AI 우선 분석을 위한 DuckDB 확장

EPL과 유튜브 데이터로 배우는 DuckDB

LUVIT♥ EPL과 유튜브 데이터로 배우는 DuckDB | LUVIT(러빗) 시리즈 | 이기준

 

ML 중심 팀이 무거운 인프라 없이 초고속의 확장 가능한 데이터 처리를 위해 DuckDB를 활용하는 방법.

AI는 모델만으로는 충분하지 않다

머신러닝은 단순히 알고리즘에 관한 것이 아닙니다.

올바른 데이터를 알고리즘에 공급하고, 실험이 끊기지 않을 만큼 빠르게 처리하는 것이 중요합니다.

AI 시대에 병목은 학습용 연산 자원이 아닌 경우가 많습니다. 실제 병목은 데이터 로딩, 변환, 탐색 과정입니다.

이때 등장하는 것이 DuckDB입니다. DuckDB는 가볍고 프로세스 내부에서 실행되는 분석 엔진으로, AI 중심 팀들의 데이터 백본으로 조용히 자리 잡고 있습니다.

DuckDB가 AI/ML 워크플로우에 적합한 이유

인프로세스(In-Process) 구조 = 인프라 대기 시간 없음

많은 AI 팀에서는 데이터셋을 한 번 수정하고 실험할 때마다 다음과 같은 대기 시간을 겪습니다.

• 클라우드 데이터 웨어하우스 쿼리
• 느린 Python DataFrame 처리
• 과부하된 공유 클러스터

DuckDB는 이러한 문제를 해결합니다. Python 코드와 동일한 프로세스 내에서 SQL을 실행하며, 로컬 또는 원격 파일을 직접 읽습니다. 클러스터를 시작할 필요도 없고 네트워크 홉도 발생하지 않습니다.

모델 학습에 최적화된 컬럼 기반 성능

DuckDB의 컬럼형 저장 구조는 분석 워크로드를 위해 설계되었습니다. 특히 특징(Feature)을 생성하는 과정에 매우 적합합니다.

• 모델에 필요한 컬럼만 읽습니다.
• 불필요한 데이터 스캔을 건너뜁니다.
• 디스크에서 메모리로의 전송 속도를 높이기 위해 데이터를 압축합니다.

머신러닝 관점에서 이는 더 빠른 특징 선택, 집계, 필터링을 의미하며 불필요한 자원 낭비를 줄여줍니다.

확장성에 대한 오해 — 정말 클러스터가 필요할까?

AI 엔지니어가 "확장성(Scale)"을 들으면 흔히 분산 시스템을 떠올립니다. 하지만 모든 확장이 클러스터를 의미하는 것은 아닙니다.

학습 및 평가 단계에서 흔히 사용하는 10GB~500GB 규모의 데이터셋에서는 DuckDB와 같은 효율적인 엔진을 활용한 수직 확장(Vertical Scaling)이 거대한 클러스터보다 속도와 비용 측면에서 더 우수할 수 있습니다.

DuckDB를 활용한 실제 머신러닝 사례

한 금융사기 탐지 팀이 S3에 저장된 180GB 규모의 거래 데이터를 이용해 모델을 구축해야 한다고 가정해 보겠습니다.

DuckDB 도입 전

BigQuery에서 집계 데이터를 추출하고 CSV로 다운로드한 뒤 Pandas에서 특징 엔지니어링을 수행했습니다.

이 과정은 수 시간이 걸렸습니다.

DuckDB 도입 후

S3의 Parquet 파일을 직접 조회하고, 집계를 수행한 뒤 Pandas DataFrame으로 변환하여 최종 전처리를 진행합니다.

전체 작업이 수 분 내에 완료됩니다.

import duckdb
import pandas as pd

df = duckdb.sql("""
    SELECT customer_id,
           AVG(transaction_amount) AS avg_amount,
           COUNT(*) AS txn_count,
           MAX(transaction_date) AS last_txn
    FROM 's3://fraud-data/*.parquet'
    WHERE transaction_date >= '2024-01-01'
    GROUP BY customer_id
""").to_df()

# 머신러닝 파이프라인에 바로 연결
model.fit(df[features], df[target])

이 방식은 여러 도구를 사용하는 복잡한 파이프라인을 하나의 인프로세스 쿼리 단계로 단순화합니다.

DuckDB가 AI 개발 수명주기를 가속하는 방법

1. 더 빠른 특징 엔지니어링

컬럼 기반 쿼리를 통해 이동 평균 계산, 데이터셋 조인, 시차(lag) 특징 생성 등을 몇 초 안에 수행할 수 있습니다.

2. 실험 비용 절감

특징 조합을 반복적으로 실험할 때 클라우드 데이터 웨어하우스의 쿼리 비용을 지불할 필요가 없습니다.

3. Python 머신러닝 생태계와의 통합

DuckDB는 Pandas, Polars, PyTorch DataLoader와 자연스럽게 연동됩니다.

4. 확장 전 로컬 프로토타이핑

분산 환경으로 이전하기 전에 DuckDB를 활용해 로컬에서 특징을 검증하고 모델을 실험할 수 있습니다.

AI 팀을 위한 DuckDB 확장 전략

저장 포맷 최적화

Parquet이나 Arrow와 같은 컬럼형 포맷을 사용하면 I/O를 최소화할 수 있습니다.

DuckDB는 별도의 적재 과정 없이 이러한 파일을 직접 조회할 수 있습니다.

연산을 DuckDB로 밀어넣기

모든 데이터를 Python으로 가져온 뒤 필터링하지 말고, 필터링·조인·집계를 DuckDB SQL 엔진에서 수행하는 것이 좋습니다.

duckdb.sql("""
    SELECT *
    FROM data
    WHERE label = 'positive'
      AND feature_value > 0.75
""")

이렇게 하면 메모리 사용량을 줄이고 처리 속도를 높일 수 있습니다.

증분 처리를 위한 데이터 파티셔닝

대규모 AI 파이프라인에서는 데이터를 시간 단위로 파티셔닝하고, 모델 실행에 필요한 파티션만 조회하는 것이 효율적입니다.

하이브리드 워크플로우 — DuckDB와 클라우드 AI 플랫폼

많은 AI 중심 조직은 다음과 같은 하이브리드 전략을 사용합니다.

• 원본 데이터는 데이터 레이크 또는 데이터 웨어하우스에 저장
• DuckDB를 사용해 로컬에서 특징 엔지니어링 수행
• 정제된 데이터를 GPU 기반 학습 환경으로 전달

이 접근법은 특징 생성은 개발자 가까이에서, 모델 학습은 GPU 가까이에서 수행하게 하여 전체 파이프라인 속도를 극대화합니다.

엣지 AI에서의 활용 사례

소매 키오스크, 드론, IoT 센서와 같은 엣지 환경에 머신러닝 모델을 배포하는 조직에서는 DuckDB가 특히 유용합니다.

• 작은 설치 용량으로 임베디드 시스템에 적합합니다.
• 네트워크 연결에 의존하지 않고 로컬에서 데이터를 조회할 수 있습니다.
• 추론 전에 장치 내에서 실시간 특징 계산이 가능합니다.

AI 시대에 이것이 중요한 이유

AI 도입은 빠르게 확산되고 있습니다.

하지만 데이터 파이프라인이 이를 따라가지 못한다면 모델은 항상 비즈니스 요구사항보다 뒤처질 수밖에 없습니다.

DuckDB는 다음과 같은 장점을 제공합니다.

• 성능: 컬럼형 저장과 벡터화 실행을 통한 빠른 분석
• 단순성: 관리해야 할 서버가 없음
• 유연성: 로컬 및 원격 데이터 모두 지원
• 확장성: 단일 머신에서 수억 행 규모의 데이터 처리 가능

결론: 더 빠른 모델을 위한 더 빠른 데이터

AI에서 성공하는 팀은 최고의 모델을 가진 팀만이 아닙니다.

가장 빠르게 프로덕션 환경에 도달하는 팀이 승리합니다.

DuckDB는 AI 중심 조직이 인프라를 확장하지 않고도 분석 성능을 확장할 수 있도록 지원합니다. 이는 클러스터를 기다리는 방식에서 벗어나 모든 작업을 인프로세스 환경에서 수행하는 조용하지만 강력한 변화입니다.

다음 머신러닝 프로젝트에서 특징 생성 파이프라인이 병목이라면 DuckDB를 시도해 보시기 바랍니다. 모델 코드를 수정하지 않고도 수 시간의 작업 시간을 수 분으로 단축할 수 있을지도 모릅니다.

 

<출처: https://medium.com/@connect.hashblock/scaling-duckdb-for-ai-first-analytics-6987b925fa07>