Argo Workflows와 SageMaker로 추천 ML 파이프라인 구축기

문제 & 배경: 추천 모델을 바꾸려면 추론 엔드포인트, 유저 임베딩, 아이템 검색 인덱스처럼 서로 다른 AWS 서비스에 흩어진 산출물을 같은 세대로 동시에 교체해야 했고, 중간 실패가 현재 서비스에 영향을 주지 않도록 해야 했습니다.

기술 & 해결책: Argo Workflows가 작업 순서와 검증을 관리하고 SageMaker가 학습·추론을 담당하도록 나눈 뒤, 새 산출물을 별도 세대에 준비하고 모든 검증이 끝나면 ElastiCache의 활성 키 하나만 바꿔 서비스 대상을 일괄 전환했습니다.

교훈 & 주의점: 모든 작업을 다시 실행해도 안전하도록 멱등성을 확보하고, 실제 추론 웜업과 InService 상태를 확인해야 하며, 관리형 서비스가 보장하는 범위와 버전·리소스 이름 규칙을 문서와 운영 환경에서 꼼꼼히 검증해야 합니다.