소개하는 글

인공지능 모델을 만드는 기술만으로는 부족한 시대입니다. 수많은 머신러닝 입문자가 데이터 분석이나 모델 학습에 머무는 동안, 진정한 전문가들은 학습된 모델을 어떻게 비즈니스 서비스로 변환하고 안정적으로 운영할지 고민합니다. 이 책은 바로 그 고민에 대한 완벽한 해답을 제시하는 AI 풀스택 가이드북입니다. 기초적인 인공지능과 머신러닝의 이론적 토대부터 시작하여, 실제 서비스 구축에 필수적인 데이터 엔지니어링과 웹 기술을 유기적으로 결합했습니다.

독자들은 그래프 기반 추천 시스템을 설계하며 데이터 구조를 익히고, PostgreSQL과 FastAPI, Streamlit을 연동하여 모델을 웹 서비스로 구현하는 과정을 경험하게 됩니다. 특히 실시간 스트리밍 처리와 벡터 검색 기반의 추천 시스템, 그리고 모델의 생명 주기를 관리하는 MLOps 파이프라인 구축까지 다룸으로써, 단순한 구현을 넘어 실무 현장에서 즉시 활용 가능한 시스템 아키텍처를 온전히 체득할 수 있도록 구성되었습니다. 모델을 데이터베이스에 저장하고 API를 통해 세상 밖으로 내보내는 전체 과정을 직접 수행하며, 독자는 파이썬 환경에서 인공지능 시스템의 처음과 끝을 책임지는 풀스택 엔지니어로 성장하게 될 것입니다. 이론과 실습이 조화롭게 어우러진 이 책은 분석가에게는 웹 서비스 구현의 길을, 개발자에게는 AI 통합의 해법을 제시하며 여러분을 진정한 전문가의 반열로 이끌어 줄 최고의 동반자가 될 것입니다.

목 차


1장 머신러닝·AI 개발 기초 및 환경 구축
1.1 AI·ML 개요
1.2 ML 시스템 전체 흐름
1.3 개발 환경 구축
1.4 데이터 처리 기초
1.5 ML 모델 흐름


2장 그래프 기반 추천 시스템 (Graph ML)
2.1 그래프 데이터 구조 이해
2.2 Python 실습 — Node2Vec / GNN
2.3 실전 데이터셋 — 사용자-상품 관계 데이터
2.4 PostgreSQL 연동 — 관계 데이터 저장
2.5 FastAPI 서비스 — 추천 API
2.6 그래프 기반 추천 시스템 실무 활용
2.7 고급 GNN 아키텍처 심화
2.8 영화 추천 시스템 통합 프로젝트


3장 고객 세분화 및 마케팅 자동화 시스템
3.1 고객 세그먼트 개념 (RFM 분석)
3.2 Python 실습 — K-Means + Hierarchical Clustering
3.3 실전 데이터셋 — 고객 구매 데이터
3.4 PostgreSQL 연동 — 고객 그룹 관리
3.5 FastAPI 서비스 — 고객 타겟 추천 API
3.6 고객 세분화 마케팅 자동화 시스템 실무 활용


4장 실시간 데이터 스트리밍 ML 시스템
4.1 스트리밍 데이터 개념
4.2 Python 실습 — Kafka Consumer + 모델 연동
4.3 실전 데이터셋 — 로그 / 클릭 스트림
4.4 PostgreSQL 연동 — 실시간 데이터 저장
4.5 Kafka 설정 및 성능 튜닝 및 웹 서비스 개발
4.6 FastAPI 서비스 — 실시간 예측 API
4.7 실시간 데이터 스트리밍 ML 실무 적용


5장 MLOps 기반 모델 관리 및 배포 시스템
5.1 MLOps 개념 (CI/CD + ML)
5.2 Python 실습 — MLflow / 모델 버전 관리
5.3 실전 데이터셋 — 기존 모델 활용
5.4 PostgreSQL 연동 — 실험 기록 저장
5.5 FastAPI 서비스 — 모델 버전 API


6장 벡터 검색 기반 추천 시스템
6.1 임베딩(Embedding) 개념
6.2 Python 실습 — Sentence Transformer
6.3 실전 데이터셋 — 텍스트 / 상품 설명
6.4 PostgreSQL(pgvector) 연동
6.5 FastAPI 서비스 — 유사도 검색 API
6.6 벡터 검색 기반 AI 추천 시스템 실무 활용


부록. 주요 명령어와 용어 정리