Elevating Your Models: Beyond Lift-and-Shrink in AI Development

Context

Lift-and-Shift 방식의 클라우드 마이그레이션은 기존 애플리케이션과 데이터를 그대로 클라우드 VM으로 이동하는 접근법으로, 비효율적인 리소스 활용, 낮은 확장성, 높은 운영 비용, 제한된 유연성 문제를 야기했다. 수십 년간 약속되어온 클라우드의 확장성과 유연성을 실현하지 못하는 전략이었다.

Technical Solution

• TF-IDF 벡터화를 활용한 데이터 자동 발견: 여러 소스의 데이터 자산을 자동으로 식별하고 카테고리화하는 Python sklearn 라이브러리 활용
• 선형 회귀 모델을 통한 워크로드 성능 예측: NumPy를 사용해 과거 CPU/메모리 사용량 패턴으로부터 각 애플리케이션의 리소스 요구사항 추정
• TensorFlow 신경망 모델링으로 동적 리소스 할당: Dense 레이어 기반 순차 모델(Sequential)을 Mean Squared Error 손실함수로 100 에포크 학습하여 변화하는 워크로드에 맞춰 CPU/메모리/GPU 할당량 자동 조정
• AI 기반 자동화를 통한 마이그레이션 간소화: 데이터 발견부터 인프라 이동까지의 전 단계에서 자동 분석 및 최적화 적용

Key Takeaway

Lift-and-Shift 마이그레이션의 한계는 기존 구조를 그대로 유지하려는 접근에 있으며, AI/ML 기반의 자동 분석과 동적 최적화를 도입하면 클라우드 환경에 최적화된 리소스 할당과 비용 효율성을 동시에 달성할 수 있다.