"배포 입문 (3/7) — GitHub로 배포하기: repository, Pages, Actions의 역할 구분"

-

GitHub는 저장소이기도 하고, 정적 사이트 호스팅 지점이기도 하고, 자동화 엔진이기도 하다. 이 셋을 섞어 이해하면 배포 흐름이 흐려진다.

핵심 요약

  • GitHub의 기본 역할은 원격 저장소다. 코드를 보관하고 브랜치, PR, 이력을 관리한다.
  • GitHub Pages는 정적 사이트 배포 기능이다. HTML/CSS/JS 결과물을 공개 주소로 보여 준다.
  • GitHub Actions는 CI/CD 자동화 엔진이다. .github/workflows 안의 YAML로 빌드, 테스트, 배포를 실행한다.
  • 정적 사이트라면 Pages만으로 충분할 수 있지만, 검증 단계나 다른 플랫폼 배포까지 다루려면 Actions가 필요해진다.

1. Repository: 소스 오브 트루스

GitHub repository는 배포 결과물이 아니라 배포의 출발점이다. 어떤 브랜치가 기준인지, 어떤 PR이 머지됐는지, 어떤 태그가 릴리스인지가 모두 여기서 정해진다.

이 레이어가 중요한 이유는 배포 플랫폼이 거의 항상 GitHub를 바라보기 때문이다. Vercel도, Railway도, Streamlit Community Cloud도 대개 GitHub 저장소와 브랜치를 연결해 자동 배포를 시작한다.

2. GitHub Pages: 정적 결과물을 공개하는 기능

GitHub Pages는 문서 사이트, 포트폴리오, 간단한 소개 페이지처럼 정적 파일만으로 동작하는 사이트에 적합하다.

공식 문서 기준으로 Pages는 두 방식으로 발행할 수 있다.

  • 특정 브랜치나 /docs 폴더를 발행 소스로 지정
  • GitHub Actions 기반의 커스텀 워크플로로 빌드 후 배포

여기서 핵심은 Pages가 "앱 서버를 계속 띄워 두는 서비스"가 아니라는 점이다. 백엔드 API, 장시간 실행 프로세스, 데이터베이스 연결 같은 것은 Pages의 역할이 아니다.

3. GitHub Actions: 자동화 엔진

GitHub Actions는 GitHub 안에서 돌아가는 CI/CD 플랫폼이다. 공식 문서 기준으로 워크플로는 .github/workflows 아래의 YAML 파일로 정의되며, push, pull_request, workflow_dispatch 같은 이벤트에 반응한다.

아래 같은 흐름이 가장 흔하다.

on:
  pull_request:
    branches: [main]
  push:
    branches: [main]

jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - run: npm ci
      - run: npm test

이 워크플로 자체가 배포를 하지는 않더라도, 배포 전에 검증해야 하는 기준선을 만들어 준다.

4. Pages와 Actions는 어떻게 다를까

둘은 경쟁 관계가 아니라 역할이 다르다.

항목 GitHub Pages GitHub Actions
역할 정적 사이트 공개 빌드·테스트·배포 자동화
입력 정적 결과물 워크플로 정의
적합한 용도 문서, 블로그, 포트폴리오 CI, 배포, 릴리스, 검증
단독 사용 가능성 높음 플랫폼과 함께 쓰는 경우 많음

즉, "Pages로 보여 주고, Actions로 검증하고, 필요하면 다른 플랫폼으로 배포한다"는 조합도 충분히 가능하다.

5. 언제 GitHub만으로 충분할까

아래 조건이면 GitHub만으로도 시작하기 좋다.

  • 정적 페이지다
  • 서버 프로세스가 필요 없다
  • 공개 URL이 하나면 충분하다
  • 복잡한 빌드 인프라가 필요 없다

반대로 아래 조건이면 다른 플랫폼까지 고려해야 한다.

  • 프론트엔드 미리보기 배포가 중요하다
  • Python 앱이나 Node 서버를 실제로 실행해야 한다
  • 환경 변수와 런타임 차이가 크다
  • 배포 로그, 재시작, 장시간 프로세스 운영이 필요하다

6. 초보자가 가장 많이 헷갈리는 질문

GitHub에 올렸는데 왜 사이트가 안 열리나요?

저장소 업로드와 공개 배포는 다른 단계다. repository만 만들었다고 URL이 생기지 않는다.

Actions가 있으면 Pages가 필요 없나요?

아니다. Actions는 자동화 엔진이고, Pages는 정적 사이트 발행 지점이다.

Pages는 무료인가요?

GitHub Docs 기준으로 GitHub Pages는 public repository에서 GitHub Free로 사용할 수 있다. private 저장소까지 포함한 세부 사용 범위는 계정 플랜에 따라 달라질 수 있다.

참고 자료

  • GitHub Docs, Understanding GitHub Actions — https://docs.github.com/en/actions/get-started/understand-github-actions
  • GitHub Docs, Deploying with GitHub Actions — https://docs.github.com/en/actions/how-tos/deploy/configure-and-manage-deployments/control-deployments
  • GitHub Docs, Configuring a publishing source for your GitHub Pages site — https://docs.github.com/en/pages/getting-started-with-github-pages/configuring-a-publishing-source-for-your-github-pages-site
  • GitHub Docs, Using custom workflows with GitHub Pages — https://docs.github.com/pages/getting-started-with-github-pages/using-custom-workflows-with-github-pages

이 글은 배포 입문 시리즈의 3/7 편입니다. 다음 편: Vercel로 프론트엔드 자동 배포하기.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »