쿠브플로우 중심 AI 모델 설계와 운영(AI 문고)

AI 개발은 코드가 아니라 흐름을 설계하는 일이다
처음 AI 모델을 만들 때 사람들은 흔히 몇 줄의 코드와 높은 정확도만 있으면 모델이 완성되었다고 생각한다. 그러나 실제 프로젝트는 전혀 다른 문제를 드러낸다. 어제 잘 작동하던 모델이 오늘은 성능이 달라지고, 같은 코드를 실행했는데도 결과가 미묘하게 변한다. 문제는 대부분 모델 내부가 아니라 그 바깥에 있다. 데이터 전처리 방식, 실행 환경, 라이브러리 버전, 실험 순서 같은 보이지 않는 조건들이 결과를 흔들기 때문이다. 바로 그 불안정한 과정에 주목해 AI 개발의 핵심은 더 복잡한 알고리즘이 아니라, 반복 가능하고 설명 가능한 흐름을 만드는 데 있다는 점을 차분하게 보여 준다. 그리고 그 중심에 쿠브플로우(Kubeflow)를 놓는다. 쿠브플로우는 이 흐름을 설계하기 위한 구조로, 데이터 수집과 전처리, 학습과 실험 관리, 자동화와 배포, 운영과 개선까지 AI 개발 전 과정을 하나의 파이프라인으로 연결한다. 이를 바탕으로 왜 실험이 재현되지 않는지, 왜 협업이 혼란스러워지는지, 왜 기록되지 않은 모델은 결국 기억에 의존하게 되는지를 실제 개발 경험 속에서 풀어낸다. 그리고 쿠버네티스 기반의 AI 운영 구조를 통해 모델을 '한 번 실행되는 결과물'이 아니라 지속적으로 반복·관리·확장 가능한 시스템으로 전환하는 방법을 제시한다. AI 개발이 모델 하나를 만드는 일이 아니라, 신뢰할 수 있는 과정을 설계하는 일이라는 사실을 설득력 있게 보여 주는 책이다.

AI 모델의 학습 과정과 쿠브플로우 역할

01 AI 모델의 작동 환경
02 AI 모델 개발의 본질적 어려움
03 쿠버네티스의 기본 이해
04 쿠브플로우의 등장 배경과 목적
05 AI 모델 개발의 전체 과정
06 주피터 기반 AI 모델 첫 실험
07 AI 모델 실험 자동화 체계
08 AI 모델 성능 최적화
09 AI 모델 배포 과정
10 AI 모델 운영의 의미

김동길 강릉원주대학교 산업공학 박사학위를 2018년에 취득한 후, 현재 강원ICT융합연구원 AI 솔루션 그룹에서 선임연구원으로 재직 중이다. 주요 연구 분야는 MLOps 관련 백엔드 시스템 설계로, 특히 최적화, 리소스 관리, 모니터링, 자동화된 학습 파이프라인 구축 등을 중심으로 연구하고 있다. 또한 효율적인 AI 인프라 운영과 확장성을 확보하는 기술 개발에 집중하고 있으며, 관련 기술에 대한 특허를 보유하고 있다. 주요 연구 성과로는 "Kubeflow 기반 다양한 어노테이션 포맷 통합 및 자동화된 객체 탐지 라벨링 시스템 개발"(2025), "딥러닝 시스템에서 MIG 기반 GPU 자원의 효율적 활용을 위한 Kubeflow 연계 방안"(2026) 등이 있으며, 그 외에도 10편 이상의 논문을 KCI 등재 학술지에 게재하였다.