4-3 머신러닝 모델 통합하기

인공지능 시대의 핵심은 잘 훈련된 머신러닝 모델을 실제 애플리케이션에 녹여내는 것입니다. 아무리 좋은 모델도 코드 속에서 실제 가치를 발휘하지 못하면 무용지물입니다. 이 챕터에서는 파이썬으로 머신러닝 모델을 우리의 코드에 통합하는 실질적인 방법을 차근차근 알아보겠습니다.

핵심 요약

모델 통합의 목적: 머신러닝 모델을 실제 애플리케이션에 연동하여 예측, 분류 등의 기능을 제공합니다.
주요 과정: 모델 저장 및 불러오기, 입력 데이터 전처리, 예측 수행 및 결과 활용으로 구성됩니다.
배포 방식: FastAPI 등을 이용해 모델을 웹 서비스로 만들면 다양한 플랫폼에서 쉽게 접근할 수 있습니다.
필수 도구: Python, scikit-learn, pandas, FastAPI가 주로 사용됩니다.

머신러닝 모델 통합, 왜 중요할까요?

머신러닝 모델 통합은 개발된 모델이 실제 환경에서 가치를 발휘하게 하는 필수적인 과정입니다.

아무리 정교하게 훈련된 머신러닝 모델이라도, 그 모델이 실생활에서 작동하는 코드 안에 녹아들지 못하면 그저 연구실 안의 결과물에 불과합니다. 제 경험상, 취미로 파이썬을 처음 다루기 시작했을 때부터 지금까지 10년이 넘는 시간 동안 데이터 분석과 자동화 스크립트를 만들면서 모델 통합의 중요성을 여러 번 실감했습니다. 특히, 특정 데이터가 들어왔을 때 자동으로 결과를 예측하고, 그 예측값을 기반으로 다음 작업을 수행해야 하는 자동화 시스템이나 데이터 분석 대시보드에서는 모델 통합이 핵심적인 역할을 했습니다.

이 챕터에서는 머신러닝 모델을 파이썬 코드에 통합하는 구체적인 방법을 단계별로 안내해 드립니다. 가장 흔하게 접하는 시나리오를 바탕으로 실제 코드를 보면서 차근차근 따라오시면 충분히 이해하실 수 있을 것입니다.

시작하기 전에, 어떤 준비가 필요할까요?

머신러닝 모델 통합을 위한 실습을 진행하기 위해서는 몇 가지 파이썬 라이브러리가 필요합니다.

가장 먼저 파이썬 3.8 이상 버전이 설치되어 있어야 합니다. 이 책의 다른 챕터에서 클로드 사용을 위한 기본 설정을 다루면서 파이썬 설치법을 안내했으므로, 아직 설치하지 않으셨다면 해당 부분을 참고해 주세요. 실습에 필요한 라이브러리들은 파이썬 패키지 관리자인 pip를 통해 간단하게 설치할 수 있습니다. 터미널이나 명령 프롬프트에서 아래 명령어를 실행해 주세요. (2026년 7월 기준)

pip install scikit-learn pandas fastapi uvicorn joblib

scikit-learn: 머신러닝 모델을 훈련하고 불러오는 데 사용합니다.
pandas: 데이터를 효율적으로 다루고 전처리하는 데 필수적입니다.
fastapi: 모델을 웹 API로 배포할 때 사용합니다.
uvicorn: FastAPI 애플리케이션을 실행하는 서버입니다.
joblib: 파이썬 객체, 특히 scikit-learn 모델을 효율적으로 저장하고 불러오는 데 사용합니다.

머신러닝 모델은 어떻게 코드에 불러올 수 있나요?

훈련된 머신러닝 모델은 일반적으로 파일 형태로 저장되며, 이를 다시 불러와서 예측에 활용합니다.

머신러닝 모델은 한 번 훈련하면 그 상태를 저장하여 나중에 다시 사용할 수 있습니다. 이렇게 저장된 모델 파일을 불러오는 것이 모델 통합의 첫걸음입니다. 파이썬에서는 joblib 라이브러리를 많이 사용하는데, 이는 특히 NumPy 배열을 포함하는 객체를 효율적으로 직렬화하고 역직렬화하는 데 강력합니다. 먼저 간단한 선형 회귀 모델을 훈련하고 저장하는 예시를 보겠습니다. 실제 프로젝트에서는 이미 훈련된 모델 파일을 제공받는 경우가 많을 것입니다.

간단한 모델 훈련 및 저장 예시


# train_and_save_model.py
import pandas as pd
from sklearn.linear_model import LinearRegression
import joblib

# 가상 데이터 생성 (실제 데이터 대신 간단한 예시)
data = {
    'feature_1': [10, 20, 30, 40, 50],
    'feature_2': [2, 4, 6, 8, 10],
    'target': [12, 24, 36, 48, 60]
}
df = pd.DataFrame(data)

X = df[['feature_1', 'feature_2']]
y = df['target']

# 선형 회귀 모델 훈련
model = LinearRegression()
model.fit(X, y)

# 모델 저장
model_filename = 'linear_regression_model.pkl'
joblib.dump(model, model_filename)
print(f"모델이 '{model_filename}' 파일로 저장되었습니다.")

이 코드가 하는 일: 간단한 특성 데이터와 타겟 데이터를 생성하고, 이를 바탕으로 선형 회귀 모델을 훈련한 뒤 linear_regression_model.pkl이라는 파일로 저장합니다.

이제 linear_regression_model.pkl 파일이 생겼을 것입니다. 이 파일을 우리가 통합하려는 애플리케이션에서 불러와 사용할 차례입니다.

저장된 모델 불러오기


# load_model.py (또는 메인 애플리케이션 코드의 일부)
import joblib

model_filename = 'linear_regression_model.pkl'

try:
    loaded_model = joblib.load(model_filename)
    print(f"모델 '{model_filename}'이 성공적으로 불러와졌습니다.")
    # 이제 loaded_model을 사용하여 예측을 수행할 수 있습니다.
except FileNotFoundError:
    print(f"오류: '{model_filename}' 파일을 찾을 수 없습니다. 모델 훈련 및 저장 스크립트를 먼저 실행했는지 확인하세요.")
except Exception as e:
    print(f"모델을 불러오는 중 오류가 발생했습니다: {e}")

이 코드가 하는 일: joblib.load() 함수를 사용하여 이전에 저장된 머신러닝 모델 파일을 메모리로 불러옵니다. 파일이 없을 경우를 대비한 기본적인 에러 처리도 포함되어 있습니다. 에러 핸들링 기본기 챕터에서 더 자세한 내용을 확인하실 수 있습니다.

저는 이처럼 모델을 저장하고 불러오는 과정을 거치면서, 모델 파일의 경로 관리가 얼마나 중요한지 깨달았습니다. 초기에는 모델 파일을 여기저기 두었다가 찾지 못해 애먹기도 했지만, 지금은 프로젝트 루트에 models/와 같은 전용 디렉터리를 만들고 버전 관리를 하는 것이 습관이 되었습니다. (2026년 기준, 작성자 직접 경험)

불러온 모델에 데이터를 어떻게 전처리하여 입력할까요?

머신러닝 모델에 데이터를 입력하기 전에는 모델이 학습할 때 사용했던 형식과 동일하게 데이터를 전처리해야 합니다.

모델이 성공적으로 불러와졌다면, 이제 새로운 데이터를 이 모델에 입력하여 예측값을 얻을 차례입니다. 하지만 여기서 가장 흔히 발생하는 문제 중 하나는 모델이 기대하는 데이터 형태와 실제로 입력하는 데이터 형태가 다르다는 점입니다. 데이터 전처리는 모델 통합 과정에서 데이터 분석 파이프라인 구축의 핵심 단계 중 하나이며, 모델의 정확한 예측을 위해 필수적입니다. 저희는 pandas 라이브러리를 사용해 이 과정을 효율적으로 처리할 수 있습니다.

데이터 전처리 예시


# data_preprocessing.py (또는 메인 애플리케이션 코드의 일부)
import pandas as pd
import joblib

# 저장된 모델 불러오기
model_filename = 'linear_regression_model.pkl'
try:
    loaded_model = joblib.load(model_filename)
except FileNotFoundError:
    print(f"오류: '{model_filename}' 파일을 찾을 수 없습니다. 모델 훈련 및 저장 스크립트를 먼저 실행했는지 확인하세요.")
    exit() # 모델 없으면 종료

# 예측할 새로운 데이터 (예시)
new_data = {
    'feature_1': [60, 70, 80],
    'feature_2': [12, 14, 16]
}
new_df = pd.DataFrame(new_data)

print("\n원래 입력 데이터:")
print(new_df)

# 모델이 기대하는 형식으로 데이터 전처리 (여기서는 feature_1, feature_2 순서 유지)
# 실제 모델에서는 스케일링, 원-핫 인코딩 등 복잡한 전처리 과정이 추가될 수 있습니다.
processed_data = new_df[['feature_1', 'feature_2']] # 모델 훈련 시 사용했던 컬럼 순서와 이름 유지

print("\n전처리된 데이터 (모델 입력 준비 완료):")
print(processed_data)

이 코드가 하는 일: 예측할 새로운 데이터를 pandas DataFrame으로 만들고, 모델이 훈련될 때 사용했던 컬럼 이름과 순서에 맞춰 데이터를 준비합니다. 복잡한 모델의 경우, 이 단계에서 결측치 처리, 스케일링, 범주형 데이터 인코딩 등 다양한 전처리 과정이 추가될 수 있습니다.

흔한 실수: 데이터 형태 불일치

제가 현업에서 머신러닝 모델을 통합할 때 가장 자주 마주치는 오류는 바로 데이터 형태 불일치입니다. 예를 들어, 모델은 5개의 특성을 기대하는데 4개만 입력하거나, 특성 순서가 바뀌거나, 심지어 숫자형 데이터를 문자형으로 넣는 경우입니다. 이런 실수는 런타임 에러나 예상치 못한 예측 결과로 이어지기 쉽습니다. 해결책은 모델 훈련 시 사용했던 전처리 파이프라인과 정확히 동일한 방식으로 새로운 입력 데이터를 처리하는 것입니다. 이를 위해 전처리 로직을 별도의 함수나 클래스로 모듈화해 두는 것이 좋습니다.

모델의 예측 결과를 어떻게 얻고 활용할 수 있나요?

전처리된 데이터를 불러온 모델에 입력하면 예측값을 얻을 수 있으며, 이 예측값은 다양한 자동화 또는 분석 작업에 활용됩니다.

데이터 전처리까지 마쳤다면, 이제 모델의 핵심 기능인 예측을 수행할 차례입니다. 불러온 모델 객체의 predict() 메서드를 사용하면 쉽게 예측값을 얻을 수 있습니다. 이 예측 결과는 새로운 인사이트를 얻거나, 특정 액션을 자동화하는 데 활용될 수 있습니다. 자동화 스크립트 작성 챕터에서 이 예측값을 활용한 구체적인 예시를 더 찾아볼 수 있습니다.

예측 수행 및 결과 활용 예시


# predict_and_use_result.py (또는 메인 애플리케이션 코드의 일부)
import pandas as pd
import joblib

# 저장된 모델 불러오기 (이전 코드에서 이미 로드되었다고 가정)
model_filename = 'linear_regression_model.pkl'
try:
    loaded_model = joblib.load(model_filename)
except FileNotFoundError:
    print(f"오류: '{model_filename}' 파일을 찾을 수 없습니다. 모델 훈련 및 저장 스크립트를 먼저 실행했는지 확인하세요.")
    exit()

# 예측할 새로운 데이터 준비 (이전 코드에서 전처리되었다고 가정)
new_data = {
    'feature_1': [60, 70, 80],
    'feature_2': [12, 14, 16]
}
new_df = pd.DataFrame(new_data)
processed_data = new_df[['feature_1', 'feature_2']]

# 모델로 예측 수행
predictions = loaded_model.predict(processed_data)

print("\n모델 예측 결과:")
print(predictions)

# 예측 결과 활용 예시
# 예: 예측값이 특정 임계값을 넘으면 알림을 보내거나, 다른 시스템에 데이터 전송
for i, pred_value in enumerate(predictions):
    if pred_value > 70:
        print(f"인덱스 {i}의 예측값 ({pred_value:.2f})이 70을 초과하여 특별 조치가 필요합니다.")
    else:
        print(f"인덱스 {i}의 예측값 ({pred_value:.2f})은 정상 범위입니다.")

# 예측 결과를 데이터프레임에 추가하여 보고서 생성 (예시)
new_df['predicted_target'] = predictions
print("\n예측값이 추가된 데이터:")
print(new_df)

이 코드가 하는 일: 전처리된 데이터를 불러온 모델에 전달하여 예측값을 생성합니다. 이후 이 예측값을 단순히 출력하는 것을 넘어, 조건에 따라 다른 액션을 취하거나 기존 데이터프레임에 추가하여 분석 및 보고에 활용하는 예시를 보여줍니다.

저는 이렇게 얻은 예측값으로 자동으로 보고서를 생성하거나, 특정 이상 징후가 감지될 때 Slack으로 알림을 보내는 자동화 스크립트를 많이 만들었습니다. 예측 결과가 단순한 숫자가 아니라, 비즈니스 의사결정의 근거가 되는 순간이지요. 이 과정에서 예측값의 신뢰도를 파악하는 것이 중요하다고 생각합니다. [★확인 필요: 예측값 신뢰도 관련 통계/경험치 추가 여부]

FastAPI를 활용해 모델을 웹 서비스로 배포하는 방법은 무엇인가요?

모델을 웹 API 형태로 배포하면 다양한 클라이언트(웹, 모바일 앱, 다른 서비스)에서 모델에 접근하여 예측 기능을 활용할 수 있습니다.

모델을 웹 서비스로 배포하는 것은 통합의 궁극적인 형태 중 하나입니다. 이를 통해 모델은 독립적인 서비스로 작동하며, HTTP 요청을 통해 데이터를 받고 예측 결과를 반환합니다. 웹 애플리케이션 개발 사례 챕터에서 더 깊이 다루는 내용이지만, 여기서는 FastAPI를 활용한 간단한 예시를 통해 그 개념을 익혀보겠습니다. FastAPI는 빠른 성능과 쉬운 사용성으로 모델 배포에 각광받고 있습니다. 또한, 외부 API 연동 방법을 이해하는 데도 큰 도움이 됩니다.

FastAPI를 이용한 모델 배포 예시


# app.py
from fastapi import FastAPI
from pydantic import BaseModel
import joblib
import pandas as pd

app = FastAPI()

# 모델 불러오기 (애플리케이션 시작 시 한 번만 로드)
model_filename = 'linear_regression_model.pkl'
try:
    model = joblib.load(model_filename)
    print(f"FastAPI: 모델 '{model_filename}'이 성공적으로 불러와졌습니다.")
except FileNotFoundError:
    print(f"FastAPI 오류: '{model_filename}' 파일을 찾을 수 없습니다.")
    model = None # 모델이 없을 경우 대비
    exit()

# 요청 바디의 데이터 모델 정의
class PredictionInput(BaseModel):
    feature_1: float
    feature_2: float

@app.post("/predict")
async def predict(data: PredictionInput):
    if model is None:
        return {"error": "Model not loaded."}

    # 입력 데이터 전처리
    input_df = pd.DataFrame([[data.feature_1, data.feature_2]],
                            columns=['feature_1', 'feature_2'])

    # 예측 수행
    prediction = model.predict(input_df)[0] # 단일 예측 결과 반환

    return {"predicted_value": prediction}

# 실행 방법: 터미널에서 `uvicorn app:app --reload`

이 코드가 하는 일: FastAPI 애플리케이션을 생성하고, 서버 시작 시점에 joblib으로 머신러닝 모델을 불러옵니다. 이후 /predict 경로로 POST 요청이 들어오면, 요청 바디의 데이터를 전처리하여 모델로 예측을 수행하고 그 결과를 JSON 형태로 반환합니다.

이 서버를 실행하려면, app.py 파일이 있는 디렉터리에서 터미널을 열고 다음 명령어를 입력합니다:

uvicorn app:app --reload

이제 http://127.0.0.1:8000/docs 에 접속하면 FastAPI가 자동으로 생성해주는 API 문서를 확인할 수 있습니다. 직접 데이터를 넣어 테스트해 볼 수도 있습니다. 저는 종종 FastAPI를 사용해 간단한 사내 툴의 백엔드를 만들거나, 다른 팀의 시스템과 데이터를 주고받는 게이트웨이 역할을 하도록 모델을 배포하곤 합니다. (2026년 기준, 작성자 직접 경험)

한계: 실제 서비스 배포 환경

이 예시는 FastAPI를 이용한 모델 배포의 기초를 보여주는 것이며, 실제 프로덕션 환경에서는 고려해야 할 사항이 많습니다. 예를 들어, 동시 요청 처리, 모델 버전 관리, 인증/인가, 로깅, 그리고 Docker와 같은 컨테이너 기술을 활용한 배포 등이 있습니다. 이 모든 것을 다루기에는 이 챕터의 범위를 넘어서지만, 여기서 얻은 지식을 바탕으로 성능 최적화 전략이나 버전 관리 전략과 같은 챕터들을 살펴보시면 더욱 견고한 시스템을 구축할 수 있을 것입니다.

완성 코드: 머신러닝 모델 통합 예시

다음은 지금까지 다룬 모든 코드를 하나의 흐름으로 보여주는 예시입니다. train_and_save_model.py를 먼저 실행하여 모델 파일을 생성한 후, app.py를 실행하여 웹 서비스 형태로 모델을 통합하고 테스트해 볼 수 있습니다.

1. 모델 훈련 및 저장 (`train_and_save_model.py`)


import pandas as pd
from sklearn.linear_model import LinearRegression
import joblib

# 가상 데이터 생성
data = {
    'feature_1': [10, 20, 30, 40, 50, 60, 70, 80],
    'feature_2': [2, 4, 6, 8, 10, 12, 14, 16],
    'target': [12, 24, 36, 48, 60, 72, 84, 96]
}
df = pd.DataFrame(data)

X = df[['feature_1', 'feature_2']]
y = df['target']

model = LinearRegression()
model.fit(X, y)

model_filename = 'linear_regression_model.pkl'
joblib.dump(model, model_filename)
print(f"모델이 '{model_filename}' 파일로 저장되었습니다.")

2. FastAPI 웹 서비스 (`app.py`)


from fastapi import FastAPI
from pydantic import BaseModel
import joblib
import pandas as pd

app = FastAPI()

model_filename = 'linear_regression_model.pkl'
try:
    model = joblib.load(model_filename)
    print(f"FastAPI: 모델 '{model_filename}'이 성공적으로 불러와졌습니다.")
except FileNotFoundError:
    print(f"FastAPI 오류: '{model_filename}' 파일을 찾을 수 없습니다. 'train_and_save_model.py'를 먼저 실행하여 모델을 생성하세요.")
    model = None

class PredictionInput(BaseModel):
    feature_1: float
    feature_2: float

@app.post("/predict")
async def predict(data: PredictionInput):
    if model is None:
        return {"error": "Model not loaded. Please ensure the model file exists."}

    input_df = pd.DataFrame([[data.feature_1, data.feature_2]],
                            columns=['feature_1', 'feature_2'])

    prediction = model.predict(input_df)[0]

    return {"predicted_value": prediction}

# 터미널에서 실행: uvicorn app:app --reload

자주 묻는 질문 (FAQ)

Q1: 모든 종류의 머신러닝 모델을 이런 방식으로 통합할 수 있나요?

네, 기본적인 원리는 대부분의 머신러닝 모델에 적용됩니다. scikit-learn, TensorFlow, PyTorch 등 어떤 프레임워크로 훈련된 모델이든, 모델을 저장하고 불러와 예측을 수행하는 과정은 유사합니다. 다만, 각 프레임워크에 맞는 저장/불러오기 방식(예: TensorFlow의 .h5 또는 SavedModel, PyTorch의 .pt 또는 .pth)과 전처리 방식이 달라질 수 있습니다.

Q2: 모델을 배포할 때 가장 중요하게 고려해야 할 점은 무엇인가요?

모델을 배포할 때는 데이터 보안, 응답 속도, 확장성, 그리고 모델 버전 관리가 중요합니다. 특히 입력 데이터의 민감성 여부에 따라 보안 강화가 필수적이며, 많은 사용자가 동시에 접근할 경우를 대비하여 확장 가능한 아키텍처를 설계해야 합니다. 또한, 새로운 모델 버전이 나올 때 기존 서비스에 영향을 주지 않으면서 업데이트할 수 있는 전략도 중요합니다.

Q3: 데이터 전처리가 예측 정확도에 어떤 영향을 미치나요?

데이터 전처리는 모델의 예측 정확도에 지대한 영향을 미칩니다. 모델은 훈련 데이터에서 패턴을 학습하는데, 만약 새로운 데이터가 훈련 데이터와 다른 형태로 제공되면 모델이 학습한 패턴을 제대로 적용할 수 없습니다. 따라서 훈련 데이터와 동일한 전처리 과정을 거쳐 일관된 형식으로 데이터를 제공하는 것이 정확도 유지에 핵심적입니다.

마무리하며

머신러닝 모델을 코드에 통합하는 것은 AI 시대의 프로그래머에게 필수적인 역량입니다. 이 챕터에서 배운 모델 불러오기, 데이터 전처리, 예측 수행, 그리고 웹 서비스 배포의 기본 개념들을 바탕으로 여러분의 프로젝트에 머신러닝의 힘을 더해보시기 바랍니다. 처음에는 복잡하게 느껴질 수 있지만, 작은 예제부터 시작하여 익숙해지면 어떤 모델이든 자신감 있게 통합할 수 있을 것입니다. 다음 챕터에서는 자동화 스크립트 작성을 통해 예측된 데이터를 어떻게 활용할 수 있을지 더 자세히 알아보겠습니다.

참고 자료

[1] scikit-learn 공식 문서 — https://scikit-learn.org/stable/
[2] Python 공식 문서 — https://docs.python.org/ko/3/

#머신러닝통합, #파이썬ML, #FastAPI모델배포, #ScikitLearn, #데이터전처리, #AI프로그래밍, #실전코딩, #joblib, #MLOps기초

← 이전: 데이터 분석 파이프라인 구축목차다음: 자동화 스크립트 작성 →

4-3 머신러닝 모델 통합하기

머신러닝 모델 통합, 왜 중요할까요?

시작하기 전에, 어떤 준비가 필요할까요?

머신러닝 모델은 어떻게 코드에 불러올 수 있나요?

간단한 모델 훈련 및 저장 예시

저장된 모델 불러오기

불러온 모델에 데이터를 어떻게 전처리하여 입력할까요?

데이터 전처리 예시

흔한 실수: 데이터 형태 불일치

모델의 예측 결과를 어떻게 얻고 활용할 수 있나요?

예측 수행 및 결과 활용 예시

FastAPI를 활용해 모델을 웹 서비스로 배포하는 방법은 무엇인가요?

FastAPI를 이용한 모델 배포 예시

한계: 실제 서비스 배포 환경

완성 코드: 머신러닝 모델 통합 예시

1. 모델 훈련 및 저장 (`train_and_save_model.py`)

2. FastAPI 웹 서비스 (`app.py`)

자주 묻는 질문 (FAQ)

Q1: 모든 종류의 머신러닝 모델을 이런 방식으로 통합할 수 있나요?

Q2: 모델을 배포할 때 가장 중요하게 고려해야 할 점은 무엇인가요?

Q3: 데이터 전처리가 예측 정확도에 어떤 영향을 미치나요?

마무리하며

참고 자료

답글 남기기 응답 취소

TheOnZu _Books

머신러닝 모델 통합, 왜 중요할까요?

시작하기 전에, 어떤 준비가 필요할까요?

머신러닝 모델은 어떻게 코드에 불러올 수 있나요?

간단한 모델 훈련 및 저장 예시

저장된 모델 불러오기

불러온 모델에 데이터를 어떻게 전처리하여 입력할까요?

데이터 전처리 예시

흔한 실수: 데이터 형태 불일치

모델의 예측 결과를 어떻게 얻고 활용할 수 있나요?

예측 수행 및 결과 활용 예시

FastAPI를 활용해 모델을 웹 서비스로 배포하는 방법은 무엇인가요?

FastAPI를 이용한 모델 배포 예시

한계: 실제 서비스 배포 환경

완성 코드: 머신러닝 모델 통합 예시

1. 모델 훈련 및 저장 (train_and_save_model.py)

2. FastAPI 웹 서비스 (app.py)

자주 묻는 질문 (FAQ)

Q1: 모든 종류의 머신러닝 모델을 이런 방식으로 통합할 수 있나요?

Q2: 모델을 배포할 때 가장 중요하게 고려해야 할 점은 무엇인가요?

Q3: 데이터 전처리가 예측 정확도에 어떤 영향을 미치나요?

마무리하며

참고 자료

답글 남기기 응답 취소

Related News

바이브 코딩: AI 개발 파트너와 함께하는 초고속 앱 개발

클로드 코드 가이드: AI 시대를 위한 실전 프로그래밍

1-1 개발 패러다임의 변화: AI 시대의 도래

1-1 클로드 AI란 무엇인가

TheOnZu Books

1. 모델 훈련 및 저장 (`train_and_save_model.py`)

2. FastAPI 웹 서비스 (`app.py`)

TheOnZu _Books