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 및 플랫폼과의 통합 필요

ㅇ 적합한 경우:
– 모델 및 코드 변경이 빈번한 프로젝트
– 운영 환경에서 실시간 또는 주기적 업데이트가 필요한 경우
– 대규모 협업이 이뤄지는 환경

ㅇ 시험 함정:
– 자동화가 “모든” 문제를 해결한다고 오해
– 자동화 도입 시 초기 셋업 비용과 운영 복잡도를 간과
– CI/CD와 MLOps를 동일 개념으로 혼동

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “자동화는 반복적인 AI 모델 배포 과정을 표준화할 수 있다.”
– X: “자동화는 AI 모델 성능을 자동으로 항상 최고로 유지시킨다.”

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

1. CI/CD

ㅇ 정의:
– Continuous Integration(지속적 통합)과 Continuous Delivery/Deployment(지속적 제공/배포)의 약자
– 코드 변경 사항을 자동으로 빌드, 테스트, 배포하는 소프트웨어 개발 방식

ㅇ 특징:
– 변경 사항을 자주 통합하여 충돌 최소화
– 자동화된 테스트로 품질 보장
– 배포까지의 시간을 단축

ㅇ 적합한 경우:
– 빈번한 코드 업데이트가 필요한 프로젝트
– 신속한 피드백과 배포가 필요한 애플리케이션 개발

ㅇ 시험 함정:
– CD를 Delivery와 Deployment를 구분하지 않고 혼용
– CI만 적용하고 CD를 적용하지 않아도 CI/CD라고 부르는 오류

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “CI/CD는 코드 변경을 자동 빌드·테스트·배포하는 프로세스이다.”
– X: “CI/CD는 모델 성능을 자동으로 향상시키는 머신러닝 알고리즘이다.”

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

2. MLOps

ㅇ 정의:
– Machine Learning Operations의 약자로, 머신러닝 모델의 개발부터 배포, 운영, 모니터링, 재학습까지 전 과정의 자동화와 최적화를 지원하는 방법론 및 도구 세트

ㅇ 특징:
– DevOps 개념을 머신러닝에 적용
– 데이터 파이프라인, 모델 버전 관리, 모니터링 포함
– 협업과 반복 가능한 실험 환경 제공

ㅇ 적합한 경우:
– 모델 변경과 데이터 변경이 잦은 AI 서비스
– 운영 환경에서 모델 성능 저하를 신속히 감지하고 재배포해야 하는 경우

ㅇ 시험 함정:
– MLOps를 단순히 모델 배포 자동화만으로 이해
– 모델 학습과 데이터 관리 프로세스를 포함한다는 점을 간과

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “MLOps는 모델 개발·배포·운영 전 과정을 자동화하는 프레임워크이다.”
– X: “MLOps는 데이터 수집 단계와는 무관하다.”

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

3. Feature Store

ㅇ 정의:
– 머신러닝 모델 학습과 예측에 사용되는 특징(feature) 데이터를 중앙화하여 저장·관리·제공하는 시스템

ㅇ 특징:
– 실시간 및 배치 피처 제공
– 피처 재사용성과 일관성 확보
– 데이터 품질과 버전 관리 가능

ㅇ 적합한 경우:
– 여러 모델이 동일한 피처를 사용하는 경우
– 실시간 예측을 위해 빠른 피처 제공이 필요한 경우

ㅇ 시험 함정:
– Feature Store를 단순히 데이터베이스로만 오해
– 원천(raw) 데이터 저장소와 혼동

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “Feature Store는 머신러닝 피처를 중앙에서 관리·제공하는 시스템이다.”
– X: “Feature Store는 원천 데이터를 저장하는 일반 데이터 레이크이다.”

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

4. AutoML

ㅇ 정의:
– 자동 머신러닝(Auto Machine Learning)의 약자로, 데이터 전처리, 모델 선택, 하이퍼파라미터 튜닝 등의 과정을 자동화하여 비전문가도 모델 개발을 가능하게 하는 기술

ㅇ 특징:
– 다양한 알고리즘 후보를 자동 탐색
– 최적화된 모델 및 파이프라인 자동 제안
– 개발 시간과 인력 비용 절감

ㅇ 적합한 경우:
– 모델링 전문 인력이 부족한 조직
– 빠른 프로토타입이 필요한 프로젝트

ㅇ 시험 함정:
– AutoML이 모든 경우에 최고 성능을 보장한다고 오해
– 도메인 지식과 데이터 품질 확보의 중요성을 간과

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “AutoML은 모델 개발 과정 일부를 자동화하여 효율성을 높인다.”
– X: “AutoML은 데이터 품질이 낮아도 항상 높은 정확도를 낸다.”

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

제가 원하시면, 위 CI/CD·MLOps·Feature Store·AutoML 각각에 대해 **대표 도구 및 주요 기술 세부 항목**을 추가해서 시험 대비 효율을 높이는 확장 버전을 만들어 드릴 수 있습니다.
원하십니까?