머신러닝(ML) 모델은 "한 번 만들고 끝"이 아니다. 좋은 모델은 마치 살아 있는 제품처럼 태어나고, 학습하고, 평가받고, 세상에 나가고, 계속 감시받는다. 이 전체 흐름을 ML 수명주기(ML Lifecycle)라고 부른다. AIF-C01 시험은 여러분이 모델을 직접 코딩하길 기대하지 않는다. 대신 "데이터에서 출발해 운영까지 어떤 단계를 거치며, 각 단계가 무엇을 책임지는가"를 명료하게 이해하길 요구한다.
오늘은 ML 수명주기의 여섯 단계 — 데이터 수집 → 데이터 준비 → 모델 학습 → 모델 평가 → 배포 → 모니터링 — 를 하나의 순환하는 그림으로 정리한다.
소프트웨어 개발은 보통 "요구사항 → 설계 → 구현 → 배포"라는 비교적 직선적인 흐름을 따른다. 그런데 ML은 다르다. ML의 결과물(모델)은 데이터로부터 패턴을 학습하기 때문에, 데이터가 변하면 모델도 낡는다. 그래서 한 번 돌고 끝나는 직선이 아니라, **계속 다시 도는 원(loop)**에 가깝다.
💡 관련 이론: ML 수명주기가 순환 구조인 핵심 이유는 "데이터 드리프트(Data Drift)" 때문이다. 세상의 데이터 분포는 시간이 지나며 바뀐다(예: 작년의 쇼핑 패턴 ≠ 올해의 쇼핑 패턴). 학습 당시 데이터로 만든 모델은 시간이 지나면 현실과 어긋나기 시작하고, 그래서 다시 데이터를 모으고 재학습하는 순환이 필요하다.