파이썬 기반 머신러닝 모델 배포를 위한 Streamlit 활용 가이드
안녕하세요! 10년 차 생활 블로거 김창수입니다. 요즘 부쩍 데이터 분석이나 인공지능에 관심 있는 분들이 많아진 것 같아요. 저도 예전에는 파이썬으로 만든 결과물을 남들에게 보여줄 때마다 검은 화면의 터미널만 보여주느라 참 민망했거든요. 그런데 Streamlit(스트림릿)이라는 도구를 알게 된 이후로는 제 삶이 완전히 바뀌었답니다.
복잡한 프론트엔드 지식이 전혀 없어도 파이썬 코드 몇 줄이면 근사한 웹 대시보드가 뚝딱 만들어지더라고요. 오늘은 제가 직접 겪은 시행착오부터 시작해서, 머신러닝 모델을 웹으로 배포하는 방법까지 아주 상세하게 공유해보려고 합니다. HTML이나 CSS를 몰라도 괜찮으니 걱정 마시고 천천히 따라와 보세요.
스트림릿이 왜 대세일까?
보통 웹 서비스를 하나 만들려면 장고(Django)나 플라스크(Flask) 같은 프레임워크를 배워야 하거든요. 거기다 자바스크립트까지 공부하려면 머리가 지끈거리기 마련입니다. 하지만 스트림릿은 순수 파이썬 언어만으로 버튼, 슬라이더, 차트 같은 인터랙티브한 요소를 배치할 수 있다는 게 가장 큰 장점이에요.
데이터프레임을 화면에 뿌려주고 싶을 때도 st.dataframe(df) 한 줄이면 끝납니다. 사용자에게 입력을 받고 싶으면 st.text_input() 하나면 충분하더라고요. 데이터 과학자들이 모델 성능을 시각화하거나 팀원들에게 프로토타입을 공유할 때 이만한 도구가 없다는 생각이 듭니다.
배포 방식별 특징 비교
내 컴퓨터에서만 돌아가는 앱은 의미가 없잖아요. 누군가에게 주소를 알려주고 접속하게 하려면 배포 과정이 꼭 필요합니다. 현재 가장 많이 쓰이는 방식 세 가지를 제 경험을 담아 표로 정리해봤습니다.
| 비교 항목 | Streamlit Cloud | Docker + Cloud (AWS/GCP) | Naver Cloud (CLOVA) |
|---|---|---|---|
| 난이도 | 매우 쉬움 (상) | 어려움 (하) | 보통 (중) |
| 자유도 | 낮음 | 매우 높음 | 중간 (API 연동 특화) |
| 비용 | 무료 (공개 앱 기준) | 유료 (인스턴스 비용) | 유료 (종량제) |
| 추천 대상 | 개인 포트폴리오용 | 기업형 서비스 개발 | 국내 API 및 AI 서비스 연동 |
처음 시작하시는 분들이라면 무조건 Streamlit Cloud를 추천드려요. 깃허브(GitHub) 저장소만 연결하면 주소가 바로 생성되니까 정말 편하더라고요. 하지만 보안이 중요하거나 아주 무거운 모델을 돌려야 한다면 도커(Docker)를 이용해 개별 서버에 올리는 방식이 더 안정적입니다.
김창수의 뼈아픈 배포 실패담
제가 처음 머신러닝 모델을 배포했을 때 일이에요. 내 컴퓨터에서는 쌩쌩 잘 돌아가길래 신나서 클라우드에 올렸거든요. 그런데 웬걸, 배포하자마자 "ModuleNotFoundError"가 뜨면서 앱이 죽어버리는 게 아니겠어요? 원인은 바로 requirements.txt 파일을 제대로 만들지 않았기 때문이었습니다.
로컬 환경에는 수많은 라이브러리가 깔려 있지만, 서버는 텅 빈 상태거든요. 내가 쓴 패키지 목록을 하나하나 적어줘야 하는데 그걸 빼먹은 거죠. 또 한 번은 모델 파일 용량이 너무 커서 깃허브 업로드 용량 제한에 걸린 적도 있었어요. 이때 LFS(Large File Storage)를 써야 한다는 걸 몰라서 이틀 밤을 꼬박 새웠던 기억이 납니다.
GPU 가속과 클라우드 배포 꿀팁
최근에는 딥러닝 모델이나 거대 언어 모델(LLM)을 연동하는 경우가 많잖아요. 이런 모델들은 CPU만 쓰면 응답 속도가 너무 느려서 사용자가 답답해하더라고요. 이럴 때는 NVIDIA의 CUDA-X 라이브러리를 활용해 GPU 가속을 설정하는 게 필수입니다.
네이버클라우드의 CLOVA Studio 같은 API를 연동할 때는 보안도 정말 중요합니다. API 키를 코드에 직접 적어두면 큰일 나거든요. 반드시 .env 파일에 저장하고 배포 환경의 시크릿(Secrets) 설정 기능을 이용해야 합니다. 특히 st.secrets라는 내장 기능을 사용하면 외부 노출 걱정 없이 안전하게 키 관리를 할 수 있더라고요.
도커를 사용하신다면 Dockerfile 안에 필요한 라이브러리와 환경 변수를 꼼꼼히 정의해야 합니다. 베이스 이미지를 파이썬 경량 버전으로 선택하면 배포 속도를 훨씬 높일 수 있다는 점도 잊지 마세요. 이런 작은 차이가 실제 서비스 운영에서는 큰 만족도로 이어진답니다.
자주 묻는 질문
Q1. 스트림릿은 유료인가요?
A. 오픈소스 라이브러리라 사용하는 것은 무료입니다. 배포 서비스인 Streamlit Cloud도 공개 저장소의 앱은 무료로 호스팅해줍니다.
Q2. 엑셀 파일도 불러올 수 있나요?
A. 네, 판다스(Pandas)를 이용하면 아주 쉽게 불러올 수 있습니다. st.file_uploader를 쓰면 사용자가 직접 파일을 업로드하게 할 수도 있어요.
Q3. 디자인을 예쁘게 꾸밀 수 있나요?
A. 기본 테마도 깔끔하지만, config.toml 파일을 통해 기본 색상을 변경하거나 st.markdown의 unsafe_allow_html 기능을 써서 커스텀 CSS를 적용할 수 있습니다.
Q4. 배포 후 앱이 너무 느려요.
A. @st.cache_data나 @st.cache_resource 데코레이터를 사용해 데이터를 캐싱해보세요. 똑같은 연산을 매번 반복하지 않아 속도가 획기적으로 개선됩니다.
Q5. 모바일에서도 잘 보이나요?
A. 스트림릿은 기본적으로 반응형 웹입니다. 스마트폰이나 태블릿 화면 크기에 맞춰 레이아웃이 자동으로 조절되니 안심하세요.
Q6. 데이터베이스 연결이 가능한가요?
A. MySQL, PostgreSQL, 심지어 노션(Notion) API까지 연결할 수 있는 공식 커넥터를 지원합니다.
Q7. 여러 페이지를 만들고 싶어요.
A. 프로젝트 폴더 안에 pages라는 하위 폴더를 만들고 파이썬 파일을 넣으면 자동으로 사이드바 메뉴가 생성됩니다.
Q8. 실시간 데이터 업데이트가 되나요?
A. st.empty()와 반복문을 조합하거나, 최신 버전의 자동 새로고침 기능을 활용하면 실시간 모니터링 대시보드 구현이 가능합니다.
지금까지 스트림릿을 활용해 머신러닝 모델을 배포하는 다양한 방법들을 경험에 빗대어 풀어보았습니다. 처음에는 생소하겠지만, 일단 한 번 성공하고 나면 나만의 인공지능 서비스를 만드는 재미에 푹 빠지실 거예요. 제 글이 여러분의 멋진 프로젝트에 조금이나마 도움이 되었기를 진심으로 바랍니다.
세상의 모든 데이터 과학자들이 자신의 가치를 증명하는 그날까지 저 김창수도 계속 공부하며 좋은 정보를 나눌게요. 궁금한 점이 있다면 언제든 편하게 말씀해 주세요. 오늘도 즐거운 코딩 되시길 바랍니다!
일상의 기술을 쉽게 풀어내는 것을 좋아합니다. 파이썬과 데이터 분석에 매료되어 다양한 실험을 즐기고 있습니다.
면책조항: 본 포스팅은 개인적인 경험과 학습을 바탕으로 작성되었습니다. 기술적 환경에 따라 결과가 다를 수 있으니 공식 문서를 함께 참조하시기 바랍니다.
댓글
댓글 쓰기