교육

시간

1교시

2교시

3교시

4교시

5교시

6교시

7교시

09:30

∼

10:20

10:30

∼

11:20

11:30

∼

12:20

13:30

∼

14:20

14:30

∼

15:20

15:30

∼

16:20

16:30

∼

17:20

9.7.

○ AI 품질의 개요

  - SW품질과 AI품질의 차이

  - 데이터, 모델, 운영 품질의 연결

  - 소프트웨어 1.0 vs 2.0

○ 데이터 품질의 중요성

  - 좋은 데이터와 나쁜 데이터

  - 데이터 품질이 모델에 미치는 영향

  - 데이터 오류 사례(결측치, 라벨 오류, 이상치)

○ 데이터 품질 확인 실습

  - Pandas로 데이터 확인하기

  - 결측치, 이상치, 라벨 오류 확인

○ 데이터 검증 자동화

 -  따른 성능 변화를 기록으로 관리-데이터 품질 검증 도구 소개 (Great Expectations)

 - 데이터 규칙 정의 및 검증 리포트 생성

○ 모델 품질 지표 이해

  - 분류 모델의 품질 지표

  - 회귀 모델의 품질 지표

  - 기타 모델들의 품질 지표

○ 모델 성능 평가 실습

  - Scikit-learn으로 간단한 분류 모델 학습

  - confusion matrix 시각화 및 해석

  - 데이터 품질과 성능 지표의 연계성 체험

○ 모델 실험 관리

  - MLflow Tracking 소개

  - 학습 결과 기록 & 버전 비교

  - 데이터셋 변경에 따른 성능 변화 추적

9.8.

○ 컨테이너와 모델 서빙

  - 컨테이너를 통한 동일 환경 재현

  - 모델 파일과 실행 환경의 분리

  - 모델 서빙 컨테이너 구조 이해

○ API 구성 (FastAPI)

  - 간단한 예측 API 작성

  - 요청과 응답 흐름 이해

○ Kubernetes 기본

  - Pod과 Deployment 개념

  - Manifest 작성하기

○ 모델 배포 실습

  - Docker를 통한 모델 컨테이너 실행

  - Kubernetes에 배포

○ 운영 품질의 위협 요인

  - 데이터 드리프트와 모델 드리프트

  - 서비스 지표 (응답 속도, 에러율)

○ 로그와 지표의 수집

  - Python에서 구조화된 로그

  - Promtail과 Loki를 이용한 로그 수집

  - Prometheus를 이용한 지표 수집

  - 추론 결과와 서비스 로그 연계

○ 대시보드를 통한 품질 관리

  - Grafana에서 로그/지표 시각화

  - 응답 속도, 에러율, 추론 분포 대시보드 구축

○ 품질 이상 감지와 대응

  - 입력 데이터 분포 변화 시각화

  - 대시보드에서 성능 변화 확인