머신러닝 실전 워크플로 (0) - 시리즈 소개

머신러닝 프로젝트가 실전에서 어떻게 흘러가고 단계마다 어떤 도구를 쓰는지 정리하는 시리즈의 0편입니다. 시리즈 소개와 진행 순서를 다루며, 본문은 1편부터 시작합니다.

누구를 위한 시리즈인가

• 노트북에서 model.fit()까지는 하지만, 그 모델을 어떻게 배포하고 운영하는지는 모르는 사람
• 대회나 예제는 해봤지만 “실무 ML 프로젝트”가 어떻게 구성되는지 감이 없는 사람
• 데이터 수집부터 서빙, 모니터링까지 전체 흐름과 도구를 한 번 훑고 싶은 사람

모델 자체의 개념(손실, 과적합, 평가 등)은 머신러닝 기초 시리즈에서 다뤘습니다. 이 시리즈는 그 모델을 실제 프로젝트로 감싸는 바깥쪽, 즉 흐름과 도구를 다룹니다.

이 시리즈의 위치

이 블로그의 머신러닝 글은 이렇게 이어집니다.

• 데이터 다루기: NumPy, Pandas 기초. 데이터를 다루는 도구.
• ML 기초: 머신러닝 기초. 모델이 무엇을, 어떻게 배우는가.
• 실전 워크플로: 이 시리즈. 그 모델을 실제 프로젝트로 만드는 흐름과 도구.
• 적용 사례: NYC 택시 수요 예측 파이프라인. 이 흐름을 한 프로젝트로 끝까지 구현한 예.

이 시리즈가 “실전에서 어떻게 하는가”를 일반적으로 정리하면, NYC 택시 프로젝트는 그것을 구체적인 데이터 하나로 끝까지 밀어붙인 사례입니다. 두 글을 나란히 읽으면 좋습니다.

어떻게 진행하는가

프로젝트가 흘러가는 순서를 그대로 따라갑니다.

편	주제
(1)	문제 정의: 비즈니스 문제를 ML 문제로, 성공 지표와 베이스라인
(2)	프로젝트 구조와 재현성: 폴더 구조, 환경, 설정, 시드
(3)	데이터 수집과 버전관리: 소스, 스키마 검증, DVC
(4)	EDA와 데이터 품질 자동 점검
(5)	피처 파이프라인: 재현 가능한 전처리
(6)	실험 추적: MLflow로 무엇을, 왜 기록하나
(7)	검증 전략: 오프라인 평가, 베이스라인, 누수 점검
(8)	모델 레지스트리와 아티팩트 관리
(9)	서빙: 배치 대 온라인, FastAPI, 학습-서빙 편차
(10)	컨테이너와 배포: Docker
(11)	오케스트레이션과 스케줄링: Airflow, 멱등성
(12)	모니터링과 드리프트, 재학습

도구에 대한 관점

특정 도구를 외우는 시리즈가 아닙니다. 단계마다 “무엇을 해결하려고 이 도구가 있는가”를 먼저 보고, 대표 도구 하나로 확인합니다. 도구는 바뀌어도 해결하려는 문제는 남기 때문입니다. 실험 추적은 MLflow, 오케스트레이션은 Airflow를 기준으로 하되 대안도 함께 언급합니다.

준비가 됐으면 1편부터 시작합니다.

다음 글: 머신러닝 실전 워크플로 (1) - 문제 정의