---
id: ML-LIFE-001
category: Dev
confidence_score: 1.0
tags: [machine-learning, [[MLOps|MLOps]], workflow, software-engineering]
last_reinforced: 2026-04-26
---

# Machine Learning Lifecycle (머신러닝 생명주기)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터 수집부터 모델 폐기까지, AI의 요람에서 무덤까지의 여정" — 단순한 학습(Training)을 넘어 비즈니스 목표 설정, 데이터 엔지니어링, 배포, 모니터링을 포괄하는 순환적인 개발 프로세스.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 한 번의 배포로 끝나는 것이 아니라, 실제 운영 데이터(Real-world data)를 지속적으로 환류(Feedback)하여 모델을 개선해 나가는 반복적 라이프사이클 패턴.
- **주요 단계:**
    - **Data Preparation:** 수집, 클리닝, 라벨링, 피처 엔지니어링. 가장 많은 시간이 소요되는 구간.
    - **Model Development:** 알고리즘 선택, 학습, 하이퍼파라미터 튜닝, 평가.
    - **Deployment & Serving:** 학습된 모델을 실제 서비스 환경(API, Edge 등)에 배포.
    - **Monitoring & Maintenance:** 성능 하락(Model Drift) 감지, 재학습(Retraining) 트리거.
- **MLOps:** 이 생명주기 전반을 자동화하여 효율성을 극대화하는 실천법.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 연구 중심의 '모델링'에만 치중하던 방식에서, 지속 가능한 운영과 데이터 품질 관리가 강조되는 '데이터 중심(Data-centric)' 환경으로 전환.
- **정책 변화:** Antigravity 프로젝트는 '지식 엔진'의 답변 품질을 매일 모니터링하며, 성능이 저하될 경우 자동으로 위키 데이터를 재인덱싱하는 라이프사이클 자동화 시스템을 갖추고 있음.

## 🔗 지식 연결 (Graph)
- [[MLOps|MLOps]], Data-Centric-AI, HyperParameter-Optimization, Continuous-Integration
- **Raw Source:** 10_Wiki/Topics/AI/Machine-Learning-Lifecycle.md