AI 서비스 End-to-End 운영체계 구축 2기

앞선 프로젝트에서 만든 모델·서비스 하나를 골라 실제로 운영할 수 있는 체계를 만든다. 학습부터 배포, 감시, 재학습, 폐기까지의 고리를 완성하는 것이 목표다. AI 과제의 성패는 대개 모델 정확도가 아니라 운영에서…

25일 과정 80시간 미션 10개문제 96개

프로젝트 정보

강의레벨: 전문가
수행 형태: 4인 팀
교육일수: 25일
이수시간: 80시간
분야: 조직 혁신 및 End-to-End 체계, 조직 단위 AI 체계 구축, 실제 운영 가능 수준 기술, 결과물 검증·문서화, 모델 성능 최적화

프로젝트 소개

앞선 프로젝트에서 만든 모델·서비스 하나를 골라 실제로 운영할 수 있는 체계를 만든다. 학습부터 배포, 감시, 재학습, 폐기까지의 고리를 완성하는 것이 목표다.

AI 과제의 성패는 대개 모델 정확도가 아니라 운영에서 갈린다. 배포 후 3개월이면 데이터가 바뀌어 성능이 떨어지고, 만든 사람이 전출하면 아무도 손대지 못하고, 어떤 버전이 지금 돌고 있는지 모르게 된다. 이 프로젝트는 그 문제를 정면으로 다룬다.

다루는 범위는 실험 추적, 데이터·모델 버전 관리, 학습 파이프라인 자동화, 서비스 배포, 성능·드리프트 감시, 자동 재학습, 사고 대응, 그리고 인수인계와 조직 차원의 표준화까지다. 마지막 두 미션은 코드가 아니라 체계와 문서를 만드는 일이다. 전문가 수준 프로젝트에서 이 부분을 빼면 의미가 없다.

4인 1팀. 파이프라인·서비스·감시·문서화로 역할을 나누되 서로의 영역을 검토한다.

미션 여정

미션 10개 · 문제 96개

1. 운영 대상 선정과 현재 상태 진단 6시간 250 크레딧 문제 9개

2. 실험 추적 — 무엇으로 무엇을 얻었는지 남기기 7시간 260 크레딧 문제 9개

3. 데이터·모델 버전 관리 7시간 270 크레딧 문제 9개

4. 학습 파이프라인 자동화 8시간 280 크레딧 문제 10개

5. 서비스 배포와 롤백 8시간 290 크레딧 문제 10개

6. CI/CD — 커밋에서 배포까지 8시간 300 크레딧 문제 10개

7. 감시 — 성능 저하와 드리프트 잡기 8시간 310 크레딧 문제 10개

8. 자동 재학습과 승인 게이트 8시간 320 크레딧 문제 10개

9. 사고 대응과 훈련 7시간 330 크레딧 문제 9개

10. 인수인계 검증과 조직 표준화 7시간 340 크레딧 문제 10개

수행 조건과 산출물

선수학습: · 선수 : 중급 프로젝트 2개 이상 수료. 특히 모델을 만들어 평가해 본 경험이 필수다.
· 선수 스킬 : 「AI 기술 확장 Level 4」, 「성과 개선 Level 4」, 「업무 표준화 Level 3」 진단 통과.
· 기술 기초 : Git, 컨테이너, CI 개념, 리눅스 기본 조작.
· 준비물 : 교육용 쿠버네티스 또는 컨테이너 실행 환경, Git 저장소, 실험 추적 도구, 객체 저장소.
· 대상 선정 : 앞선 프로젝트 산출물 중 하나를 운영 대상으로 가져와야 한다. 없으면 제공되는 기준 모델을 쓴다.
제약조건: · 실습 환경 안에서만 배포한다. 실제 부대 인프라에 배포하지 않는다.
· 비밀 값(API 키·DB 접속 정보)을 코드나 저장소에 넣지 않는다. 발견 시 해당 미션은 미수행 처리한다.
· 모든 배포는 되돌릴 수 있어야 한다. 롤백 절차가 없는 배포는 완성으로 인정하지 않는다.
· 자동 재학습은 사람 승인 지점을 반드시 포함한다. 승인 없이 모델이 교체되는 구조는 제출 불가.
· 개인정보를 포함한 데이터는 가명·비식별 처리 후 사용한다.
산출물: 1. 학습 파이프라인 — 데이터 준비부터 모델 등록까지 자동 실행
2. 실험 추적 기록 — 모든 학습 실행의 데이터·코드·파라미터·성능
3. 데이터·모델 버전 관리 체계
4. 서비스 배포 — 컨테이너 이미지, 배포 설정, 롤백 절차
5. CI/CD 파이프라인 — 커밋에서 배포까지
6. 감시 체계 — 서비스 지표, 모델 성능, 데이터 드리프트
7. 자동 재학습 파이프라인 + 승인 게이트
8. 사고 대응 절차서 + 사고 훈련 기록
9. 인수인계 문서 + 외부 인원 검증 결과
10. 조직 표준 제안서 — 다음 과제가 재사용할 템플릿과 지침
참고자료: · 실습 환경 : 컨테이너 오케스트레이션 환경, Git 저장소, 객체 저장소, 실험 추적 서버
· 참고 : 「AI 서비스 운영 표준(초안)」(사내), MLOps 성숙도 모델 자료
· 기준 모델 : 정비 수요 예측 모델(9104 산출물 기준본) — 자체 산출물이 없는 경우 사용
· 드리프트 시험용 데이터 : 분포가 변화한 3개월분 추가 데이터