배포가 끝이 아니라 시작

모델을 만드는 기간보다 운영하는 기간이 훨씬 깁니다.

최소 구성

요소	하는 일
버전 관리	데이터·코드·모델을 함께 버전으로 묶음
재현성	"그때 그 결과"를 다시 만들 수 있어야 함
배포	새 모델을 안전하게 교체 (롤백 포함)
모니터링	입력 분포·예측 분포·실제 성능 추적
재학습	성능 저하 시 갱신

성능은 조용히 나빠진다

정확도가 어느 날 갑자기 떨어지는 게 아니라 서서히 나빠집니다.

드리프트 두 종류

• 데이터 드리프트: 입력 분포가 변함 (원료 변경, 계절, 설비 노후화)
• 개념 드리프트: 입력–출력 관계가 변함 (설비 개조 후 정상 범위 자체가 이동)

감지 방법

1. 입력 분포를 기준선과 주기적으로 비교 (통계 거리)
2. 예측 분포 감시 — 이상 판정 비율이 갑자기 늘거나 줄면 신호
3. 실제 결과 피드백 — 경보 → 조치 → 결과를 기록해 정확도 재계산

재학습 트리거

• 성능 지표가 임계 아래로 (예: 정밀도 0.7 미만 2주 지속)
• 설비 개조·기종 변경 같은 알려진 이벤트
• 정기 주기 (분기 등)

트리거를 정하지 않으면 아무도 재학습하지 않고, 1년 뒤 아무도 그 모델을 안 믿게 됩니다.