Day 1 - ML 수명주기 개요: 데이터에서 운영까지의 한 바퀴

📌 핵심 정리

• ML 수명주기는 데이터 수집 → 데이터 준비 → 모델 학습 → 모델 평가 → 배포 → 모니터링의 여섯 단계다.
• 직선이 아니라 순환하는 원이다. 배포가 끝이 아니라 모니터링 → 재학습으로 다시 돈다.
• 가장 흔히 빠뜨리는 단계는 데이터 준비. 수집 직후 바로 학습하면 안 된다.
• 평가는 반드시 학습에 쓰지 않은, 본 적 없는 데이터로 해야 의미가 있다.
• 순환이 필요한 이유는 데이터 드리프트 — 시간이 지나면 데이터 분포가 변해 모델이 낡는다.

왜 "수명주기"라고 부르는가

• AIF-C01은 모델을 직접 코딩하길 기대하지 않는다. **"어떤 단계를 거치며 각 단계가 무엇을 책임지는가"**를 묻는다.
• 일반 소프트웨어 개발: 요구사항 → 설계 → 구현 → 배포의 비교적 직선적 흐름.
• ML: 결과물(모델)이 데이터로부터 패턴을 학습하므로, 데이터가 변하면 모델도 낡는다 → 계속 다시 도는 원(loop).

💡 관련 이론: ML 수명주기가 순환 구조인 핵심 이유는 "데이터 드리프트(Data Drift)" 때문이다. 세상의 데이터 분포는 시간이 지나며 바뀐다(예: 작년의 쇼핑 패턴 ≠ 올해의 쇼핑 패턴). 학습 당시 데이터로 만든 모델은 시간이 지나면 현실과 어긋나기 시작하고, 그래서 다시 데이터를 모으고 재학습하는 순환이 필요하다.

여섯 단계 한눈에 보기