S(*). Architect

학습 목표메트릭·로그가 AIOps에서 서로 다른 intelligence 역할을 한다는 점을 설명할 수 있다.log classification으로 노이즈·카테고리·심각도를 구조화할 수 있다.metric correlation·lag로 연관 지표·선행 신호를 찾을 수 있다.embedding search로 유사 로그·incident 검색 패턴을 설명할 수 있다.intelligence 출력이 detect·correlate 단계로 어떻게 넘어가는지 연결할 수 있다.문제 상황Loki 수백만 줄/분 — grep ERROR만으로는 원인·우선순위 없음NullPointerException과 connection reset이 같은 severity로 pagelatency alert 때 어느 메트릭부터 볼지 모름 — CPU·DB·..

학습 목표point·contextual·collective 이상을 구분하고 메트릭에 맞출 수 있다.rolling baseline·z-score·MAD로 단변량 이상탐지를 구성할 수 있다.seasonality를 분해해 요일·시간 패턴의 false positive를 줄일 수 있다.isolation forest로 다변량·unsupervised 이상탐지를 설명할 수 있다.score → threshold → alert 연결과 precision·recall 트레이드오프를 판단할 수 있다.문제 상황cpu > 80% static rule — 매일 점심 피크에 false positive, on-call 무시 습관야간 배치 시간 정상 스파이크를 매번 page — contextual 개념 없음error rate가 천천히 상..

학습 목표빅데이터 파이프라인과 머신러닝·알고리즘이 하나의 시리즈에서 어떻게 이어지는지 설명할 수 있다.source → ingest → process → feature → train → infer 흐름을 그릴 수 있다.Database·Architecture·ELK·AIOpsMLOps와 본 시리즈의 역할 분리를 설명할 수 있다.Kafka·Spark·lakehouse·sklearn·PyTorch 등 키워드가 로드맵 어느 Part에 있는지 짚을 수 있다.25편 로드맵을 보고 학습 순서를 잡을 수 있다.문제 상황일일 수억 행 이벤트 — PostgreSQL INSERT만으로는 배치 분석·재처리가 버거움CDC로 Kafka에 넣었는데 consumer lag 폭증 — partition·group 설계를 모름Spark j..