예측 분석: ML 모델이 과거 데이터에서 새로운 사례로 일반화하는 방식

예측 분석은 과거 데이터의 패턴이 앞으로 일어날 일에 대해 유용한 단서를 제공한다는 기본 가정에서 출발합니다.

하지만 고객 행동은 변하고, 운영 조건은 달라지며, 리스크 패턴도 진화합니다. 예측 모델의 진정한 검증은 배포 이후, 학습 데이터와 다른 조건을 마주할 때 시작됩니다. 과거 데이터에서 학습한 패턴이 새로운 사례에 대한 추정을 뒷받침할 만큼 충분히 일반화될 수 있을까요?

이 긴장이야말로 예측 분석의 핵심입니다. 모델은 과거에서 학습하지만, 평가는 미래를 기준으로 이루어집니다. 이 원칙은 고전적 통계 방식이든 예측 AI이든 동일하게 적용됩니다. 예측 분석은 조직이 예측을 미래에 대한 고정된 답이 아니라 시간이 지나면서 테스트하고 유지 관리해야 하는 추정치로 다룰 때 가장 효과적으로 작동합니다.

예측 분석은 과거 데이터, 통계 기법, 머신러닝(ML)을 활용해 미래 결과의 가능성을 추정합니다. 사용 사례에 따라 결과는 확률, 예측값 또는 리스크 점수가 될 수 있습니다. 어떤 경우든 이는 확실히 일어날 일을 말하는 것이 아니라, 일어날 가능성이 높은 일을 표현합니다.

이러한 미래 지향성은 예측 분석을 이미 발생한 이벤트에 초점을 맞추는 다른 분석 형태와 구분합니다. 기술적 분석은 무슨 일이 일어났는지를 설명하고, 진단 분석은 그 이유를 살펴봅니다. 예측 분석은 다음에 일어날 가능성이 높은 일을 묻고, 처방적 분석은 그 정보를 활용해 대응이나 행동을 안내합니다.

예측 시스템에는 기술적 시스템이나 진단 시스템보다 더 많은 요건이 필요합니다. 과거 데이터는 모델이 마주할 조건을 대표해야 하고, 예측은 모델이 아직 보지 못한 결과를 기준으로 검증되어야 하며, 조건이 변함에 따라 성능도 모니터링해야 합니다. 예를 들어 지난해에는 잘 작동했던 모델도 고객 행동, 시장 조건 또는 운영 패턴이 바뀌면 정확도가 점진적으로 떨어질 수 있습니다.

ML은 조직이 예측 기법을 적용할 수 있는 범위를 크게 넓혔습니다. 통계적 예측과 분류는 현대적 ML보다 먼저 존재했지만, 머신러닝은 고객, 제품, 트랜잭션 또는 기타 엔터티로 이루어진 매우 큰 집단 전반에서 예측 모델을 실행할 수 있게 합니다.

예측 분석과 예측 AI는 밀접하게 겹치지만, 두 용어가 가리키는 바는 약간 다릅니다. 예측 분석은 과거 패턴을 활용해 미래 결과를 추정하는 분석 분야입니다. 예측 AI는 일반적으로 ML 모델을 적용해 이러한 예측을 대규모로 수행하는 것을 의미합니다.

‘AI Builders’의 이번 에피소드에서 Sway AI의 마케팅 부사장 Dan Darnell은 모든 규모의 기업이 ML과 예측 분석을 더 쉽게 활용할 수 있도록 지원하는 노코드 환경을 만드는 방법을 설명합니다.

예측 분석은 수명 주기를 따르지만, 각 단계는 긴밀하게 연결되어 있습니다. 프로세스 초기에 내리는 결정은 이후의 모든 과정을 좌우합니다. 일반적인 수명 주기는 다음과 같습니다.

1. 의사 결정 정의: 결과, 예측 기간, 결과와 연결되는 조치를 정의합니다.
2. 과거 데이터 수집: 관련 소스를 결합하고 완전성과 일관성을 평가합니다.
3. 피처 엔지니어링: 원시 관측값을 학습과 추론에 유용한 신호로 변환합니다.
4. 모델 선택 및 학습: 예측 목표와 사용 가능한 데이터에 적합한 접근 방식을 선택합니다.
5. 검증: 비즈니스 목표를 반영하는 지표를 사용해 홀드아웃 데이터로 테스트합니다.
6. 예측 워크플로우 배포: 현재 데이터를 모델에 입력하고, 그 출력을 이를 사용하는 사람이나 시스템으로 전달합니다.
7. 모니터링 및 재학습: 성능을 추적하고 기본 패턴이 변하면 모델을 새로 고칩니다.

필요한 예측 정의부터 시작

첫 단계는 모델이 구체적으로 추정할 수 있도록 결과를 충분히 명확하게 정의하는 것입니다. 여기에는 예측 대상, 시간 범위, 결과가 사용될 맥락이 포함됩니다. 이처럼 예측을 구조화하면 프로젝트가 실제 비즈니스 질문과 계속 연결됩니다.

예를 들어 이탈 모델에는 떠날 가능성이 있는 고객을 식별한다는 일반적인 목표만으로는 충분하지 않습니다. 목표가 30일 이내 이탈인가요? 90일 이내인가요? 다음 계약 갱신 전인가요?

과거 데이터 뷰 구축

예측 대상이 명확해지면 팀은 이와 관련된 과거 데이터를 수집합니다. 일반적으로 이는 여러 소스의 레코드를 결합하고, 불일치를 정리하며, 모델이 학습해야 할 패턴을 나타내는 피처를 만드는 과정을 의미합니다.

중요한 변수가 서로 다른 시스템에 존재하거나, 정의가 변경되었거나, 누락되거나 일관되지 않은 레코드가 있어 모델이 학습하는 관계를 왜곡할 수 있다면 이 스테이지에는 상당한 시간이 걸릴 수 있습니다.

산업 머신러닝에 관한 최근 연구에서는 데이터 품질, 데이터 부족, 불균형, 이질성이 주요 프로덕션 제약 요인이라고 지적합니다. 모델이 활용할 수 있는 신호의 양은 학습 데이터가 제공할 수 있는 범위로 제한됩니다.

피처 엔지니어링은 이 프로세스의 핵심 요소입니다. 원시 관측값은 예측에 더 유용한 신호로 변환됩니다. 예를 들어 일련의 트랜잭션을 최근성, 빈도 또는 추세 피처로 바꾸거나, 과거 값을 시계열 모델의 지연 피처로 표현할 수 있습니다.

모델 학습 및 검증

학습 데이터가 준비되면 팀은 적절한 모델 계열을 선택하고 과거 데이터의 일부를 사용해 모델을 학습합니다. 모델 학습 이후의 다음 단계는 모델이 이전에 보지 못한 홀드아웃 데이터에 대한 검증입니다. 이 단계를 분리하면 학습 중에 익힌 패턴이 과거 샘플에 단순히 맞춰진 것이 아니라 새로운 사례로 일반화되는지를 더 잘 판단할 수 있습니다.

평가에 사용되는 지표는 수행 중인 예측의 유형을 반영해야 합니다. 예를 들어 특정 결과가 드물게 발생하는 경우 전체 정확도는 오해를 불러일으킬 수 있습니다. 사기 감지에서는 거의 모든 트랜잭션을 정상으로 분류하는 모델이 높은 정확도 점수를 낼 수 있지만, 조직이 가장 중요하게 여기는 사례는 놓칠 수 있습니다. 이러한 경우에는 정밀도, 재현율 또는 기타 작업별 측정값이 더 유용한 관점을 제공할 수 있습니다.

모델의 프로덕션 적용

검증된 모델에는 최신 데이터를 사용 가능한 예측으로 전환하는 안정적인 방법이 필요합니다. 피처는 일관되게 생성되고, 일정에 맞춰 새로 고쳐지며, 학습에 사용한 것과 동일한 양식으로 모델에 전달되어야 합니다. 그렇지 않으면 학습-서빙 스큐로 인해 성능이 저하될 수 있습니다.

추론에도 정의된 실행 주기와 전달 대상이 필요합니다. 수요 예측은 매일 밤 실행될 수 있고, 사기 모델은 준실시간으로 트랜잭션에 점수를 매길 수 있습니다. 이러한 타이밍 요건은 서빙 아키텍처를 결정합니다.

프로덕션 워크플로우는 재현 가능하고 추적 가능해야 합니다. 팀은 어떤 모델 버전이 예측을 생성했는지, 어떤 데이터와 피처 로직이 입력됐는지, 마지막 재학습이 언제 이루어졌는지 알아야 합니다.

변화 요인 모니터링

배포는 수명 주기의 끝이 아닙니다. 예측 성능은 과거 데이터에서 학습한 관계가 이후에도 유효하게 유지되는지에 달려 있습니다.

시간이 지나면 유입되는 데이터가 달라지고, 입력과 결과 사이의 관계가 약해지거나 전혀 새로운 패턴이 나타날 수 있습니다. 모니터링은 이러한 변화가 예측 결과의 성능 저하로 드러나기 전에 포착하도록 돕습니다.

재학습은 모델이 최신 정보를 반영할 수 있게 해 줍니다. 사용 사례에 따라 팀은 정해진 일정에 맞춰, 드리프트에 대응해 또는 성능이 정의된 임계값 아래로 떨어졌을 때 모델을 재학습할 수 있습니다.

예측 ML 시스템에 대한 2025년 리뷰에 따르면 시간적 변화와 개념 드리프트는 배포 이후 변화의 흔한 원인입니다. 현실적으로 환경이 바뀌기 시작하면 모델이 학습 중 익힌 패턴을 다시 점검해야 하는 경우가 많습니다.

모델 정밀도 결정

규모가 커지면 유지해야 할 개별 모델의 수를 결정해야 하는 또 다른 설계 선택이 생깁니다. 고객, 제품 또는 위치별 모델은 로컬 변동성을 더 잘 포착할 수 있지만, 모델이 하나 늘어날 때마다 별도의 학습, 모니터링, 재학습 요구 사항도 함께 늘어납니다. 대규모 환경에서는 운영해야 할 병렬 워크플로우가 수백, 수천 개로 늘어날 수 있습니다.

여러 엔터티를 아우르는 통합 모델이 사용 사례에 필요한 변동성을 충분히 포착할 수 있다면 운영 부담을 줄일 수 있습니다. 따라서 적절한 세밀도는 예측 성능뿐 아니라 시간이 지남에 따라 모델 자산을 유지하는 비용에도 좌우됩니다.

예측하려는 질문이 명확해지면 모델 선택도 쉬워집니다. 대부분의 예측 분석 문제는 몇 가지 모델군으로 나뉘며, 각 모델군은 서로 다른 형태의 질문에 대응합니다.

• 분류: 이 관측치는 어떤 카테고리에 속하는가?
• 회귀: 어떤 수치 값을 예상해야 하는가?
• 클러스터링: 데이터 안에는 어떤 자연스러운 그룹이 존재하는가?
• 시계열: 이전에 일어난 일을 바탕으로 다음에는 무엇이 일어날 가능성이 높은가?
• 앙상블 기법: 여러 모델을 결합하면 어떤 결과를 얻을 수 있는가?

모델군과 모델링 기법은 서로 다르다는 점에 유의해야 합니다. 예를 들어 분류는 목표를 설명하는 개념이며, 이를 달성하는 데는 다양한 기법을 사용할 수 있습니다.

분류 모델

분류 모델은 관측치를 카테고리에 할당하거나 관측치가 특정 클래스에 속할 확률을 추정합니다. 예를 들어 이탈 모델은 고객이 향후 90일 이내에 이탈할 확률을 추정할 수 있으며, 리스크 모델은 지원자나 계정을 사전에 정의된 카테고리로 분류할 수 있습니다.

로지스틱 회귀, 의사 결정 트리, 랜덤 포레스트, 그래디언트 부스팅, 신경망을 비롯한 기법은 모두 분류 문제를 지원합니다. 적절한 선택은 성능 요구 사항과 해당 의사결정에 필요한 설명 수준에 따라 달라집니다.

회귀 모델

회귀 모델은 연속적인 수치 값을 추정합니다. 매출 전망, 예상 고객 생애 가치, 가격 산정 추정이 대표적인 예입니다. 선형 회귀는 비교적 투명한 출발점을 제공하며, 트리 기반 방법, 앙상블, 신경망은 더 복잡한 관계를 다룰 수 있습니다.

회귀 모델을 사용할 때 팀은 비즈니스가 어떤 수치 결과를 추정하려는지, 그리고 그 추정치가 의사결정을 지원하려면 어느 정도의 정밀도가 필요한지 알아야 합니다.

클러스터링 모델

클러스터링 알고리즘은 알려진 대상 레이블에서 출발하지 않고 데이터에서 자연스럽게 발생하는 그룹을 찾습니다. 예를 들어 K-평균 클러스터링은 비즈니스가 해당 세그먼트를 미리 정의하지 않았더라도 구매 패턴이 서로 유사한 고객을 식별할 수 있습니다. 이렇게 생성된 클러스터는 세분화, 타기팅 또는 추가 분석을 지원할 수 있습니다.

모델이 알려진 대상을 예측하는 것이 아니라 구조를 발견하는 것이기 때문에 클러스터링은 분류 및 회귀와는 다소 다른 방식으로 사용됩니다. 팀이 어떤 그룹이나 패턴이 존재하는지 파악하는 단계, 즉 분석 워크플로우의 비교적 초기 단계에서 특히 유용한 경우가 많습니다.

시계열 모델

시계열 모델은 시간 순서대로 정렬된 관측치를 사용해 미래 값을 추정합니다. 수요, 매출, 에너지 부하, 재무 성과, 재고 수준은 모두 이 카테고리에 자연스럽게 해당합니다. 계절성, 추세, 예측 기간은 모델 설계를 좌우하며, 적용 기법은 ARIMA 같은 통계적 접근 방식부터 여러 관련 시계열에 걸쳐 학습된 ML 방법까지 다양합니다.

이 모델군이 기업 예측 분석에서 자주 등장하는 이유는 단순합니다. 많은 비즈니스 질문에는 날짜가 따라붙기 때문입니다. 다음 달에는 재고가 얼마나 필요할까? 다음 분기 매출은 어떻게 될까? 내일 에너지 수요는 얼마나 될 것으로 예상해야 할까?

앙상블 기법

앙상블 기법은 여러 모델을 결합해 안정성이나 예측 성능을 높입니다. 랜덤 포레스트와 그래디언트 부스팅이 대표적인 예입니다. 다른 앙상블은 독립적으로 학습된 모델의 출력을 집계해, 최종 결과가 어느 한 접근 방식의 강점이나 약점에 좌우되는 정도를 줄입니다.

이러한 개선에는 대개 절충이 따릅니다. 큰 앙상블이나 신경망은 일반적으로 설명하기가 더 어렵습니다. 규제 환경에서는 감사자나 고객이 의사결정이 어떻게 내려졌는지 이해해야 할 수 있으므로 해석 가능성은 타협할 수 없는 요건입니다.

예측 모델은 과거 데이터로부터 수요, 이탈 확률, 장비 고장과 같은 정의된 미래 결과를 추정합니다. 생성형 AI는 학습 중 익힌 패턴을 기반으로 텍스트, 이미지, 코드 등 새로운 콘텐츠를 생성합니다.

두 기술은 점점 더 함께 작동하고 있습니다. 예를 들어 AI 기반 예측 분석 플랫폼은 예측 모델의 출력을 설명하거나 요약할 수 있으며, 예측 모델은 계속해서 예측값이나 확률 자체를 제공합니다.

예측 분석 도구나 플랫폼은 학습이 이루어지는 위치, 데이터가 있는 위치, 함께 작업할 수 있는 사용자, 이후 예측이 전달되는 위치까지 포괄하는 전체 워크플로우를 지원해야 합니다. 이러한 아키텍처 선택은 두 모델링 라이브러리 간 차이보다 운영에 더 큰 영향을 미치는 경우가 많습니다.

예측 분석 도구를 평가할 때 팀은 다음 질문을 검토해야 합니다.

• 모델은 거버넌스가 적용된 소스 데이터가 있는 곳에서 학습되는가, 아니면 별도 환경에서 학습되는가?
• 해당 워크플로우에서 데이터를 다른 환경으로 복사해야 하는가?
• 예측 결과는 애플리케이션, 대시보드 또는 비즈니스 프로세스에 어떻게 전달되는가?
• 어떤 사용자가 예측 워크로드를 구축하거나 실행할 수 있는가?
• 모델 버전, 계보, 재학습은 어떻게 추적되는가?
• 추론에는 어떤 인프라가 필요한가?
• 모델이나 예측 수가 늘어날수록 비용은 어떻게 달라지는가?

데이터 이동은 특히 면밀히 검토해야 합니다. 거버넌스가 적용된 데이터를 별도의 ML 환경으로 복사하면 동기화해야 할 또 다른 버전, 유지 관리해야 할 또 다른 파이프라인, 또 하나의 거버넌스 경계가 생깁니다. 해당 사본이 소스보다 뒤처지거나 업스트림 파이프라인이 실패하면 모델은 더 이상 비즈니스의 현재 상태를 기준으로 작동하지 않습니다.

사용자 모델도 변화하고 있습니다. SQL 네이티브 예측 함수는 분석가와 분석 엔지니어가 모든 요청을 데이터 사이언스 대기열로 라우팅하지 않고도 예측 및 이상 감지 같은 일반적인 워크로드를 실행할 수 있게 합니다. 팀에 전문적인 피처 엔지니어링, 알고리즘 또는 평가가 필요한 경우 사용자 지정 모델에는 여전히 코드 우선 환경이 필요합니다. 이제는 예측 작업의 유형마다 별도의 스택을 요구하기보다, 이 두 접근 방식이 공존하는 방향으로 발전하고 있습니다.

산업별 목록을 보면 예측 분석이 실제보다 더 파편화된 것처럼 보입니다. 그러나 그 이면을 보면 대부분의 사용 사례는 미래 수요 예측, 이벤트 발생 여부 추정, 비정상 행동 식별, 장비 고장 예측, 리스크 수준 지정이라는 몇 가지 반복적인 문제 유형으로 정리됩니다.

예를 들어 에너지 부하를 예측하는 유틸리티 기업과 제품 수요를 예측하는 리테일러는 주변 비즈니스 프로세스가 전혀 달라 보이더라도 매우 유사한 분석 문제를 풀고 있습니다.

수요 및 매출 예측

예측은 과거 패턴, 계절성, 관련 신호를 사용해 미래 활동을 추정합니다. 가치는 예측 자체의 다운스트림에서 나타납니다. 더 시의적절하거나 정확한 추정치는 주문할 재고량, 리소스 배분 위치, 재무팀이 준비할 시나리오를 바꿀 수 있습니다.

이탈 및 유지 예측

이탈 모델은 고객이 제품이나 서비스 사용을 중단할 가능성을 추정합니다. 이 사용 사례에서는 타이밍이 핵심입니다. 예를 들어 고객이 이미 해지한 뒤에 전달되는 예측은 운영상 가치가 거의 없습니다. 팀은 인사이트를 충분히 일찍 확보해 아웃리치, 서비스 개입 또는 유지 제안을 실행할 수 있어야 합니다. 따라서 모델과 비즈니스 프로세스는 함께 설계되어야 합니다.

사기 및 이상 감지

사기 감지는 의심스러운 행동과 관련된 패턴에 초점을 맞추고, 이상 감지는 예상 기준선에서 벗어난 관측값을 찾습니다.

금융 서비스 조직은 이러한 접근 방식을 사용해 잠재적 사기 거래나 계정을 표시합니다. 유사한 기법은 운영 지표, 장비 성능, 보안 이벤트는 물론 예기치 않은 편차에 대한 조사가 필요한 여러 환경에도 적용됩니다.

이때 예측의 가치는 대개 주의를 좁히는 데서 나옵니다. 모든 이벤트를 동일하게 검토하는 대신, 팀은 조치가 필요할 가능성이 가장 높은 하위 집합에 리소스를 집중할 수 있습니다.

예측 유지 관리

제조업체와 기타 자산 집약적 조직은 장비, 센서, 유지 보수 데이터를 활용해 장애 발생 가능 시점을 추정합니다. 조기에 경고를 받으면 운영자는 고장으로 생산이 중단되기 전에 유지 보수를 예약할 수 있습니다. 비즈니스 성과는 추가 매출보다 다운타임 방지, 긴급 수리 감소, 유지 보수 리소스의 효율적 활용으로 나타나는 경우가 많습니다.

리스크 스코어링

예측 모델은 크레딧 부도, 보험금 청구, 고객 이탈 또는 기타 비즈니스 리스크와 같은 이벤트의 발생 가능성도 추정합니다. 스코어는 조직이 예상 리스크에 따라 우선순위를 일관되게 정하거나 서로 다른 워크플로우를 적용할 수 있게 해줍니다. 다른 사용 사례와 마찬가지로, 가치는 스코어가 산출된 이후 어떤 조치가 이어지는지에 달려 있습니다.

이 다섯 가지 패턴을 관통하는 공통점은 예측 분석이 데이터에서 의미 있는 신호가 나타난 시점부터 누군가가 이에 대응하기까지의 시간을 단축한다는 점입니다.

학습된 모델은 프로덕션 예측 워크플로우의 한 요소일 뿐입니다. 최신 피처가 일정에 맞춰 모델에 전달되어야 하고, 추론은 안정적으로 실행되어야 하며, 예측 결과는 이를 사용하는 시스템이나 사람에게 제공되어야 합니다. 또한 팀은 예측 결과를 생성한 모델 버전, 데이터, 피처 로직까지 추적할 수 있는 충분한 계보를 확보해야 합니다.

재현성을 고려한 구축

모델이 수작업으로 조합된 데이터 세트, 문서화되지 않은 변환, 또는 최초 개발자만 실행 방법을 아는 노트북에 의존한다면 프로덕션은 빠르게 무너집니다. 학습 중 사용한 동일한 데이터 준비와 피처 로직은 추론 중에도 일관되게 실행되어야 하며, 다른 팀이 재현할 수 있도록 프로세스가 버전 관리되어야 합니다. 이러한 일관성은 배포된 모델에 제공되는 데이터나 피처가 학습 시 사용한 것과 달라지는 학습-서빙 스큐도 줄여줍니다.

확장성을 고려한 설계

모델 수는 운영 비용에 직접적인 영향을 미칩니다. 고객, SKU, 위치마다 별도 모델을 두면 학습 작업, 모델 버전, 모니터링, 재학습 일정이 모두 늘어납니다. 경우에 따라 여러 엔터티에 걸쳐 학습된 통합 모델이 훨씬 적은 운영 구성 요소만으로 필요한 변동성을 포착할 수 있습니다.

거버넌스를 모델 수명 주기와 연결

예측이 프로덕션에 들어가면 학습 데이터, 피처 정의, 모델 버전 모두에 계보가 필요합니다. 기초 데이터가 이미 저장된 위치에서 거버넌스의 적용을 받고 있다면, 팀은 예측 워크플로우 전반에서 해당 제어와 관계를 유지할 수 있습니다. 데이터를 다른 환경으로 복사하면 액세스 정책, 계보, 정의를 다시 만들고 유지해야 하는 또 하나의 위치가 생깁니다. 명확히 정의되고 측정 가능한 하나의 사용 사례에서 시작하면, 추가 모델과 워크로드로 확장하기 전에 전체 프로덕션 경로를 먼저 확립할 수 있습니다.

예측 모델은 본질적으로 정적이지 않음

한 번 학습한 뒤 그대로 방치된 모델은 결국 오래된 버전의 환경을 설명하게 됩니다. 예약된 재학습은 모델이 더 새로운 관측값에 액세스할 수 있게 해줍니다. 모델 모니터링은 성능 변화 여부를 추적하며, 데이터 및 개념 드리프트 감지는 입력값이나 입력값과 결과 간 관계의 변화를 식별하는 데 도움이 됩니다. 챔피언-챌린저 테스트는 또 다른 접근 방식입니다. 현재 프로덕션 모델은 그대로 유지하면서 대안 모델을 비교 평가합니다.

시계열 워크로드는 검증 단계에서 특히 주의가 필요합니다. 레코드를 무작위로 학습 세트와 테스트 세트로 나누면, 예측 시점에는 사용할 수 없었을 미래 정보가 모델에 노출될 수 있습니다. 시계열 교차 검증은 시간 순서를 유지하고, 지연 피처는 이후 관측값이 학습에 유출되지 않도록 하면서 모델이 이전 관측값을 활용할 수 있게 합니다. 이러한 관행은 예측 모델이 실제로 예측해야 할 조건과 계속 정렬되도록 합니다.

예측 분석은 모델이 사용하는 데이터와 긴밀하게 연결되어 있을 때 가장 효과적입니다. 엔터프라이즈 데이터와 동일한 거버넌스 환경에서 예측 워크로드를 실행하면 외부 ML 스택을 위해 별도 복사본, 동기화 파이프라인, 거버넌스 제어를 만들 필요가 줄어듭니다. Snowflake의 더 넓은 AI 플랫폼도 같은 아이디어를 중심으로 구축되어 있습니다. ML 워크플로우, AI 애플리케이션, 에이전트는 기초 데이터가 존재하는 거버넌스 환경 안에서 작동합니다.

Snowflake는 예측 작업을 위한 두 가지 경로를 지원합니다.

일반적인 사용 사례의 경우 ML Functions는 내장형 예측, 이상 감지, 분류를 제공합니다. 팀은 SQL로 이러한 모델을 학습하고 사용할 수 있으며, 여기에는 모델 성능 평가와 새 데이터에 대한 모델 적용이 포함됩니다.

사용자 지정 모델이 필요한 워크로드의 경우 Snowflake ML은 피처 엔지니어링, 학습, 모델 관리, MLOps.를 포함한 더 넓은 머신러닝 수명 주기를 지원합니다. Snowpark를 사용하면 팀은 Snowflake의 데이터를 대상으로 Python 기반 ML 워크플로우를 개발할 수 있으며, Snowflake Notebooks는 개발과 실험을 위한 통합 환경을 제공합니다.

이러한 접근 방식은 서로 다른 수준의 맞춤화를 지원하지만, 공통된 이점은 같습니다. 예측 워크로드가 모델 수명 주기의 더 많은 단계에서 거버넌스가 적용된 최신 데이터와 연결된 상태를 유지한다는 점입니다.

예측 분석은 궁극적으로 일반화의 과정입니다. 모델은 과거 데이터에서 학습한 뒤, 이전에 본 적 없는 고객, 거래, 장비, 운영 조건을 마주합니다.

따라서 유용한 예측 시스템에는 우수한 학습 결과만으로는 충분하지 않습니다. 데이터는 대표성을 유지해야 하고, 평가는 실제 예측 과제를 반영해야 하며, 모니터링은 과거 패턴이 더 이상 유효하지 않게 되는 시점을 포착해야 합니다. 이러한 조건이 변화할 때 재학습과 모델 관리는 예측이 설명하려는 환경과 계속 정렬되도록 합니다.

팀이 고전적 통계 방법을 사용하든, 예측 AI를 사용하든, 예측 AI와 생성형 AI를 함께 사용하든 동일한 논리가 적용됩니다. 모델은 다음에 일어날 일에 대한 추정치를 산출하고, 주변 수명 주기는 그 추정치가 시간이 지나도 신뢰할 수 있는지를 결정합니다.