예시 답변 1
약 65초
경험 기반 구체화
Airflow나 Kafka를 실제 AI 플랫폼에서 직접 사용한 경험은 없지만, 학교 데이터 엔지니어링 수업에서 Apache Airflow로 ETL 파이프라인을 구성하는 실습을 했습니다. Airflow의 DAG 구조는 태스크 간 의존성을 시각적으로 정의할 수 있어서, 파이프라인의 어느 단계가 실패했는지 바로 파악할 수 있습니다. AI 플랫폼에서 Airflow를 쓰면 모델 재학습 주기 자동화가 가능한데, 새 데이터가 쌓이면 자동으로 전처리·학습·배포까지 트리거하는 구조를 만들 수 있습니다. Kafka는 스트리밍 추론이 필요한 시나리오에서 유용한데, 실시간으로 발생하는 사용자 행동 데이터를 모델 서빙 서버에 지연 없이 전달하는 역할을 합니다.
두 도구의 차이는 Airflow는 배치·스케줄링, Kafka는 실시간 이벤트 스트림 처리에 적합하다는 점이라고 이해하고 있습니다.
이 결의 특징
Airflow는 배치·스케줄링, Kafka는 실시간 이벤트 스트림 처리에 적합하다는 차이를 수업 실습으로 이해하고 AI 플랫폼에서 모델 재학습 자동화와 실시간 추론 시나리오를 각각 연결한 흔적이 있습니다. 직접 운용 경험이 없다는 것을 솔직히 인정한 결이 보입니다.
이 결이 통하는 자리
도구를 나열하는 자리에서 머물기 쉬운 자리에서, 어떤 작업 성격에 어떤 도구가 맞는지까지 연결할 때 통합니다.