행동 분류 추론 파이프라인 — E2E 3.3배

문제

센서에서 올라온 6축 IMU raw 신호를 윈도우로 자르고 903개 특징을 추출해 행동을 분류하는 코어 패키지가 있었다. 이게 파이프라인 전체의 병목이었다. 실개체 하루치를 처리하는 데 E2E 65.8초가 걸렸고, 개체 수가 늘수록 재학습·재처리 주기가 그만큼 밀렸다.

문제는 이걸 건드리면 모델 출력이 바뀔 수 있다는 점이었다. 특징 하나의 수치가 미세하게 달라져도 학습된 분류기의 판정이 흔들린다. 속도를 얻자고 결과를 몰래 바꿀 수는 없었다.

한 일

병목의 정체부터 측정했다. 기침 관련 특징 세트 하나가 파이프라인 시간의 48.6%(43.9초)를 먹고 있었다. 피크 주변 윈도우 약 1만 개를 per-row 파이썬 루프로 돌리고 있었다.

• 그 특징 세트를 선별적으로 벡터화했다. 63개 중 61개를 NumPy 배치 연산으로 바꾸고 2개(엔트로피 계열)는 per-row로 남겼다 — 전부 바꾸는 게 목표가 아니라 이득이 있는 곳만 바꾸는 게 목표였다. 이 구간만 43.9초 → 4.5초(9.8×).
• 외부 라이브러리(tsfresh) 호출 6개를 NumPy 재구현으로 대체했다. 해당 구간이 37% 빨라졌고 의존성 하나가 빠졌다.
• 교체할 때마다 새 배치 함수와 기존 per-row 함수를 수치로 대조했다(오차 1e-6 이내, 단위 테스트 36개).
• 모델 로딩을 로컬 파일 폴백 구조에서 레지스트리 단일 경로로 정리했다. 어떤 모델이 실제로 서빙되고 있는지 추적 가능해졌다.
• 입력 검증 게이트를 추가하고, 동작을 바꾸지 않는 범위에서 코드 중복을 제거했다.

결과

속도를 얻자고 결과를 몰래 바꿀 수는 없었다. 교체마다 수치를 대조하고, 달라진 값은 숨기지 않고 기록했다.

이전

131

이후

433

이전

65.8

이후

19.9

실개체 24시간 raw 216만 행 / 8,640 윈도우 기준. 전체 테스트 208 passed / 0 failed. 특징 값은 모두 오차 1e-6 이내로 일치했지만, 그 미세한 차이가 경계값에 걸려 기침 통계 하나가 53 → 40으로 바뀌었다. 이건 숨기지 않고 변경 기록에 남겼다.