"배포 입문 (7/7) — 자동 배포 파이프라인 구축: PR, 테스트, preview, production의 전체 흐름"

-

자동 배포의 핵심은 "사람이 버튼을 덜 누른다"가 아니다. 사람이 순서를 빼먹기 어려운 구조를 만드는 것이다.

핵심 요약

  • 최소한의 안전한 배포 흐름은 branch -> pull request -> CI -> preview -> merge -> production이다.
  • preview와 production을 분리하면 "검토용 링크"와 "실사용 링크"가 섞이지 않는다.
  • GitHub Actions는 테스트와 검증, Vercel이나 Railway는 실제 배포 지점으로 나누면 구조가 깔끔해진다.
  • 혼자 개발할 때도 자동 배포 파이프라인이 필요한 이유는 속도보다 실수 방지와 복구 가능성 때문이다.

1. 왜 마지막에 자동 배포를 배우는가

입문자는 종종 자동 배포를 가장 먼저 배우고 싶어 한다. 하지만 그 순서는 위험하다. Git, GitHub, 배포 플랫폼의 역할을 모르고 CI/CD부터 시작하면 결국 YAML 파일만 복붙하게 된다.

자동 배포 파이프라인은 독립된 기술이 아니라, 앞선 모든 레이어를 하나의 흐름으로 묶는 설계다.

2. 최소 파이프라인의 구조

가장 작은 안전 파이프라인은 아래처럼 이해하면 된다.

feature branch 작업
  -> pull request 생성
  -> GitHub Actions 테스트 실행
  -> preview deployment 확인
  -> main 머지
  -> production deployment

이 구조의 장점은 명확하다. 검증과 공개를 한 단계로 섞지 않는다. 먼저 확인하고, 그다음 올린다.

3. 각 단계는 무슨 역할을 하나

Branch

실험 공간이다. 메인 브랜치를 직접 흔들지 않는다.

Pull Request

변경을 검토 가능한 단위로 만든다. 혼자 작업하더라도 PR 설명을 쓰면 스스로의 의도를 점검하게 된다.

CI

테스트, 린트, 빌드 확인을 자동으로 돌린다. "로컬에서는 된다"를 최소한 한 번 더 검증한다.

Preview

실제 열린 링크에서 화면과 동작을 확인한다. UI나 라우팅 문제는 코드 리뷰보다 preview에서 더 빨리 잡힌다.

Production

검토가 끝난 변경만 실사용 주소로 보낸다.

4. GitHub Actions는 어디에 두면 좋을까

가장 보편적인 시작점은 GitHub Actions를 검증 레이어로 두는 것이다.

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

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

이 워크플로는 직접 배포를 하지 않아도 충분히 가치가 있다. 머지 전과 머지 후 모두에서 "빌드 가능한 상태인가"를 확인해 주기 때문이다.

5. 플랫폼과의 연결 방식

플랫폼 연결은 보통 아래 둘 중 하나다.

Vercel

  • branch push -> preview
  • main merge -> production

Railway

  • selected branch push -> build/deploy
  • 필요하면 Wait for CI로 Actions 성공 후 배포

즉, GitHub Actions는 검증, 플랫폼은 실행이라는 역할 분리를 하면 초보자도 구조를 이해하기 쉽다.

6. 혼자 개발할 때도 필요한 이유

팀이 없으면 PR도, 리뷰도, CI도 과하다고 느껴질 수 있다. 하지만 실제로는 혼자일수록 실수를 잡아 줄 외부 장치가 적기 때문에 자동화가 더 중요하다.

자동 배포 파이프라인은 아래 세 가지를 남긴다.

  • 어떤 변경이 언제 production으로 갔는지
  • 배포 전 어떤 검증이 통과했는지
  • 문제가 생기면 어디로 돌아가야 하는지

속도를 조금 늦추는 대신, 배포 사고 비용을 크게 줄인다.

7. 입문자용 최소 운영 원칙

  1. main은 직접 수정하지 않는다.
  2. PR 없이 production으로 보내지 않는다.
  3. 테스트 또는 빌드 확인 없이 머지하지 않는다.
  4. preview와 production 환경 변수를 분리한다.
  5. 실패 시 직전 안정 버전으로 되돌릴 수 있게 이력을 남긴다.

이 다섯 줄이면 소규모 개인 프로젝트의 자동 배포 기준으로 충분히 강한 출발점이 된다.

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
  • Vercel Docs, Deploying Git Repositories with Vercel — https://vercel.com/docs/git
  • Railway Docs, Controlling GitHub Autodeploys — https://docs.railway.com/deployments/github-autodeploys

이 글은 배포 입문 시리즈의 7/7 편입니다. 시리즈 끝. 다시 1편으로 돌아가 흐름 전체를 한 번 더 보면 배포 구조가 훨씬 단단해진다.

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 »