"배포 입문 (5/7) — 무료 배포 2: Streamlit Community Cloud로 데이터 앱 공개하기"

-

Streamlit Community Cloud의 장점은 인프라를 많이 감추는 데 있다. 대신 앱의 구조와 의존성 파일은 더 정확해야 한다.

핵심 요약

  • Streamlit Community Cloud는 공식 문서 기준으로 무료로 앱을 배포·관리할 수 있는 플랫폼이다.
  • 현재도 워크스페이스 진입점은 share.streamlit.io이고, 실제 앱 URL은 streamlit.app 도메인으로 배포된다.
  • GitHub 저장소, 브랜치, 실행 파일 경로를 지정해 Python 앱을 비교적 쉽게 공개할 수 있다.
  • 대시보드, 데모, 내부 툴 프로토타입에는 좋지만, 범용 백엔드 서비스 운영 플랫폼으로 이해하면 곤란하다.

1. 왜 Streamlit은 배포 장벽이 낮을까

Vercel이 프론트엔드 미리보기 흐름에 강하다면, Streamlit Community Cloud는 Python 앱을 URL로 만드는 길이 짧다는 점이 강점이다.

특히 아래처럼 "화면은 있어야 하지만 프론트엔드 프레임워크를 별도로 짜고 싶지 않은" 경우에 잘 맞는다.

  • 데이터 탐색 대시보드
  • 간단한 ML 데모
  • 사내 분석 툴
  • 포트폴리오용 앱

즉, Python 코드 중심으로 만든 결과를 바로 보여 주는 데 유리하다.

2. 실제 배포 흐름은 어떻게 되나

공식 배포 가이드 기준으로 Community Cloud에서는 워크스페이스에서 Create app을 누른 뒤 아래 정보를 채운다.

  • GitHub repository
  • branch
  • entrypoint file path
  • 원하는 앱 URL 서브도메인

그리고 필요하면 Advanced settings에서 Python 버전과 secrets를 설정한다.

중요한 사실 하나는 명칭 구분이다. 관리 워크스페이스는 share.streamlit.io, 배포된 앱 주소는 streamlit.app다. 예전 자료를 읽다가 둘을 같은 것으로 생각하면 UI와 URL 설명에서 혼동이 생긴다.

3. 무엇을 준비해야 하나

Streamlit 배포는 쉬운 대신, 준비물이 정확해야 한다.

실행 파일

어떤 파일이 앱의 진입점인지 분명해야 한다. 예를 들어 streamlit_app.py 또는 app.py.

의존성 파일

requirements.txt, pyproject.toml 같은 의존성 정보가 빠지면 로컬에서는 되던 앱이 클라우드에서 바로 깨진다.

비밀값

API 키나 비밀 토큰은 저장소에 넣지 않고 Community Cloud의 secrets 설정에 넣어야 한다.

4. 어떤 경우에 특히 잘 맞나

Streamlit Community Cloud는 아래 조건이면 좋은 시작점이다.

  • Python만으로 앱을 만들고 싶다
  • 시각화, 표, 입력 폼 정도면 충분하다
  • 빠르게 링크를 공유하고 싶다
  • 복잡한 인프라 제어보다 시연 속도가 더 중요하다

반대로 아래 조건이면 다른 플랫폼을 고민해야 한다.

  • 항상 떠 있는 백엔드 서비스가 필요하다
  • 웹훅, 큐, 워커, 장시간 작업 처리가 중요하다
  • 앱 구조가 프론트엔드와 API 서버로 분리되어 있다

5. 자주 막히는 지점

첫째, 패키지 누락. 로컬 가상환경에만 설치되어 있고 requirements.txt에는 빠져 있는 경우가 많다.

둘째, secrets를 코드에 하드코딩하는 습관. 입문 단계에서는 편해 보여도 나중에 바로 문제를 만든다.

셋째, 업데이트 반영 시간을 오해하는 것. 공식 문서 기준으로 코드 변경은 비교적 빠르게 반영되지만, 의존성 변경은 설치 때문에 더 오래 걸릴 수 있다.

넷째, Streamlit을 "모든 웹앱 플랫폼"으로 보는 것. Streamlit은 강점이 분명하지만, 앱 구조 자체가 다른 경우에는 맞지 않는다.

6. 입문자용 판단 기준

아래 세 질문에 "예"가 많으면 Streamlit Community Cloud가 잘 맞는다.

  1. Python 중심 앱인가?
  2. 빠른 공개 데모가 중요한가?
  3. 프론트엔드 프레임워크를 별도로 관리하고 싶지 않은가?

이 세 가지가 맞으면 Streamlit은 가장 짧은 배포 경로 중 하나다. 하지만 서버 프로세스를 운영해야 하는 순간부터는 다음 편의 Railway가 더 자연스러운 선택이 된다.

참고 자료

  • Streamlit Docs, Streamlit Community Cloud — https://docs.streamlit.io/deploy/streamlit-community-cloud
  • Streamlit Docs, Deploy your app on Community Cloud — https://docs.streamlit.io/deploy/streamlit-community-cloud/deploy-your-app/deploy
  • Streamlit Docs, Manage your app — https://docs.streamlit.io/deploy/streamlit-community-cloud/manage-your-app

이 글은 배포 입문 시리즈의 5/7 편입니다. 다음 편: Railway로 백엔드와 풀스택 앱 운영하기.

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 »