기계 학습(machine learning, ML) 프로젝트는 모델 훈련 한 번으로 끝나지 않는다. 우선 해결할 업무와 예측 대상을 정해야 수집할 데이터가 결정된다. 예를 들어 다음 달 수요를 예측하려는 경우 날짜와 판매량뿐 아니라 실제 예측 시점에 알 수 있는 조건을 준비해야 한다(자체 예시). 데이터 정리는 같은 의미의 값을 일관되게 만들고, 변환은 모델에 전달할 표현을 구성한다.
알고리즘(algorithm)은 데이터에서 학습하는 방법이고, 모델(model)은 그 방법으로 학습한 결과물이다. 훈련(training)에 필요한 컴퓨팅 자원은 데이터 크기와 완료해야 할 시간에 따라 정한다. 훈련이 끝나면 실제 업무 요구를 충족하는지 평가(evaluation)하고 배포(deployment)한다. 애플리케이션과 모델 서버를 따로 운영할 수도 있으므로 각각의 실행 역할을 구분한다. 운영 중에는 입력과 결과를 모니터링(monitoring)하고 새로 확보한 양질의 데이터로 재평가와 재훈련(retraining)을 이어 간다. 이것이 피드백 루프(feedback loop)다. 재훈련했다고 항상 나아지는 것은 아니므로 새 모델도 평가를 통과해야 한다.
적용과 한계
AIF는 단계의 역할·선택을 이해하는 것이 우선이며, 구현 코딩을 필수로 확대하지 않는다. 문서가 언급한 데이터 준비 도구·Feature Store·Model Monitor의 세부 설정은 미확인이다.
적용 범위: 데이터 준비 도구, Feature Store와 Model Monitor의 설정은 별도 구현 문서를 확인해야 한다. AIF 학습에서는 단계별 역할과 선택 이유를 먼저 이해한다.