• 목록

[일시] 2025.08.07.

[리뷰 논문] Data drift detection and mitigation: A comprehensive MLOps approach for real-time systems

[요약]
본 발표는 실시간 머신러닝 시스템에서 발생하는 데이터 드리프트(Data Drift) 문제를 감지하고 완화하기 위한 MLOps 기반 접근법을 제안한다. 전통적인 머신러닝 개발은 학습 단계에 집중되었고, 운영 중 데이터 분포 변화에 대한 체계적인 대응은 부족하였다. 특히, 실시간 시스템에서는 외부 환경 변화·사용자 행동 변화·정책 변경 등에 따른 입력 데이터 분포 변화가 모델 성능 저하와 예측 오류로 직결되며, 비즈니스 리스크를 야기한다. 본 연구는 이러한 문제를 해결하기 위해, MLOps 아키텍처 하에서의 데이터 드리프트 탐지 및 완화 전략을 문헌 조사, 사례 분석, 자동화 도구 비교를 통해 체계적으로 정리하였다. 데이터 드리프트는 기술적 변화, 계절성, 환경 요인 등 다양한 원인에 의해 발생하며, 이를 탐지하기 위한 방법으로는 통계 기반(KS test, PSI), AI 기반(오토인코더, XAI), 거리 기반(KL divergence, Wasserstein 등)이 활용된다. 감지된 드리프트는 재학습(retraining), 데이터 증강, 점진적 학습, 주기적 피처 엔지니어링, 앙상블 전략 등을 통해 완화된다. 이 과정은 MLOps 인프라를 기반으로 하며, CI/CD 자동화, 실시간 모니터링, 모델 재배포와 같은 기능이 핵심이다. 또한, 금융, IoT, 전자상거래 등 실제 사례를 통해 드리프트 대응 전략의 실효성을 제시하였다. 예를 들어, PSI를 활용한 금융 사기 탐지에서 오탐률 30% 감소, KL Divergence를 통한 IoT 센서 이상 감지로 시스템 가용성 20% 향상 등의 성과가 보고되었다. 결론적으로, 본 발표는 데이터 드리프트 감지와 완화가 단순 기술적 문제가 아닌 운영 안정성과 신뢰성을 확보하기 위한 핵심 요소임을 강조하며, MLOps는 이를 위한 지속 가능하고 확장 가능한 엔지니어링 프레임워크로서 필수임을 제시한다. 향후에는 모델 설명 가능성(XAI), 리소스 최적화, 연합 학습 기반의 프라이버시 보장형 탐지 기술 등의 발전이 요구된다.

[녹화 영상 링크]
https://us06web.zoom.us/rec/share/ra_T2uEGmJaku7kT_qmdcEBNe4_TylR9ZacNamWI-kxZ6smkT4z9SufVqDe3x6nw.2rG8m_bM_DW2A4jJ