AI 개발의 가장 큰 문제는 성능이 아니라 재현성이다. 같은 코드인데 결과가 달라지고, 실험 조건이 기록되지 않으면 모델은 기억에 의존한 결과물이 된다. 쿠브플로우와 쿠버네티스를 중심으로 데이터 전처리, 학습, 자동화, 배포, 운영을 하나의 흐름으로 연결하며, 반복 가능하고 신뢰할 수 있는 AI 시스템 설계 방법을 설명한다. AI문고. aiseries.oopy.io에서 필요한 인공지능 지식을 찾을 수 있다.
목차
AI 모델의 학습 과정과 쿠브플로우 역할
01 AI 모델의 작동 환경 02 AI 모델 개발의 본질적 어려움 03 쿠버네티스의 기본 이해 04 쿠브플로우의 등장 배경과 목적 05 AI 모델 개발의 전체 과정 06 주피터 기반 AI 모델 첫 실험 07 AI 모델 실험 자동화 체계 08 AI 모델 성능 최적화 09 AI 모델 배포 과정 10 AI 모델 운영의 의미
작가 소개
작가김동길
강릉원주대학교 산업공학 박사학위를 2018년에 취득한 후, 현재 강원ICT융합연구원 AI 솔루션 그룹에서 선임연구원으로 재직 중이다. 주요 연구 분야는 MLOps 관련 백엔드 시스템 설계로, 특히 최적화, 리소스 관리, 모니터링, 자동화된 학습 파이프라인 구축 등을 중심으로 연구하고 있다. 또한 효율적인 AI 인프라 운영과 확장성을 확보하는 기술 개발에 집중하고 있으며, 관련 기술에 대한 특허를 보유하고 있다. 주요 연구 성과로는 “Kubeflow 기반 다양한 어노테이션 포맷 통합 및 자동화된 객체 탐지 라벨링 시스템 개발”2025, “딥러닝 시스템에서 MIG 기반 GPU 자원의 효율적 활용을 위한 Kubeflow 연계 방안”2026 등이 있으며, 그 외에도 10편 이상의 논문을 KCI 등재 학술지에 게재하였다.
