ML 기반 시스템을 위한 요구사항 중심 애자일 관리 접근법

초록

본 논문은 데이터 의존성과 실험적 특성을 갖는 머신러닝(ML) 기반 시스템 개발에 맞춤형 요구사항 정의와 애자일 관리 기법을 결합한 RefineML 접근법을 제시한다. PerSpecML을 통한 다차원 요구사항 명세, Agile4MLS 기반 스프린트 설계, Lean R&D의 초기 검증 단계, 최소 실행 가능한 모델(MVM)과 단계적 모델 완성도(Layer of Done) 개념을 통합한다. 브라질 사이버보안 기업 EXA와의 산학협력 프로젝트에 적용한 결과, 이해관계자 간 커뮤니케이션 개선, 조기 타당성 평가, ML·소프트웨어 작업의 이중 트랙 관리가 가능함을 확인했다. 다만, ML 특성을 요구사항으로 전환하고 작업량을 추정하는 데는 여전히 어려움이 남는다.

상세 분석

RefineML은 기존 RE와 애자일 방법론이 ML 프로젝트에 직면한 데이터 품질, 실험 반복성, 모델 불확실성 등을 충분히 다루지 못한다는 문제의식에서 출발한다. 핵심은 PerSpecML을 활용해 ‘시스템 목표’, ‘사용자 경험’, ‘인프라’, ‘모델’, ‘데이터’ 다섯 가지 관점에서 60여 개의 공통 요구사항을 구조화하고, 이를 초기 명세 단계에서 PO와 도메인 전문가가 공동 작성하도록 설계했다. 이렇게 도출된 요구사항은 Agile4MLS가 제안하는 Data Story와 Model Story 형태의 백로그 아이템으로 전환돼, 스프린트 계획 시 ML‑집중 작업과 일반 소프트웨어 작업을 명확히 구분한다. 특히 두 스프린트 앞서 진행되는 ‘두 스프린트 앞서 원칙’은 모델 개발이 아직 불안정한 단계에서도 Demo API를 통해 소프트웨어 팀이 독립적으로 개발을 지속하도록 지원한다.

Lean R&D의 ‘빠른 실패’ 체크포인트와 MVM 개념을 결합해 초기 모델을 최소 실행 가능한 형태로 배포함으로써 비즈니스 가치를 조기에 검증한다. 모델 성숙도는 Layer of Done(LoD)이라는 단계적 기준으로 관리되며, 각 LoD는 정량적 평가 지표와 수용 기준을 명시한다. 이는 모델 버전 관리와 이해관계자 커뮤니케이션을 투명하게 만들고, 향후 모델 개선 로드맵을 체계화한다.

평가 방법으로는 TAM 기반 설문을 통해 사용자의 인지된 유용성, 사용 의도 등을 정량화하고, 비즈니스 오너와 프로젝트 리드에 대한 반구조화 인터뷰를 진행했다. 설문 결과는 전반적으로 높은 유용성 점수와 지속 사용 의도를 보였으며, 인터뷰에서는 커뮤니케이션 향상, 조기 타당성 평가, 이중 트랙 거버넌스가 가장 큰 장점으로 언급되었다. 반면, ML 특유의 요구사항을 구체적인 애자일 작업으로 전환하는 과정에서 요구사항 분해의 복잡성, 작업량 추정의 불확실성이 지속적인 장애 요인으로 지적되었다.

이러한 결과는 RefineML이 ML‑기반 시스템 개발에 필요한 RE와 애자일 관리의 통합 프레임워크를 제공함을 시사한다. 특히 요구사항 중심의 초기 설계와 모델 단계별 검증 메커니즘이 프로젝트 리스크를 감소시키고, 비즈니스 가치 전달 속도를 높이는 데 기여한다. 그러나 모델 학습 비용, 데이터 라벨링 작업 등 고비용·고불확실성 활동을 애자일 스프린트에 정확히 매핑하는 방법론적 보완이 필요하다.