MLOps 플랫폼
VARA Flow
AI 모델을 만들고, 승인받아 올리고, 운영 중 지켜보는 일을 한곳에서 — 공공기관 구축형
VARA Flow 는 AI 모델의 학습 데이터·실험·모델 버전·운영 승인·운영 감시·영향평가를 한곳에서 관리하는 MLOps 플랫폼입니다. 학습 코드는 MLflow 공식 클라이언트를 그대로 쓰고, 운영 투입은 평가 기준과 다른 사람의 승인을 거쳐야만 됩니다. 전자정부 표준프레임워크 5.0 위에서 동작해 기관 자체 서버에 설치해 씁니다.
- 행안부 AI 윤리기준 68항목
- MLflow 호환
- ISO/IEC 5338 · 42001 대응
- 전자정부 표준프레임워크 5.0
- 구축형 · 내부망 설치
- MariaDB · PostgreSQL
FOR
이런 기관에 맞습니다
- AI 과제를 시작했지만 어떤 데이터로 학습했고, 누가 승인했고, 어떤 버전이 운영 중인지 기록이 흩어져 있다
- 법 시행·감사에 대비해 AI 영향평가와 위험관리, AI 생성물 표시를 증빙해야 한다
- 운영에 올린 모델의 성능이 떨어지거나 입력 데이터가 바뀌어도 알아챌 방법이 없다
- AI 서비스가 주민번호·전화번호 같은 개인정보를 내보내지 않는지 확인해야 한다
- 이미 MLflow 를 쓰지만 승인 절차와 운영 감시가 없어 운영 전환을 망설인다
- 외부 클라우드 MLOps 서비스를 쓸 수 없는 내부망이라 설치형 제품이 필요하다
WHY
핵심 특징
- 01
학습 코드는 그대로
MLflow 와 호환됩니다. 학습 서버에서 주소와 토큰 환경 변수 두 개만 바꾸면 실험·지표·결과물·모델 등록이 VARA Flow 에 쌓입니다. 공식 MLflow 파이썬 클라이언트 2.x·3.x 로 시험했습니다.
- 02
운영 투입은 우회할 수 없음
모델마다 정한 평가 게이트(성능 기준·영향평가 승인·학습 데이터 승인·모델 카드)를 통과해야 승격 요청이 검토자에게 가고, 승인할 때 한 번 더 확인합니다. 요청한 사람은 자기 요청을 승인할 수 없고, 학습 코드에서 바로 운영으로 바꾸려 해도 거부하고 승인 요청을 만듭니다.
- 03
운영 중에도 지켜봄
입력 데이터 변화(PSI·평균 이동), 정확도 저하, 응답 시간, 개인정보 출력을 감시합니다. 출력에 주민번호·전화·카드 번호가 있으면 가려서 저장하고 경보를 냅니다.
- 04
경보는 장애 처리로
감시 경보를 메일과 VARA ITSM 장애 이벤트로 보냅니다. 같은 경보는 한 건으로 묶고, 해소되면 ITSM 쪽도 함께 정리됩니다.
PUBLIC STANDARD
행정안전부 고시 · 표준운영절차 대응
행정안전부 「공공부문 인공지능 윤리기준」(2026년 10월)의 세부 자율점검 68항목을 원문 그대로 넣었고, 행안부 「공공부문 AI 도입·활용 가이드」의 운영 단계 요구와 「인공지능 및 데이터 기반 행정 활성화에 관한 법률」의 영향평가·위험관리, 인공지능기본법의 생성형 AI 표시를 업무 절차로 만들었습니다.
윤리기준 자율점검 68항목
번호·6대 가치·세부 항목·점검 질문을 원문 그대로 씁니다. AI 활용 단계를 고르면 1단계 27항목, 2단계 57항목, 3단계 68항목이 누적으로 나오고, 가치별 이행률과 조치 계획을 Excel·PDF 보고서로 냅니다.
도입 전 영향평가와 승인
과제마다 영향평가를 작성하고 위험 수준과 조치 계획을 남깁니다. 작성한 사람이 아닌 검토자가 승인합니다. 모델의 평가 게이트에 「영향평가 승인」을 넣으면, 승인된 영향평가 없이는 운영으로 올릴 수 없습니다.
운영 단계 감시
AI 도입·활용 가이드가 운영 단계에서 요구하는 성능 저하, 입력 데이터 변화, 민감정보 출력 시도 감시와 사용 기록 추적을 기능으로 넣었습니다.
위험 등록부·AI 사고
운영 중 위험을 가능성 × 영향으로 등록해 대응·담당·기한을 관리하고, 오작동·차별·개인정보 노출 같은 AI 사고를 경보와 연결해 조치까지 기록합니다.
생성형 AI 결과물 표시
모델 카드에 AI 생성물 표시 정책을 적습니다. 생성형 과제는 표시 정책이 비어 있으면 모델 카드 게이트를 통과하지 못합니다.
국제 표준 구조
ISO/IEC 5338(AI 시스템 수명주기)의 데이터·구현·검증·형상관리·전환·지속 검증 프로세스와 ISO/IEC 42001(AI 관리체계)의 영향평가·수명주기·데이터 통제 영역에 맞춰 기능을 나눴습니다.
윤리기준 68항목과 단계별 항목 수는 원문과 대조했습니다. 요구사항마다 근거 지침·법·표준과 기능을 짝지은 대응표를 제품 문서로 드립니다. 인증을 받은 제품이 아니며, 표준 「대응」은 구조와 기능을 맞췄다는 뜻입니다.
SCREENS
화면 둘러보기
데이터 과학자는 학습 코드에서 기록하고, 검토자는 승인함에서 승인하고, 운영 담당자는 감시 화면을 봅니다. 화면을 누르면 크게 볼 수 있습니다. 화면의 과제·모델·수치는 시연용 예시 데이터입니다.
모델 등록부 — 버전 단계·평가 게이트·승격 이력 (예시 데이터) 모델 버전 — 게이트 판정, 학습 데이터까지 이어지는 계보 (예시 데이터) 승인함 — 직무 분리 승인, 반려 사유 기록 (예시 데이터) 운영 감시 — 입력 데이터 변화(PSI) 경보 (예시 데이터) 운영 감시 — 정확도·응답 시간 (예시 데이터) AI 영향평가 — 윤리기준 자율점검 68항목 (예시 데이터) 실험 비교 — 파라미터·지표 나란히 보기 (예시 데이터) 데이터셋 — 출처·동의 근거·보안 등급·승인 (예시 데이터) MLflow 연결 안내 — 환경 변수 두 개로 연결
FEATURES
주요 기능
데이터셋
- 버전별 파일 목록·크기·SHA-256 해시(매니페스트) — 파일은 기관 저장소에 둔 채 변경 여부 확인
- 출처·라이선스 기록, 개인정보가 있으면 처리 근거(동의·법령) 필수
- 데이터 보안 등급(기밀·민감·공개)
- 제출 → 다른 사람 승인·반려(사유), 학습 실행과 데이터셋 버전 연결
실험 추적 (MLflow 호환)
- 실험·실행·하이퍼파라미터·지표(단계별)·결과물 기록
- MLflow REST 2.0 호환 — 공식 클라이언트 그대로
- 실행 비교 화면, 지표 추이 그래프
- 기록한 파라미터는 바꿀 수 없음, 삭제는 표시만(재현성)
모델 등록부·평가 게이트·승인
- 모델 버전과 단계: 개발 → 검증 → 운영 → 보관
- 모델 카드(용도·한계·데이터·평가·AI 생성물 표시)
- 평가 게이트: 지표 기준·영향평가 승인·데이터 승인·모델 카드
- 승격 요청 → 다른 사람 승인, 운영 → 실행 → 학습 데이터 계보
배포 연동
- 배포 대상(개발·검증·운영)과 배포·되돌리기 이력
- 운영 대상에는 승인된 운영 버전만
- 승인된 배포·되돌리기·재학습 요청을 기관의 Jenkins·스크립트에 서명된 웹훅으로 전달, 결과 회신
- 재학습은 사유를 적고 승인을 거침
운영 감시·경보
- 추론 서버가 보내는 예측 기록(요청 번호·입력·출력·모델 버전·시간)
- 입력 데이터 변화 PSI·평균 이동, 항목별 그래프
- 정확도 저하, p95 응답 시간
- 민감정보 출력(주민번호·전화·카드·이메일·금칙어) 감지·가림
- 경보 확인·해소, 메일·VARA ITSM 이벤트
거버넌스
- AI 영향평가 — 윤리기준 68항목, 단계별 누적, 가치별 이행률, Excel·PDF
- 위험 등록부(가능성 × 영향), AI 사고 기록
- MLOps 성숙도 자가진단(Google 0~2 · Microsoft 0~4)
- 감사 기록 — 승인·배포·설정 변경 누가·언제·무엇을
SECURITY
보안 · 개인정보
- 인증
- 비밀번호 10자 이상·4종 중 3종, 5회 실패 시 10분 잠금, 첫 로그인(임시 비밀번호) 때 비밀번호 변경
- 역할과 직무 분리
- 관리자·검토자·개발자·조회자 4개 역할. 데이터셋·승격·배포·영향평가 모두 요청한 사람은 승인할 수 없음
- 기관 분리
- 모든 업무 자료를 기관(테넌트)별로 나누고, 결과물 파일도 기관 폴더로 나눔
- API 토큰
- 학습·추론 서버용 토큰은 해시만 저장하고 만들 때 한 번만 보여 줌, 만료·폐기
- 비밀값
- ITSM 토큰·배포 웹훅 비밀값은 AES-256-GCM 으로 암호화해 저장, 화면·API 로 내보내지 않음
- 세션·감사
- HttpOnly 세션 쿠키, CSRF 토큰 확인. 승인·배포·설정 변경을 감사 기록으로 남김
INTEGRATION
연동
MLflow 클라이언트
학습 코드의 mlflow 기록·모델 등록 — 환경 변수 두 개로 연결
예측 기록 API
추론 서버가 입력·출력·정답을 보냄, 파이썬 도우미 제공
배포 실행기
Jenkins·Argo·스크립트에 HMAC 서명 웹훅, 결과 회신
VARA ITSM
감시 경보를 장애 이벤트로 — 같은 경보는 한 건, 해소 시 정리
메일
기관 SMTP 서버로 경보 메일
SPEC
지원 환경
| 운영체제 | Linux x86_64 (RHEL·Rocky·Ubuntu 등) |
|---|---|
| Java | JDK 17 이상 (21 권장) |
| DB | MariaDB 10.6 이상, PostgreSQL 14 이상 |
| 기반 | 전자정부 표준프레임워크 5.0 실행환경, Spring Boot 3.5, React |
| 웹 서버 | Apache · Nginx 등에서 HTTPS 를 받아 넘김 |
| 권장 사양 | 가상 서버 1대 4 vCPU · 메모리 8GB 이상 + 결과물 저장 공간 |
| 학습 코드 | MLflow 파이썬 클라이언트 2.x · 3.x |
| 브라우저 | 최신 Chrome · Edge · Safari · Firefox, 휴대폰 화면 |
DELIVERY
제공 형태
실행 jar + systemd
화면을 포함한 실행 파일 하나와 시스템 서비스 설정, 배포·백업 절차
웹 서버 설정
Apache 역방향 프록시·HTTPS 설정 예
사용권
- · 사용권은 설치본 수와 기관 수를 기준으로 정합니다.
- · 제품은 회사나 외부로 데이터를 보내지 않습니다. 학습 데이터 파일은 기관 저장소에 그대로 두고 목록과 해시만 관리합니다.
- · 도입 전에 평가 기간을 정해 기관 서버에서 직접 써 볼 수 있습니다.
PROCESS
도입 절차
- 01
상담·데모
진행 중인 AI 과제와 학습·운영 방식을 듣고, 실제 화면으로 보여 드립니다.
- 02
평가 설치
기관 서버에 설치하고, 시범 모델 하나의 학습 코드를 연결해 직접 확인합니다.
- 03
연동·구성
학습 서버 MLflow 연결, 추론 서버 예측 기록, 배포 웹훅, VARA ITSM·메일 경보, 평가 기준과 권한을 맞춥니다. 시범 모델 하나 기준 2~4주.
- 04
운영 지원
영향평가·감시 운영을 함께 점검하고, 지침·법 개정을 업데이트로 반영합니다.
제품 문서
도입 검토·납품에 필요한 문서를 함께 드립니다. 문의 주시면 보내 드립니다.
- 제품 설명서
- 사용자 설명서
- 운영자 설명서
- 설치 설명서
- 보안 설명서
- 연동 설명서
- 요구사항·근거 대응표
- 윤리기준 자율점검 대응표
- 설계서
- 시험 결과서
- 오픈소스 고지
- 릴리스 노트
알려 드릴 점
제품과 설명이 다르지 않도록, 현재 범위를 밝힙니다.
- 모델 서빙
- 추론 서버를 실행하지 않음 — 기관 추론 서버가 예측 기록을 보내는 방식
- 파이프라인 실행
- 학습 파이프라인을 직접 돌리지 않음 — 배포·재학습은 기관 실행기(Jenkins 등)에 웹훅으로 넘김
- GPU · Kubernetes
- 자원 관리·연동 없음
- MLflow 3 모델 기록
- MLflow 3 의 log_model(LoggedModel) 은 아직 지원하지 않음 — 결과물 올리기·모델 등록으로 기록
- 결과물 저장소
- 서버 파일 저장소 (S3 호환 저장소 미지원)
- 로그인
- 아이디·비밀번호 (SSO 미지원), 화면 언어 한국어
VARA Flow 도입을 검토 중이신가요?
지금 쓰는 방식과 환경을 알려 주시면 화면으로 보여 드리고, 평가판 설치까지 도와드립니다.