Track 2 — MLOps 구축 및 지속적 개선 공통 본문 목차¤

📖 약 29 분 읽기

이 페이지 둘러보기

본 페이지는 약 585 줄 / H2 섹션 6 개 입니다. 우측 목차 (TOC) 를 활용하여 원하는 섹션으로 빠르게 이동할 수 있습니다.

서문¤

본 문서는 철강·금속가공을 중심으로 한 부산·경남권 제조업체(화승, YCP특수강, 코리녹스, 코렌스, 대한제강, 한국철강 등)를 고객으로 하는 제조 AI 관련 정부지원 사업계획서 · 사업신청서 · 수행계획서 · 연구개발계획서 작성 시, MLOps 구축 및 지속적 개선(Track 2) 에 반복적으로 투입되는 내용을 모듈 단위로 재사용 할 수 있도록 설계한 공통 목차이다. Track 1 의 AI 엔진(5.2-a~f)이 현장에 배포된 이후에도 공정 조건·원재료 공급사·계절·신규 결함 유형의 변화에 따라 성능이 필연적으로 저하된다는 전제에서 출발하며, "모델은 배포 순간이 아니라 운영 첫날" 이라는 관점으로 배포·감시·재학습·거버넌스 전 주기를 사업계획서에 녹여낼 수 있는 블록 모음을 제공한다.

본 목차는 Track 1 과 동일한 카드 포맷(목적 / 포함 내용 / 삽화·도식 후보 / 고객사별 가변 여부)을 유지하여 작성자가 세 트랙을 오갈 때 인지 부하를 최소화하도록 구성하였다. 각 소섹션 카드 말미에는 [관련 시나리오: SCN-XXX, ...] 형태로 시나리오 카탈로그와의 매핑을 명시하며, 특히 SCN-MLO-01/02/03 (MLOps 공통 3종) 은 본 문서 전반에 반복적으로 등장한다. Track 1 본문에서 4.6(엔드투엔드 파이프라인), 5.3(HITL), 6.3(KPI), 7.1(MLOps 교량) 지점에서 본 문서를 호출하며, Track 3 RAG 는 모니터링 이벤트 조회·장애 사유 검색 지점에서 역참조된다.

플레이스홀더 범례 — [고객사] 고객사명, [공정] 대상 공정명, [수치] 수치, [기간] 기간, [%] 비율. 특정 고객사 전용 문구는 공통 자산과 분리되며, 본 문서는 고정 공통 블록 기준으로 작성됨. 오픈소스·제품명(MLflow, Feast, Evidently, Kubeflow, Airflow, Seldon, BentoML, Prometheus, Grafana, Fiddler, Arize 등)은 실명 그대로 사용한다.

목차 전체 구조¤

1. MLOps 도입 필요성 및 거시 환경
   1.1 "모델 배포 이후" 의 리스크 — AI 프로젝트 실패 유형
   1.2 제조 현장 MLOps 의 특수성 (OT·폐쇄망·엣지 · 설비 수명)
   1.3 규제·인증·감사 요구 (ISO/IEC 42001, ISO 9001, IATF 16949, 중대재해법)
   1.4 본 사업에서 MLOps 가 차지하는 위상과 범위

2. 대상 모델·운영 환경 분석
   2.1 운영 대상 AI 엔진 인벤토리 (Track 1 엔진 패턴 매핑)
   2.2 배포 지형 — 엣지·온프레미스·하이브리드 클라우드
   2.3 추론 트래픽·지연 요구 (SLA/SLO 설계 입력)
   2.4 보유 MLOps 성숙도 진단 (Lv.0~Lv.3)

3. AS-IS — 모델 운영의 구조적 공백
   3.1 수작업 배포·버전 혼선 및 "마지막에 학습시킨 사람" 의존
   3.2 모니터링 부재 — 성능 저하를 불량 발생 후 인지
   3.3 재학습 트리거·기준 부재로 인한 방치 및 과잉 재학습 양극단
   3.4 피드백 단절 — 현장 확인값이 학습 데이터로 환류되지 않음
   3.5 권한·리니지·감사 공백 (외부 심사·규제 대응 취약)

4. TO-BE — MLOps 아키텍처 및 핵심 구성요소
   4.1 MLOps 개념 프레임 (CI/CD for ML · CT · CM)
   4.2 핵심 구성요소 7종 — 레지스트리·피쳐 스토어·파이프라인·서빙·모니터링·피드백·거버넌스
   4.3 오픈소스·상용 도구 스택 선정 기준 및 후보군
   4.4 전체 참조 아키텍처 다이어그램 (엣지 ↔ 중앙 ↔ 클라우드)
   4.5 보안·네트워크 설계 (OT/IT 경계, 폐쇄망 모델 배포)

5. 구축 상세 — 배포·모니터링·재학습·거버넌스
   5.1 모델 레지스트리·버전·아티팩트 관리 (MLflow 등)
   5.2 피쳐 스토어 구축 및 Online/Offline 일관성 (Feast 등)
   5.3 학습·재학습 파이프라인 및 오케스트레이션 (Airflow·Kubeflow·MLflow Pipelines)
   5.4 추론 서빙 아키텍처 (엣지·서버 이원, 카나리·섀도우 배포)
   5.5 모니터링 · 드리프트 탐지 · 경보 (Evidently·Fiddler·Prometheus·Grafana)
   5.6 거버넌스 — 권한·감사·리니지·모델 카드

6. 지속 개선 루프 및 피드백 체계
   6.1 개선 포인트 선정 노하우 (어디를 먼저 고칠 것인가)
   6.2 재학습 트리거 설계 (시간·드리프트·성능·피드백·외생 이벤트 5대 축)
   6.3 챔피언·챌린저 및 카나리·A/B 검증 프로토콜
   6.4 현장 피드백 UI 및 라벨 재주입 파이프라인
   6.5 개선 사이클 가시화 (월간·분기 성능 리뷰 리츄얼)

7. 기대효과 · KPI · 사업 연계
   7.1 정량적 기대효과 (모델 수명·MTTR·재학습 리드타임)
   7.2 KPI 정의 및 대시보드 설계
   7.3 Track 1·3 과의 연계 지점 및 향후 로드맵

각 소섹션 카드¤

1.1 "모델 배포 이후" 의 리스크 — AI 제조 프로젝트 실패 유형¤

목적: 심사자에게 "MLOps 는 옵션이 아니라 필수" 임을 설득하는 도입 문단을 제공한다. 배포형 AI 파일럿의 전형적 실패 유형을 제시하여 본 사업의 Track 2 편성을 정당화한다.
포함 내용:
일반 통계(글로벌 AI 프로젝트 상용화 실패율, 파일럿→운영 전환율) 을 **거시 데이터 형태로 인용 가능한 일반 문장**으로 서술 (구체 수치 출처 필요 시 PDF 검증 후 삽입).
대표 실패 유형 5가지: 성능 드리프트 방치, 데이터 파이프라인 단절, 피드백 없는 모델 경직, 버전 혼선으로 인한 롤백 불가, 거버넌스 부재로 인한 내부 감사 탈락.
본 사업이 이들 리스크를 어느 단계에서 차단하는지의 맵(표지용 요약 표).
삽화·도식 후보: AI 프로젝트 Lifecycle 상 "실패 지점" 하이라이트 다이어그램, 실패 유형 × 대응 모듈 매트릭스.
고객사별 가변 여부: 공통 고정. 전 고객사·전 사업 동일 사용.
[관련 시나리오: SCN-MLO-01, SCN-MLO-03]

1.2 제조 현장 MLOps 의 특수성 (OT·폐쇄망·엣지 · 설비 수명)¤

목적: 일반 IT/SaaS 영역의 MLOps 와 제조 현장 MLOps 가 왜 다른지를 명확히 하여, 본 사업의 기술적 난이도·차별성을 확보한다.
포함 내용:
OT 네트워크 폐쇄성(공장 내 PLC·DCS · 외부 인터넷 차단) 환경에서의 모델 배포 제약.
엣지 디바이스 자원 한계(CPU·GPU·메모리)와 경량화·양자화 요구.
설비 수명(10~30년) 과 AI 모델 수명(수개월~수년) 의 시간 스케일 차이.
실시간성 요구(추론 지연 < 100 ms) 가 흔하며 클라우드 왕복이 불가한 시나리오 다수.
IT/OT 경계(purdue model) 를 가로지르는 데이터·모델 흐름 설계 필요.
삽화·도식 후보: 일반 MLOps vs 제조 MLOps 비교 표, Purdue 모델 레벨 0~5 와 MLOps 구성요소의 매핑 다이어그램.
고객사별 가변 여부: 공통 고정. 고객사 네트워크 구성에 따라 경계 레이어만 일부 교체.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02, SCN-UTL-06]

1.3 규제·인증·감사 요구 (ISO/IEC 42001, ISO 9001, IATF 16949, 중대재해법)¤

목적: MLOps 가 단순 기술 편의가 아니라 인증·감사·법규 대응 수단 임을 보인다. 심사 가점 및 대기업 공급망 편입 요구에 맞춘 논리.
포함 내용:
ISO/IEC 42001(AI 경영시스템) · ISO/IEC 23894(AI 리스크) 등 국제 AI 거버넌스 표준의 요구 항목.
자동차 부품사의 IATF 16949 변경관리(Change Management) · 추적성 요구와 모델 버전·리니지 관리의 대응.
중대재해처벌법 하 안전 관련 AI(예: SCN-SAF-01) 의 판정 근거 보존 의무.
대기업(철강·자동차·전자 업종 원청) 공급망 편입 시 요구되는 AI 품질관리 조항(모델 카드·데이터 시트 제출).
삽화·도식 후보: 규제 요구 항목 ↔ MLOps 구성요소 매핑 표, 모델 카드 샘플 1페이지.
고객사별 가변 여부: 업종별 교체 — 자동차 부품(IATF), 조선·항공(AS9100), 의료(ISO 13485).
[관련 시나리오: SCN-MLO-02, SCN-SAF-01, SCN-SAF-02, SCN-SAF-03]

1.4 본 사업에서 MLOps 가 차지하는 위상과 범위¤

목적: Track 2 가 Track 1 부속물이 아니라 대등한 본 사업 축 임을 명시. 일부 지원사업(전사적 DX, 클라우드 종합)에서는 Track 2 가 본문이 되기도 한다.
포함 내용:
본 사업 내 MLOps 범위(구축 신규 / 기존 확장 / 운영 체계만 설계 등 3가지 모드 중 선택).
Track 1 과의 역할 분담: Track 1 은 "무엇을 배포하는가", Track 2 는 "어떻게 살아 있게 하는가".
예산·인력 배분 가이드 (일반적으로 전체 AI 예산의 [%]를 MLOps 에 배분하는 근거).
삽화·도식 후보: 본 사업 과제 범위 블록도(Track 1·2·3 비중 시각화).
고객사별 가변 여부: 사업별 교체(동일 고객사라도 지원사업별로 범위·비중 다름).
[관련 시나리오: SCN-MLO-01, SCN-MLO-02, SCN-MLO-03]

2.1 운영 대상 AI 엔진 인벤토리 (Track 1 엔진 패턴 매핑)¤

목적: Track 2 가 어떤 엔진들을 운영 대상으로 삼는지 명시적으로 연결. Track 1 5.2-a~f 변형 카드와 1:1 매핑된다.
포함 내용:
엔진 인벤토리 표: 엔진명 / 기반 카드(5.2-a~f) / 대상 시나리오 / 배포 위치(엣지·서버) / 재학습 주기 / 성능 KPI / 담당 팀.
엔진별 운영 프로파일 차이(예: 비전 엔진은 월 단위 재학습, 시계열 품질 예측은 주 단위, RAG 는 문서 업데이트 시점).
신규 엔진 추가 시 인벤토리 갱신 프로세스.
삽화·도식 후보: 엔진 인벤토리 매트릭스 표, 엔진별 운영 주기 타임라인.
고객사별 가변 여부: 사업·시나리오별 전면 교체. 표 골격은 공통.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02, SCN-STL-01, SCN-STL-03, SCN-STL-05, SCN-STL-09, SCN-STL-10, SCN-MET-01, SCN-MET-02, SCN-RUB-01, SCN-LLM-01, SCN-LLM-02 — 즉 운영 대상 전 엔진]

2.2 배포 지형 — 엣지·온프레미스·하이브리드 클라우드¤

목적: 모델이 물리적으로 어디서 실행되는지를 명시하고, 이에 따른 MLOps 구성 분기를 설정한다.
포함 내용:
엣지(설비 옆 산업용 PC·GPU 박스): 실시간 제어·비전 검사 시나리오.
온프레미스 서버(공장 내 데이터센터): 공정 최적화·대규모 모델·RAG 벡터스토어.
클라우드(KT·NHN·AWS 등 국내 리전 선호): 개발·실험·비정형 대용량 학습, 일부 비실시간 추론.
하이브리드 구성 원칙: 학습은 클라우드, 추론은 엣지·온프레미스 기본 유지.
국내 클라우드·보안 인증(CSAP) 요구 대응.
삽화·도식 후보: 3단 배포 지형 다이어그램(Edge / On-prem / Cloud), 시나리오별 배포 위치 매핑 표.
고객사별 가변 여부: 고객사별 교체 — 대기업은 3단 모두, 중견은 2단(온프렘·엣지), 중소는 클라우드 비중 확대.
[관련 시나리오: SCN-MLO-02, SCN-UTL-06, SCN-STL-10, SCN-LLM-01]

2.3 추론 트래픽·지연 요구 (SLA/SLO 설계 입력)¤

목적: 모니터링·서빙 설계의 전제가 되는 성능 요구를 수치로 확정.
포함 내용:
시나리오별 추론 TPS, 지연 요구(p50·p95·p99), 가용성 목표(99.0~99.9%).
실시간·준실시간·배치 3구분 및 대표 예(제어 루프 < 100 ms / HMI 경보 < 1 s / RAG 질의 < 5 s / 리포트 생성 비동기).
지연 초과 시 fallback 정책(직전 추론 값 유지 / 룰기반 대체 / 수동 모드).
삽화·도식 후보: 시나리오별 SLA/SLO 카드 세트, 추론 지연 히스토그램 예시.
고객사별 가변 여부: 공통 SLA 템플릿 + 시나리오별 수치 교체.
[관련 시나리오: SCN-MLO-01, SCN-STL-03, SCN-STL-05, SCN-STL-10, SCN-MET-02, SCN-RUB-04]

2.4 보유 MLOps 성숙도 진단 (Lv.0~Lv.3)¤

목적: Track 1 의 스마트공장 수준 진단과 쌍을 이루는 MLOps 수준 진단. AS-IS 를 객관화해 심사자에게 근거를 제공한다.
포함 내용:
Lv.0 수동(노트북 학습·수동 배포 · 모니터링 없음) / Lv.1 재현 가능(코드·데이터 버전 관리) / Lv.2 자동화(CI/CD for ML · 파이프라인) / Lv.3 지속학습(자동 재학습 · 거버넌스) 정의.
진단 체크리스트(레지스트리 유무, 파이프라인 자동화율, 모니터링 범위 등 15~20 항목).
현재 수준 → 본 사업 완료 시 목표 수준 명시(예: Lv.0 → Lv.2).
삽화·도식 후보: 4단계 성숙도 계단 다이어그램, 체크리스트 점수 레이더 차트.
고객사별 가변 여부: 고객사별 진단 결과 교체. 척도·체크리스트는 공통.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02, SCN-MLO-03]

3.1 수작업 배포·버전 혼선 및 "마지막에 학습시킨 사람" 의존¤

목적: AS-IS 첫 번째 공백 — 배포가 속인화(屬人化)되어 있다는 점을 지적.
포함 내용:
모델 파일을 이메일·USB·공유 드라이브로 전달, 버전 표기 _final_v3_진짜최종 의 전형적 혼란.
학습 코드·데이터·하이퍼파라미터 조합이 문서화되지 않아 재현 불가.
담당자 퇴직 시 기존 모델 재학습 자체가 불가능해지는 리스크.
롤백 메커니즘 부재로 장애 발생 시 즉각 복구 불가.
삽화·도식 후보: "USB 배포" 풍자 컨셉 이미지, 재현 가능성 결여 체크 표.
고객사별 가변 여부: 공통 고정. 수치·담당자 호칭만 교체.
[관련 시나리오: SCN-MLO-02]

3.2 모니터링 부재 — 성능 저하를 불량 발생 후 인지¤

목적: 두 번째 공백 — 드리프트를 사전에 감지할 체계가 없다는 점.
포함 내용:
입력 피쳐 분포·예측 분포·성능 지표(정확도·MAE·리콜) 의 지속 추적 부재.
원재료 공급사 교체, 계절 변화, 설비 노후화 등 외생 변화가 모델 입력에 투영되나 감지 채널 없음.
결과적으로 현장 불량·재작업·클레임으로 비로소 모델 저하를 인지하는 후행적 운영.
사고 후 원인 분석 시에도 당시 추론 로그·피쳐 값이 보존되지 않아 규명 실패.
삽화·도식 후보: AS-IS 타임라인(드리프트 → 불량 → 인지 → 대응, 각 단계 소요 [기간] 강조), 결여된 모니터링 항목 체크 표.
고객사별 가변 여부: 공통 고정. 공정 예시만 교체.
[관련 시나리오: SCN-MLO-01, SCN-STL-01, SCN-STL-05, SCN-RUB-01]

3.3 재학습 트리거·기준 부재로 인한 방치 및 과잉 재학습 양극단¤

목적: 세 번째 공백 — "언제 재학습할 것인가" 판단 기준의 부재.
포함 내용:
방치형: 초기 배포 모델을 수개월~수년간 그대로 운영.
과잉형: 담당자 불안감에 따라 매일·매주 무의미한 재학습 반복, 자원 낭비 + 모델 혼선.
기준이 없어 재학습 시점이 "담당자 감" 에 의존, 감사 시 설명 불가.
재학습 결과의 검증 없이 교체되어 성능 저하를 촉발하는 사례.
삽화·도식 후보: 방치 vs 과잉 vs 최적 재학습의 성능 추이 비교 차트, 트리거 조건 부재의 의사결정 흐름도.
고객사별 가변 여부: 공통 고정.
[관련 시나리오: SCN-MLO-01, SCN-MLO-03]

3.4 피드백 단절 — 현장 확인값이 학습 데이터로 환류되지 않음¤

목적: 네 번째 공백 — 현장 작업자의 "맞음/틀림" 확인값이 학습 루프로 돌아오지 않는 구조.
포함 내용:
AI 경보·추천에 대한 현장 승인·기각 이력이 종이·엑셀로만 남거나 유실.
현장 정정 라벨이 학습 데이터로 편입되지 않아 모델이 같은 실수를 반복.
작업자는 "AI 가 나아지는지 모르겠다" 며 신뢰 저하, 장기적으로 HITL 루프 자체가 사문화.
피드백 UI 부재 · 피드백 데이터 스키마 미정의가 근본 원인.
삽화·도식 후보: 피드백 단절 다이어그램(모델 → 현장 → 단절), 현장 승인·기각 이력이 환류 시 얻는 개선 곡선.
고객사별 가변 여부: 공통 고정.
[관련 시나리오: SCN-MLO-03, Track 1 5.3 HITL 과 직결]

3.5 권한·리니지·감사 공백 (외부 심사·규제 대응 취약)¤

목적: 다섯 번째 공백 — 거버넌스 부재가 외부 감사·규제·공급망 편입을 저해.
포함 내용:
누가·언제·무엇을 학습·배포·변경했는지의 감사 로그 부재.
모델이 어떤 데이터(원본·파생)를 학습했는지 리니지 추적 불가 → 개인정보·영업비밀 혼입 시 범위 특정 불가.
접근 권한이 팀 공용 계정으로 관리되어 사고 시 책임 소재 불명.
IATF 16949·ISO 9001·대기업 공급망 AI 점검 항목에서 반복 지적되는 공백.
삽화·도식 후보: 리니지·감사 공백 체크리스트, 요구 항목 vs 현재 상태 갭 표.
고객사별 가변 여부: 공통 고정. 규제·인증 목록만 업종별 교체.
[관련 시나리오: SCN-MLO-02, SCN-SAF-01, SCN-SAF-03]

4.1 MLOps 개념 프레임 (CI/CD for ML · CT · CM)¤

목적: Track 2 TO-BE 의 핵심 개념을 정의. 심사자 중 IT 배경자가 아닌 경우에도 이해 가능한 수준의 프레임 제시.
포함 내용:
전통 CI/CD 와 ML CI/CD 의 차이: 코드 외에 데이터·모델 이 함께 변경·배포 대상.
CT(Continuous Training): 새 데이터·드리프트에 대응해 모델을 지속 재학습.
CM(Continuous Monitoring): 성능·입력 분포·인프라 3축 상시 감시.
Google MLOps Maturity Model, MLOps Level 0/½ 에 대응되는 본 사업 위치.
삽화·도식 후보: CI/CD ↔ CI/CD4ML ↔ CT ↔ CM 4층 개념도, MLOps Level 0→1→2 진화 다이어그램.
고객사별 가변 여부: 공통 고정. 전 사업 동일 사용.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02]

4.2 핵심 구성요소 7종 — 레지스트리·피쳐 스토어·파이프라인·서빙·모니터링·피드백·거버넌스¤

목적: Track 2 의 모듈 인벤토리 를 한 장으로 제시. 고객사·사업별 필요 모듈만 선택·조합 가능하도록.
포함 내용:
① 모델 레지스트리(버전·아티팩트·모델 카드)
② 피쳐 스토어(Online/Offline, 피쳐 정의 재사용)
③ 학습·재학습 파이프라인(오케스트레이션)
④ 추론 서빙(엣지·서버·카나리)
⑤ 모니터링·드리프트 탐지·경보
⑥ 피드백 루프(현장 UI → 라벨 DB)
⑦ 거버넌스(권한·감사·리니지)
각 구성요소의 입출력·책임 범위·소유 팀 표.
삽화·도식 후보: 7모듈 원형 배치 아키텍처 도식(중앙: 모델 레지스트리), 모듈별 책임 RACI 표.
고객사별 가변 여부: 공통 고정. Track 2 전체의 중심 다이어그램으로 재사용.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02, SCN-MLO-03]

4.3 오픈소스·상용 도구 스택 선정 기준 및 후보군¤

목적: 구체 도구 선정을 근거 있는 선택 으로 제시하여 심사자 가점을 확보.
포함 내용:
선정 기준: 라이선스(상업 사용 가능성), 커뮤니티 활성도, 국내 사례, 온프레미스·폐쇄망 배포 가능성, 한글 지원, 보안 인증, 운영 인력 수급성.
후보 스택 예시:
- 레지스트리·실험 추적: MLflow, Weights & Biases, Neptune.
- 피쳐 스토어: Feast, Tecton(상용), Hopsworks.
- 오케스트레이션: Airflow, Kubeflow Pipelines, Prefect, Dagster.
- 서빙: BentoML, Seldon Core, KServe, NVIDIA Triton Inference Server.
- 모니터링: Evidently, Fiddler, Arize, WhyLabs, Prometheus + Grafana (인프라).
- 컨테이너·k8s: Docker, Kubernetes, k3s(엣지).
고객사 여건별 권장 조합(대기업/중견/중소 각 1 템플릿).
삽화·도식 후보: 도구 비교 매트릭스(기준 × 도구), 권장 스택 3종 참조 아키텍처.
고객사별 가변 여부: 규모별 교체(3종 템플릿). 선정 기준은 공통 고정.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02]

4.4 전체 참조 아키텍처 다이어그램 (엣지 ↔ 중앙 ↔ 클라우드)¤

목적: 4장의 정점으로, MLOps 전체 구조를 한 장 에 제시. Track 1 의 4.6 엔드투엔드 파이프라인과 쌍을 이루는 메인 도식.
포함 내용:
엣지 노드(카메라·PLC 수집·경량 추론) → 공장 DAQ/게이트웨이 → 온프레 데이터 레이크 → 학습 클러스터 → 모델 레지스트리 → 서빙(엣지 재배포·서버 API) → 모니터링·드리프트 대시보드 → 재학습 트리거 → 피드백 DB.
데이터 플레인(회색) / 컨트롤 플레인(파랑) / 피드백 플레인(주황) 3색 구분.
보안 경계(OT ↔ IT ↔ 클라우드) 점선 표기.

삽화·도식 후보: 풀 페이지 Mermaid 또는 블록 다이어그램 1장. 예시:

flowchart LR
  subgraph OT[공장 OT 구역]
    A[PLC/센서/비전] --> B[엣지 추론
    경량 모델]
    B --> C[게이트웨이
    DAQ]
  end
  subgraph ONPREM[온프레미스]
    C --> D[데이터 레이크
    TSDB/Object]
    D --> E[학습 파이프라인
    Airflow/Kubeflow]
    E --> F[모델 레지스트리
    MLflow]
    F --> G[서빙
    BentoML/Seldon]
    G --> B
    G --> H[모니터링
    Evidently/Prometheus]
    H --> I[재학습 트리거]
    I --> E
  end
  subgraph FB[피드백 루프]
    J[현장 태블릿 UI] --> K[라벨 DB]
    K --> D
  end
  subgraph CLD[클라우드]
    L[실험·대용량 학습
    GPU]
    L --> F
  end

고객사별 가변 여부: 공통 고정(노드 이름만 일부 고객사 표준으로 교체).
[관련 시나리오: SCN-MLO-01, SCN-MLO-02, SCN-MLO-03, SCN-UTL-06]

4.5 보안·네트워크 설계 (OT/IT 경계, 폐쇄망 모델 배포)¤

목적: 제조 MLOps 의 최대 난제인 폐쇄망 내 모델 배포·업데이트 방법을 설계 수준에서 제시.
포함 내용:
OT ↔ IT 경계(DMZ·일방향 게이트웨이) 를 넘는 모델·데이터 전송 패턴(서명된 아티팩트, pull 기반 업데이트).
엣지 노드의 TLS 인증서·디바이스 ID 관리.
모델 아티팩트 서명·무결성 검증, SBOM(Software Bill of Materials) for ML.
비밀키·토큰의 Vault 관리, 학습 데이터 중 개인정보·영업비밀 마스킹.
망분리 환경에서의 업데이트 절차(오프라인 패키지 + 검수 승인).
삽화·도식 후보: OT/IT/DMZ 3영역 네트워크 다이어그램, 모델 아티팩트 서명·검증 시퀀스 다이어그램.
고객사별 가변 여부: 고객사별 교체(네트워크 정책·인증서 체계가 기업마다 상이).
[관련 시나리오: SCN-MLO-02, SCN-SAF-03]

5.1 모델 레지스트리·버전·아티팩트 관리 (MLflow 등)¤

목적: 구축 상세 1단계 — 모델 자체를 자산으로 관리하는 체계.
포함 내용:
실험 추적(파라미터·메트릭·코드 커밋 해시) 및 재현 가능성 확보.
모델 단계(Staging / Production / Archived) 전이 정책.
아티팩트 구성: weights, preprocessing pipeline, feature schema, model card, evaluation report.
모델 카드 템플릿(모델 용도·데이터 범위·성능·제한·위험·담당자) — ISO/IEC 42001 대응.
롤백 프로시저(Production 태그 이전 버전으로 원-클릭 복귀).
삽화·도식 후보: 모델 레지스트리 상태 전이도, 모델 카드 1페이지 샘플.
고객사별 가변 여부: 공통 고정. 도구명·필드 일부 교체 가능.
[관련 시나리오: SCN-MLO-02]

5.2 피쳐 스토어 구축 및 Online/Offline 일관성 (Feast 등)¤

목적: Track 1 4.4 피쳐 엔지니어링의 운영판 — 피쳐를 재사용 자산 으로 관리.
포함 내용:
피쳐 정의(이름·계산 로직·데이터 타입·시간 해상도) 의 단일 소스(Feature Registry).
Offline Store(학습용 배치, 수일~수년) ↔ Online Store(추론용 저지연, 초~분) 의 일관성 확보.
시계열 피쳐의 time-travel 질의, 누수(leakage) 방지.
시나리오 간 공통 피쳐(예: 재질·두께·온도 정규화 값)의 재사용 효율.
피쳐 소유팀·SLA·문서화 정책.
삽화·도식 후보: Offline/Online 피쳐 스토어 이원 구조, 피쳐 재사용 매트릭스(시나리오 × 피쳐).
고객사별 가변 여부: 공통 골격 + 시나리오별 피쳐 목록 교체.
[관련 시나리오: SCN-MLO-02, Track 1 4.4 피쳐 엔지니어링 직접 연계]

5.3 학습·재학습 파이프라인 및 오케스트레이션 (Airflow·Kubeflow·MLflow Pipelines)¤

목적: "자동화된 재학습" 의 실체 — DAG 기반 파이프라인으로 전 단계를 코드화.
포함 내용:
단계: 데이터 인출 → 검증 → 피쳐 계산 → 학습 → 평가 → 레지스트리 등록 → 승인 → 배포.
각 단계의 실패 처리·재시도·알람 정책.
스케줄(시간 기반) + 이벤트(드리프트·피드백 누적·외생 이벤트) 기반 트리거의 결합.
GPU·분산 학습 자원 관리, 학습 예산(비용 상한).
삽화·도식 후보: 파이프라인 DAG 다이어그램, 단계별 산출물·게이트 표.
고객사별 가변 여부: 공통 골격 + 단계 일부 교체.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02]

5.4 추론 서빙 아키텍처 (엣지·서버 이원, 카나리·섀도우 배포)¤

목적: 배포 전략을 무중단·안전 관점에서 설계.
포함 내용:
엣지 서빙: 경량화(양자화·증류·ONNX Runtime), OTA 업데이트.
서버 서빙: REST/gRPC · 배치 · 비동기 큐.
카나리 배포: 5% → 25% → 100% 트래픽 점진 확대.
섀도우 배포: 신규 모델을 병렬 추론하되 결과는 비교만 (실서비스 영향 없음).
챔피언·챌린저: 동일 입력에 두 모델 추론, 일정 기간 KPI 비교 후 챌린저 승격.
롤백·회로차단기(Circuit Breaker) 정책.
삽화·도식 후보: 카나리·섀도우·챔피언/챌린저 3가지 배포 패턴 비교도.
고객사별 가변 여부: 공통 고정. 트래픽 비율만 고객사 정책에 맞춰 교체.
[관련 시나리오: SCN-MLO-01, SCN-STL-10, SCN-MET-02, SCN-RUB-04]

5.5 모니터링 · 드리프트 탐지 · 경보 (Evidently·Fiddler·Prometheus·Grafana)¤

목적: Track 2 의 심장부 — "모델이 지금 건강한가" 를 상시 판정.
포함 내용:
3층 모니터링: ① 인프라(CPU·GPU·메모리·지연 — Prometheus) ② 데이터·피쳐 분포(PSI·KS·Jensen-Shannon — Evidently) ③ 모델 성능(정확도·MAE·리콜·캘리브레이션 — 실측 라벨 기반).
드리프트 탐지 지표:
- PSI(Population Stability Index): 0.1 이하 안정, 0.1~0.25 주의, 0.25 이상 재학습 검토.
- KS(Kolmogorov-Smirnov): 두 분포 간 최대 거리.
- Jensen-Shannon / Wasserstein: 연속 분포 간 거리.
성능 저하 탐지: 실측 라벨 지연 시의 프록시 지표(예측 신뢰도 평균, 경보 빈도).
경보 채널(Slack · 이메일 · SMS · HMI 알람) 및 에스컬레이션 정책.
삽화·도식 후보: 3층 모니터링 스택 다이어그램, PSI 시계열 대시보드 샘플, 드리프트 경보 플로우.
고객사별 가변 여부: 공통 고정. 임계값만 시나리오별 교체.
[관련 시나리오: SCN-MLO-01, SCN-STL-01, SCN-STL-05, SCN-STL-09, SCN-RUB-01, SCN-MET-01]

5.6 거버넌스 — 권한·감사·리니지·모델 카드¤

목적: 외부 감사·내부 통제·규제 대응의 기반.
포함 내용:
RBAC(Role-Based Access Control): 데이터 사이언티스트 / MLOps 엔지니어 / 운영자 / 감사자 4 역할.
감사 로그: 모델 등록·승격·배포·삭제 이벤트의 불변 기록.
데이터 리니지: 원본 → 피쳐 → 학습셋 → 모델 → 추론 결과의 관계 그래프.
모델 카드·데이터 시트 작성·갱신 프로세스 (ISO/IEC 42001 · IATF 16949 대응).
외부 감사 대응 체크리스트.
삽화·도식 후보: RBAC 매트릭스, 리니지 그래프 예시, 모델 카드 1페이지.
고객사별 가변 여부: 공통 고정. 역할 명칭·인증 종류만 교체.
[관련 시나리오: SCN-MLO-02, SCN-SAF-01, SCN-SAF-03]

6.1 개선 포인트 선정 노하우 (어디를 먼저 고칠 것인가)¤

목적: 본 문서의 차별화 포인트 — 단순 "재학습하면 된다" 가 아니라 무엇을 왜 먼저 고칠 것인가 의 사고 틀을 제시.
포함 내용:
개선 대상 축 4분류: ① 데이터(품질 저하·수집 누락) ② 피쳐(정의 오류·누수) ③ 모델(알고리즘·하이퍼파라미터) ④ 운영(임계·경보·HITL UI).
우선순위 판단 원칙: 드리프트 신호 × 비즈니스 영향 × 수정 비용 3축 스코어링.
대표 개선 포인트 패턴 5가지:
- 원재료 공급사 변경 → 입력 분포 드리프트 → 피쳐 정규화·재학습.
- 신규 결함 유형 출현 → 라벨 체계 확장 + 재라벨링 + 재학습.
- 계절·환경 변화 → 시간 피쳐·외생 변수 추가.
- 설비 개·보수 이후 신호 특성 변화 → 드리프트 탐지 임계 재설정 + 재학습.
- 현장 피드백 누적으로 특정 구간 정확도 저하 확인 → 해당 구간 가중 재학습.
개선 결정 회의체(월간 모델 리뷰) 운영 구조.
삽화·도식 후보: 개선 대상 4축 프레임, 우선순위 스코어링 표, 5대 개선 포인트 패턴 매트릭스.
고객사별 가변 여부: 공통 고정. Track 2 에서 Track 1 3.1 "암묵지 리스크" 와 쌍을 이루는 최고 재사용 블록.
[관련 시나리오: SCN-MLO-01, SCN-MLO-03, SCN-STL-01, SCN-STL-05, SCN-STL-09, SCN-RUB-01]

6.2 재학습 트리거 설계 (시간·드리프트·성능·피드백·외생 이벤트 5대 축)¤

목적: "언제 재학습할 것인가" 를 5축으로 체계화.
포함 내용:
① 시간 기반: 주·월·분기 정기 재학습(베이스라인).
② 드리프트 기반: PSI/KS 임계 초과.
③ 성능 기반: 실측 라벨 기반 성능이 허용치 아래로 하락.
④ 피드백 기반: 현장 정정 라벨 누적량이 임계 도달.
⑤ 외생 이벤트 기반: 원재료 공급사 변경, 설비 개·보수, 레시피 변경 등 비즈니스 이벤트.
트리거 간 우선순위·중복 발화 처리(쿨다운·집계).
자동 vs 수동 전환 기준(고위험 시나리오는 자동 학습 → 수동 승인 후 배포).
삽화·도식 후보: 5대 트리거 벤 다이어그램, 트리거 → 파이프라인 → 승인 → 배포 시퀀스 도식.
고객사별 가변 여부: 공통 고정. 임계 수치만 교체.
[관련 시나리오: SCN-MLO-01, SCN-MLO-03]

6.3 챔피언·챌린저 및 카나리·A/B 검증 프로토콜¤

목적: 재학습된 모델이 기존보다 낫다는 것을 입증 하는 절차.
포함 내용:
챔피언(현 운영 모델) vs 챌린저(신규 후보) 동시 추론 기간(일반적으로 [기간]).
비교 KPI: 정확도·리콜·MAE + 비즈니스 지표(불량 검출률·허위경보율).
통계적 유의성 검정(Welch's t-test, 순위합 검정) 및 최소 표본 크기.
승격 조건(KPI 개선 + 통계적 유의 + 운영 안전성 확인).
실패 시 챌린저 폐기 및 차기 후보 탐색 루프.
삽화·도식 후보: 챔피언·챌린저 추론 분기도, KPI 비교 시계열 차트, 승격 의사결정 트리.
고객사별 가변 여부: 공통 고정. 비교 기간·임계만 교체.
[관련 시나리오: SCN-MLO-01, SCN-STL-03, SCN-STL-10]

6.4 현장 피드백 UI 및 라벨 재주입 파이프라인¤

목적: Track 1 5.3 HITL 과 직결되는 운영판 — 피드백 데이터가 학습셋까지 도달하는 경로를 설계.
포함 내용:
현장 태블릿 UI: AI 예측 + "맞음/틀림/부분맞음" 3단 평가 + 사유 드롭다운 + 사진·메모 첨부.
피드백 스키마: 예측 ID · 입력 피쳐 스냅샷 · 예측값 · 실측값 · 작업자 ID · 타임스탬프 · 비고.
라벨 품질 관리: 이중 라벨링·합의·이상 라벨 탐지(작업자별 편향).
라벨 DB → 학습셋 편입 파이프라인(스케줄 + 품질 필터).
작업자 기여도 가시화(누적 피드백 건수·모델 개선 기여 스코어) → 현장 동기부여.
삽화·도식 후보: 피드백 UI 목업, 라벨 재주입 파이프라인, 작업자 기여 대시보드.
고객사별 가변 여부: 공통 고정. 평가 항목·드롭다운 옵션만 시나리오별 교체.
[관련 시나리오: SCN-MLO-03, SCN-STL-10, SCN-STL-11, SCN-MET-02, SCN-RUB-05, Track 1 5.3 HITL 직결]

6.5 개선 사이클 가시화 (월간·분기 성능 리뷰 리츄얼)¤

목적: MLOps 를 "도구" 가 아닌 운영 리츄얼 로 정착시키는 절차.
포함 내용:
월간 모델 리뷰: 전 엔진 대시보드 공유 → 드리프트·성능 이슈 → 개선 결정.
분기 포트폴리오 리뷰: 엔진 추가·폐기·예산 재배분.
연간 거버넌스 감사: 모델 카드·리니지·권한 점검.
리뷰 산출물 템플릿(이슈·원인·조치·책임자·납기 5열 표).
KPI: 평균 재학습 리드타임, 드리프트 탐지→조치 시간, 모델 수명, 개선 건수.
삽화·도식 후보: 개선 사이클 다이어그램(월→분기→연간), 리뷰 산출물 샘플 표.
고객사별 가변 여부: 공통 고정. 회의체 명칭만 교체.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02, SCN-MLO-03]

7.1 정량적 기대효과 (모델 수명·MTTR·재학습 리드타임)¤

목적: Track 2 도입으로 얻는 수치 효과를 한 표로 제시.
포함 내용:
AS-IS / TO-BE / 개선효과 3열 표. 예:
- 모델 평균 수명 [기간] → [기간] (연간 재학습 [수치]회 → [수치]회 합리화).
- 드리프트 탐지→조치 리드타임 [기간] → [기간].
- 장애 대응 MTTR [기간] → [기간].
- 재학습 파이프라인 실행 시간 [기간] → [기간].
- 모델 관련 감사 지적 [수치]건/년 → [수치]건/년.
삽화·도식 후보: AS-IS/TO-BE 대조 표, 핵심 지표 전·후 막대 그래프.
고객사별 가변 여부: 공통 표 골격 + 수치 교체.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02, SCN-MLO-03]

7.2 KPI 정의 및 대시보드 설계¤

목적: Track 1 6.3 KPI 의 운영 버전 — 모델 운영 자체를 측정 가능하게.
포함 내용:
KPI 그룹: ① 모델 성능(정확도·리콜·MAE) ② 운영 건전성(가용성·지연) ③ 드리프트(PSI·KS) ④ 개선 속도(재학습 리드타임·개선 건수) ⑤ 거버넌스(모델 카드 완비율·리니지 커버리지).
KPI 카드: 정의·측정 주기·기준값·목표값·책임자.
대시보드 구성: 경영진 뷰(요약 KPI) / 운영자 뷰(엔진별 상세) / 엔지니어 뷰(로그·메트릭).
삽화·도식 후보: KPI 트리(5그룹 × 하위), 3계층 대시보드 와이어프레임.
고객사별 가변 여부: 공통 풀 + 고객사별 선택. Track 1 6.3 과 KPI 일부 공유.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02, SCN-MLO-03, Track 1 6.3 KPI 연계]

7.3 Track 1·3 과의 연계 지점 및 향후 로드맵¤

목적: Track 2 가 고립 모듈이 아니라 Track 1·3 을 잇는 운영 축 임을 마무리 문단에서 재확인.
포함 내용:
Track 1 ← Track 2: 4.6 파이프라인의 재학습 루프, 5.3 HITL 피드백 축적, 6.3 KPI 모니터링 대시보드, 7.1 MLOps 교량 문단을 본 Track 2 블록으로 치환.
Track 3 ↔ Track 2: 모니터링 이벤트 → 유사 장애 이력 RAG 검색(SCN-LLM-02), 모델 카드·리니지의 자연어 QA(SCN-LLM-04), 재학습 사유 자동 보고서(SCN-LLM-03).
향후 로드맵: Lv.2 → Lv.3 으로의 전환, 디지털트윈(SCN-UTL-06) 기반 가상 환경 검증, AutoML·LLMOps 통합.
삽화·도식 후보: Track 1·2·3 연계 지도, 3~5년 MLOps 고도화 로드맵.
고객사별 가변 여부: 공통 고정. 로드맵 연차별 내용만 교체.
[관련 시나리오: SCN-MLO-01, SCN-MLO-02, SCN-MLO-03, SCN-LLM-02, SCN-LLM-03, SCN-LLM-04, SCN-UTL-06]

공통 자산 vs 특화 지점 맵¤

섹션	재사용 유형	설명
1.1 실패 유형	공통 고정	전 고객사·전 사업 동일 사용
1.2 제조 MLOps 특수성	공통 고정	Purdue 레벨만 고객사 교체
1.3 규제·인증 요구	업종별 교체	IATF/AS9100/ISO 13485 등
1.4 본 사업 위상	사업별 교체	지원사업마다 범위 다름
2.1 엔진 인벤토리	사업·시나리오별 전면 교체	표 골격 공통
2.2 배포 지형	규모별 교체	대/중견/중소 3종
2.3 SLA/SLO	공통 템플릿 + 수치 교체
2.4 성숙도 진단	고객사별 교체	척도·체크리스트 공통
3.1 수작업 배포	공통 고정	AS-IS 최고 재사용 블록
3.2 모니터링 부재	공통 고정
3.3 재학습 기준 부재	공통 고정
3.4 피드백 단절	공통 고정
3.5 거버넌스 공백	공통 고정	규제 목록만 교체
4.1 개념 프레임	공통 고정
4.2 7종 구성요소	공통 고정	Track 2 중심 다이어그램
4.3 도구 스택	규모별 교체	3종 템플릿
4.4 참조 아키텍처	공통 고정	메인 풀페이지 도식
4.5 보안·네트워크	고객사별 교체	네트워크 정책 상이
5.1 레지스트리	공통 고정	도구명만 교체 가능
5.2 피쳐 스토어	공통 골격 + 피쳐 교체
5.3 파이프라인	공통 골격 + 단계 교체
5.4 서빙·배포	공통 고정
5.5 모니터링·드리프트	공통 고정	임계만 교체
5.6 거버넌스	공통 고정	역할명·인증만 교체
6.1 개선 포인트 선정	공통 고정	Track 2 최고 재사용 블록
6.2 재학습 트리거 5축	공통 고정
6.3 챔피언·챌린저	공통 고정
6.4 피드백 UI·파이프라인	공통 고정	드롭다운 옵션만 교체
6.5 개선 사이클 리츄얼	공통 고정	회의체명만 교체
7.1 정량 기대효과	표 골격 공통 + 수치 교체
7.2 KPI·대시보드	공통 풀 + 고객사 선택	Track 1 6.3 과 일부 공유
7.3 Track 연계·로드맵	공통 고정	로드맵 연차만 교체

재사용 효율이 높은 Top 5 블록: 3.2 모니터링 부재, 4.2 7종 구성요소, 4.4 참조 아키텍처, 5.5 모니터링·드리프트, 6.1 개선 포인트 선정 — 이 5개는 전 고객사·전 사업에서 거의 그대로 재사용 가능.

특화 지점 대표 예시 3개: 1. 1.3 규제·인증 요구 — 자동차 부품(IATF 16949) / 조선·항공(AS9100) / 의료(ISO 13485) 로 분리 관리. 2. 2.2 배포 지형 — 대기업 3단(엣지·온프레·클라우드) vs 중견 2단 vs 중소 클라우드 중심으로 교체. 3. 4.3 도구 스택 — 대기업(상용 혼합) / 중견(오픈소스 중심 + 일부 상용) / 중소(경량 오픈소스) 3종 템플릿.

Track 1·3 연계 지점¤

Track 1 ← Track 2 연계 (본 문서가 호출되는 지점)¤

Track 1 지점	호출되는 Track 2 블록	연계 방식
4.6 엔드투엔드 파이프라인 의 "재학습 루프" 노드	4.4 참조 아키텍처, 5.3 파이프라인, 6.2 트리거 5축	Track 1 4.6 도식 우측 하단의 재학습 루프가 바로 Track 2 로 확장된다. 본문에 "재학습 루프의 상세는 Track 2 5.3·6.2 에서 구체화" 1~2 문단 교량.
5.3 Human-in-the-loop 검증 체계	6.4 피드백 UI·라벨 재주입	Track 1 5.3 에서 "피드백 데이터 자동 축적" 직후, "현장 피드백이 학습셋으로 환류되는 경로는 Track 2 6.4 에서 상세히 기술" 로 넘김.
6.3 KPI 및 측정 방법	5.5 모니터링, 7.2 KPI·대시보드	Track 1 6.3 의 "모니터링 대시보드" 항목이 Track 2 5.5·7.2 로 연결. KPI 풀 일부 공유.
7.1 MLOps 교량 섹션	본 문서 전체	Track 1 7.1 은 교량 문단만 유지, Track 2 본문 전체를 별첨 또는 본문 내 독립 장으로 삽입하는 분기점.

Track 3 ↔ Track 2 연계 (상호 참조)¤

연계 방향	지점	내용
Track 2 → Track 3	5.5 모니터링 경보 발생 시	드리프트·성능 저하 경보에 대해 과거 유사 장애 사례 RAG 검색(SCN-LLM-02) 을 호출하여 조치 힌트를 제공.
Track 2 → Track 3	5.6 거버넌스 / 6.5 리뷰	모델 카드·리니지·리뷰 산출물을 자연어 QA(SCN-LLM-04) 로 조회하여 감사·심사 대응.
Track 2 → Track 3	6.5 월간 리뷰	재학습 사유·경과의 자동 보고서 작성(SCN-LLM-03) 을 통해 리뷰 준비 부담 경감.
Track 3 → Track 2	RAG 운영	Track 3 의 벡터스토어·임베딩 모델 자체도 MLOps 대상이며, 본 문서 4.2·5.1·5.5 의 모듈이 RAG 엔진 운영에도 적용된다.

사용 예시 — 중견 철강사 기준 조립 시연¤

가령 YCP특수강·코리녹스·중견 스테인리스 냉연사 수준의 중견 철강사 A사 대상 "디지털 경남" · "스마트공장 고도화" 성격의 사업계획서 내 MLOps 섹션(본문 또는 별첨 20~30페이지 분량) 을 본 목차로 조립한다고 하면, 1장은 1.1 실패 유형(공통 고정) + 1.2 제조 MLOps 특수성(공통 고정) + 1.3 규제 요구(IATF 블록 또는 ISO 9001 블록) + 1.4 본 사업 위상 순으로 도입 4~5페이지를 구성하고, 2장은 A사의 운영 대상 엔진(예: SCN-STL-05 냉연 두께 예측 + SCN-STL-09 예지보전 + SCN-STL-11 UT 자동판정 + SCN-LLM-02 장애 RAG)을 2.1 엔진 인벤토리 에 채운 뒤 2.2 배포 지형(중견 2단) · 2.3 SLA · 2.4 성숙도 진단(Lv.0 → Lv.2 목표) 로 전환 시나리오를 명확화한다.

3장은 3.1~3.5 의 공통 고정 AS-IS 블록 을 거의 그대로 가져와 A사 현장 수치(배포 방식·모니터링 현황·감사 지적 이력) 로만 교체하여 구조적 공백을 드러내고, 4장은 4.1 개념 프레임 + 4.2 7종 구성요소 + 4.3 도구 스택(중견 템플릿: MLflow + Feast + Airflow + BentoML + Evidently + Prometheus/Grafana) + 4.4 참조 아키텍처(공통 도식에 A사 노드명 치환) + 4.5 보안·네트워크(A사 OT/IT 경계 반영) 로 TO-BE 를 제시한다. 5장은 5.1~5.6 을 공통 골격 유지하며 5.2 피쳐 목록·5.3 파이프라인 단계를 A사 시나리오에 맞춰 교체하고, 6장은 6.1 개선 포인트 선정(공통 고정) + 6.2 재학습 트리거 5축 + 6.3 챔피언·챌린저 + 6.4 피드백 UI(SCN-MLO-03 기반) + 6.5 월간 리뷰 리츄얼 로 지속 개선 루프를 완결한다. 7장에서 7.1 정량 효과(A사 수치) · 7.2 KPI·대시보드(Track 1 6.3 KPI 풀과 공유) · 7.3 Track 1·3 연계 로드맵 으로 마무리하면, 전체 분량의 65~75%가 공통 블록으로 채워지고 25~35%만 A사 고유 수치·시나리오로 교체되어 재사용 효율을 극대화한 Track 2 원고가 얻어진다.

📌 이 페이지 정보 (개발자용)

원본 파일: track2_공통본문_목차.md
자산 군: 🔧 기술 트랙
slug 경로: track/track2-index.md
워크스페이스 정책: 원본 .md 수정 0 — hooks 로만 시각 변환
자산 자족성 정상화: Phase E7 완료 (잔여 외부 갭 4)