
X: “Resource Scaling AI는 자원 사용량과 무관하게 항상 최대치로 유지한다.”

ㅁ 추가 학습 내용

[정리]
Root Cause Analysis 주요 알고리즘
– 상관 분석(Correlation Analysis): 변수 간 상관계수를 계산하여 문제 원인과 결과 간 관계를 파악
– 원인 그래프 분석(Causal Graph Analysis): 인과 관계를 시각적으로 표현하여 문제의 근본 원인을 추적

Anomaly Detection 지도/비지도 학습 차이
– 지도 학습(Supervised Learning): 정상/이상 데이터 라벨이 있는 상태에서 분류 모델 학습
– 비지도 학습(Unsupervised Learning): 라벨 없이 데이터 패턴을 학습하여 이상치 탐지(예: 군집 분석, 밀도 기반 탐지)

Automated CI/CD for AI에서 데이터 드리프트 감지와 재학습 트리거
– 데이터 드리프트 감지: 입력 데이터 분포 변화, 특징값 통계 변화, 모델 예측 분포 변화 모니터링
– 재학습 트리거 설정: 드리프트 지표가 사전 정의된 임계값을 초과할 때 자동 재학습 파이프라인 실행

Resource Scaling AI의 시계열 분석 기법
– ARIMA: 자기회귀(AR) + 차분(I) + 이동평균(MA) 기반의 통계적 시계열 예측
– LSTM: 장기 의존성을 학습하는 순환 신경망(RNN) 구조로 비선형 시계열 데이터 예측에 강점

AIOps 운영 자동화 vs DevOps 자동화
– DevOps 자동화: 코드 빌드, 테스트, 배포 등 소프트웨어 개발 파이프라인 자동화에 초점
– AIOps 운영 자동화: AI/ML 기반으로 로그, 메트릭, 이벤트를 분석하여 이상 탐지, 예측, 자동 대응까지 포함하는 운영 중심 자동화

AI 모델 배포 전략
– Canary Release: 일부 사용자에게만 새 모델 배포 후 성능 검증, 이상 없으면 전체 배포
– Blue-Green Deployment: 두 개의 동일한 환경(Blue, Green)을 운영하며, 한쪽에서 새 모델 검증 후 트래픽 전환

[시험 대비 체크리스트]
1. Root Cause Analysis에서 상관 분석과 원인 그래프 분석의 개념과 차이 이해
2. Anomaly Detection의 지도 학습과 비지도 학습의 특징, 장단점 숙지
3. 데이터 드리프트 감지 방법과 재학습 트리거 설정 기준 암기
4. ARIMA와 LSTM의 시계열 분석 원리와 적용 사례 구분
5. AIOps 운영 자동화의 범위와 DevOps 자동화와의 차이 명확히 설명 가능
6. Canary Release와 Blue-Green Deployment 전략의 절차와 장단점 파악