MS AI 아키텍처 디자인(1)-AI 개념과 기본 가이드

2024년 11월 01일 2 분 소요

마이크로소프트 애저 상에서 AI 아키텍처 디자인을 솔루션 아키텍트들이 무엇을 고려하고, 어떻게 하는 지에 대한 스터디를 위한 가이드가 업데이트 되어서 이를 노트에 정리한다.

1. AI 개념

AI는 기계가 인간의 지능적인 행동을 모방할 수 있도록 하는 기술
- 데이터를 분석해 이미지와 영상을 생성하기
- 음성을 분석하고 합성하기
- 자연스러운 방식으로 음성 상호 작용하기
- 예측을 하거나 새로운 데이터를 생성하기
AI Apps: AI를 애플리케이션에 통합하면, 기존의 논리나 처리 방식으로는 효과적으로 다룰 수 없는 기능을 수행하거나 의사결정을 내릴 수 있음
AI 솔루션 아키텍트 역할: 솔루션을 설계하는 아키텍트로서, AI 및 머신러닝의 생태계를 이해하고 Azure 솔루션을 워크로드 설계에 어떻게 통합할 수 있는지를 파악하는 것이 중요

Azure Architecture Center는 예제 아키텍처, 아키텍처 가이드, 아키텍처 기준, 그리고 여러분의 시나리오에 적용할 수 있는 아이디어를 제공함.
AI 및 머신러닝 구성 요소가 포함된 워크로드는 Azure Well-Architected Framework의 AI 워크로드 지침 준수
다섯 가지 아키텍처 원칙(Architecture Pillars)에 걸쳐 AI 및 머신러닝 워크로드에 영향을 미치는 원칙과 설계 가이드를 포함하고 있음
- 신뢰성(Reliability)
- 보안 (Security)
- 비용 최적화 (Cost Optimization)
- 운영 우수성 (Operational Excellence)
- 성능 효율성 (Performance Efficiency)

아키텍처 원칙 (Pillar)	워크로드 고려 사항 (Workload concern)	원칙 적용 방법 (Apply the principles)	균형점 찾기 (Strike a balance)
신뢰성 (Reliability)	복원력, 가용성, 복구	비즈니스 요구사항, 복원력, 복구, 운영을 고려하여 설계하되, 복잡하지 않게 단순성을 유지합니다.	설계 원칙 및 트레이드오프 고려
보안 (Security)	데이터 보호, 위협 탐지 및 완화	기밀성, 무결성, 가용성을 보호합니다.	설계 원칙 및 트레이드오프 고려
비용 최적화 (Cost Optimization)	비용 모델링, 예산, 낭비 감소	사용량과 요율 활용도를 최적화하되, 비용 효율적인 사고방식을 유지합니다.	설계 원칙 및 트레이드오프 고려
운영 우수성 (Operational Excellence)	전체적인 가시성 확보, DevOps 관행	표준, 종합적인 모니터링, 안전한 배포 관행을 통해 운영을 간소화합니다.	설계 원칙 및 트레이드오프 고려
성능 효율성 (Performance Efficiency)	확장성, 부하 테스트	수평 확장을 설계하고, 조기에 자주 테스트하며, 솔루션의 상태를 모니터링합니다.	설계 원칙 및 트레이드오프 고려

알고리즘 또는 머신러닝 알고리즘은 사람들이 복잡한 데이터셋을 탐색하고 분석하며 의미를 찾을 수 있도록 도와주는 코드 조각
각 알고리즘은 머신이 특정 목표를 달성하기 위해 따를 수 있는 명확하고 유한한 단계별 지침의 집합
머신러닝 모델의 목표는 예측을 하거나 정보를 분류하는 데 사용할 수 있는 패턴을 설정하거나 발견하는 것
- 어떤 알고리즘은 반려동물이 고양이, 개, 물고기, 새, 또는 도마뱀 중 무엇인지 판단하는 방법을 설명할 수 있음
- 훨씬 더 복잡한 다른 알고리즘은 문서화된 언어나 음성 언어를 식별하고, 단어를 분석한 후 다른 언어로 번역하고, 마지막으로 번역 결과의 정확성을 검사하는 방법
해당 계열 내에서 다양한 알고리즘을 평가하여 워크로드에 적합한 알고리즘을 찾는 것이 중요

예측 모델을 생성하기 위해 알고리즘을 사용하는 AI 기법
데이터 필드를 분석하고, 데이터 내의 패턴을 “학습”하여 모델을 생성함 -> 새로운 데이터를 기반으로 정보에 근거한 예측이나 결정을 내림
예측 모델은 알려진 데이터를 기반으로 검증되며, 특정 비즈니스 시나리오에 대한 성능 지표를 통해 측정되고 필요에 따라 조정
- 훈련(training): 모델의 학습(데이터에서 패턴을 학습하여 모델 생성)과 검증(성능 측정 및 조정) 과정
- 머신러닝 모델은 주기적인 재훈련(retraining)을 통해 시간이 지남에 따라 점점 더 향상됨
AI 워크로드를 설계할 때, 과거의 관찰 데이터를 바탕으로 미래 상황을 신뢰성 있게 예측할 수 있는 시나리오라면 머신러닝을 권장함.
과거의 관측된 데이터는 보편적인 사실일 수도 있고, 특정한 상황에 맞춘 경우일 수도 있음.
- 예: 과거 품질 보증 클레임 데이터를 기반으로 조립 라인에서 발생할 수 있는 조립 오류를 감지하는 컴퓨터 비전