Week 8은 "배포 이후의 삶"을 다뤘다. 모델은 배포 순간 가치를 만들기 시작하지만, 동시에 세상과 어긋나기 시작한다. 데이터가 변하고, 편향이 생기고, 시스템이 느려지고, 성능이 떨어진다. 이번 주는 이 변화를 **감지(monitor)**하고 **대응(maintain)**하는 전 과정을 배웠다. 오늘은 네 글을 하나의 그림으로 묶어 시험 직전 정리한다.
큰 그림은 닫힌 루프다. 드리프트/성능/시스템 감지 → 알람 → 재학습 → 안전한 재배포 → 다시 감지. 이 루프가 "운영 ML(MLOps)"의 심장이다.
모든 모니터링은 Data Capture(요청·응답을 S3에 저장)에서 시작하고, 베이스라인(정상의 기준)을 만든 뒤 cron 스케줄로 Processing Job을 띄워 비교한다.
| 모니터 | 감시 대상 | 도구 | 라벨 필요 |
|---|---|---|---|
| 데이터 품질 | 입력 피처 분포 통계(데이터 드리프트) | Model Monitor(Deequ) | 불필요 |
| 모델 품질 | 예측 성능 지표(정확도·F1) | Model Monitor | 필요(ground truth) |
| 편향 드리프트 | 그룹 간 예측 편향(공정성) | Clarify | 일부 불필요 |
| 피처 기여도 드리프트 | 피처 중요도(SHAP) 변화 | Clarify | 불필요 |