2nd/10_Wiki/Topics_Blog/Machine-Learning-Lifecycle.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
ML-LIFE-001	10_Wiki/💡 Topics/AI	1.0	machine-learning mlops workflow software-engineering	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, Data-Centric-AI, Hyperparameter-Optimization, Continuous-Integration
• Raw Source: 10_Wiki/Topics/AI/Machine-Learning-Lifecycle.md