Day 5 - Week 1 종합 — ML 기초·AWS 스택 복습

이번 주는 머신러닝의 기본 개념과 그것을 AWS에서 어떻게 구현하는지를 훑었다. 오늘은 흩어진 조각을 하나의 그림으로 묶는다. MLA-C01 시험은 단편 지식이 아니라 "이 상황엔 어느 단계의 어떤 도구를 쓰나"를 묻기 때문에, 수명주기 위에 개념과 서비스를 얹어 외우는 것이 가장 효율적이다.

오늘 복습할 네 축은 ① ML 수명주기, ② 문제 유형과 평가지표, ③ SageMaker 핵심 기능, ④ AWS AI 서비스다. 각 축을 "언제 무엇을 고르는가"의 판별 기준 중심으로 정리한다.

ML 수명주기: 전 과정 한눈에

머신러닝 프로젝트는 한 번 학습하고 끝나는 게 아니라 순환한다. MLA-C01 시험의 네 도메인이 이 수명주기와 그대로 대응한다.

[1. 데이터 준비] → [2. 모델 개발] → [3. 배포·서빙] → [4. 모니터링·유지보수]
  수집/저장/변환     학습/튜닝/평가     엔드포인트 선택    드리프트/재학습
  (도메인 1, 28%)   (도메인 2, 26%)   (도메인 3, 22%)   (도메인 4, 24%)
        ↑                                                      |
        └──────────────── 재학습 트리거 ──────────────────────┘

핵심은 마지막 화살표다. 배포된 모델은 시간이 지나면 데이터 분포가 변해(drift) 성능이 떨어지고, 그러면 다시 데이터 준비 단계로 돌아간다. ML 엔지니어의 일은 이 순환을 자동화·안정화하는 것이다.

💡 관련 이론: 이 순환을 표준화한 것이 CRISP-DM(Cross-Industry Standard Process for Data Mining)이다. 1990년대 정립된 이 방법론은 비즈니스 이해 → 데이터 이해 → 데이터 준비 → 모델링 → 평가 → 배포의 6단계 반복 사이클을 정의한다. 현대 MLOps는 여기에 "배포 후 모니터링과 자동 재학습"을 강하게 결합한 형태다. 시험에서 "모델 성능이 시간이 지나며 저하된다"는 시나리오는 항상 이 순환의 모니터링·재학습 단계를 가리킨다.

문제 유형과 평가지표

모델이 푸는 문제가 무엇이냐에 따라 평가지표가 갈린다. 잘못된 지표를 고르면 "정확도 99%인데 쓸모없는 모델"을 만들게 된다.

문제 유형	설명	대표 평가지표
이진 분류	둘 중 하나 (이탈/유지)	Precision, Recall, F1, AUC-ROC
다중 분류	셋 이상 범주	Accuracy, Macro-F1, 혼동행렬
회귀	연속값 예측 (가격)	RMSE, MAE, R²
군집	비지도 그룹화	Silhouette, Inertia

지도학습/비지도학습/강화학습의 구분도 다시 정리하자. 지도학습은 정답(label)이 있는 데이터로 학습(분류·회귀), 비지도학습은 정답 없이 구조를 찾고(군집·차원 축소·이상 탐지), 강화학습은 보상으로 정책을 학습한다.

from sklearn.metrics import precision_score, recall_score, f1_score
 
# 불균형 데이터(사기 0.1%)에서 accuracy는 함정 — precision/recall을 본다
precision = precision_score(y_true, y_pred)   # 양성 예측 중 진짜 비율

📝 연습 문제

선택지를 클릭하면 정답·해설이 펼쳐집니다.

문제 1

배포된 이탈 예측 모델의 정확도가 몇 달에 걸쳐 서서히 떨어지고 있다. 입력 데이터 분포가 학습 때와 달라진 것으로 보인다. ML 수명주기에서 이 문제가 해당하는 단계와 대응은?

문제 2

사기 거래 탐지 모델에서 사기는 전체의 0.1%다. 모델 평가지표로 가장 부적절한 것과 그 이유로 옳은 것은?

문제 3

콜센터 녹음 파일을 텍스트로 변환한 뒤 고객 불만의 감성을 분석하려 한다. 학습 없이 가장 빠르게 구현하는 조합은?

문제 4

회귀 모델 평가에서 큰 오차를 특별히 강하게 벌해 이상치를 민감하게 잡아내고 싶다. 적합한 지표는?

문제 5

"고유한 산업 결함 이미지 데이터로 커스텀 분류 모델을 학습해야 한다"는 요구가 있다. 추상화 계층에서 적합한 선택은?

수명주기 단계	SageMaker 기능	역할
작업 환경	Studio (도메인·사용자 프로필)	통합 IDE, 권한 분리
데이터 준비	Data Wrangler, Feature Store	시각적 변환, 특성 관리
학습	Training Job, 빌트인 알고리즘	일시적 컨테이너 학습
튜닝	Automatic Model Tuning	하이퍼파라미터 최적화
배포	실시간/서버리스/배치/비동기	트래픽별 추론 옵션
운영	Model Monitor, Pipelines	드리프트 감지, 자동화

영역	서비스	용도
텍스트 분석	Comprehend	감성·엔터티·핵심구 추출
번역	Translate	실시간 기계 번역
음성→텍스트	Transcribe	음성 인식, 자막
텍스트→음성	Polly	TTS 음성 합성
이미지·영상	Rekognition	객체·얼굴·콘텐츠 감지
문서 추출	Textract	OCR, 양식·표 추출
예측	Forecast	시계열 수요 예측
추천	Personalize	개인화 추천 엔진
생성형 AI	Bedrock	파운데이션 모델 API

Day 5 - Week 1 종합 — ML 기초·AWS 스택 복습

ML 수명주기: 전 과정 한눈에

문제 유형과 평가지표

📝 연습 문제

SageMaker 핵심 기능 정리

AWS AI 서비스: 학습 없이 쓰는 사전 학습 모델

정리하며