섹션 7-1: Packaging the AI/ LLM Application (24~27)
📘 강의 내용 요약 (섹션 7: Packaging the AI/LLM Application)
1. FastAPI 기본 이해
- FastAPI는 Python 기반의 현대적이고 고성능의 웹 프레임워크로, API 개발에 널리 사용됨 .
- Python 타입 힌트를 활용해 간결하고 생산성 높은 개발이 가능.
- 주요 HTTP 메서드:
- GET: 서버에서 데이터 조회
- POST: 데이터 생성 및 제출
- PUT: 리소스 업데이트/생성
- DELETE: 리소스 삭제 .
- FastAPI 실행 시, 자동으로 Swagger UI 기반의 문서(/docs) 제공 → API 테스트 및 문서화를 쉽게 수행.
2. AI 애플리케이션 패키징
- 실습에서 OpenAI Assistant API를 FastAPI 애플리케이션에 통합.
- 구성 요소:
- main.py: FastAPI 서버 및 엔드포인트 정의
- config.py: API Key 및 Assistant ID 관리 (코드와 분리 → 보안성 및 유지보수성 향상)
- requirements.txt: 의존성 관리 (openai, fastapi, uvicorn)
- Dockerfile: 컨테이너 환경 구성
- POST /response 엔드포인트:
- 입력(JSON body의 text)을 받아 OpenAI Assistant와 연결
- 스레드(thread) 생성 → 메시지 전달 → 응답(run) 생성 및 결과 반환 .
- 입력 데이터 유효성 검증: Pydantic(BaseModel) 활용 → 잘못된 데이터 타입 방지 .
3. Postman을 활용한 API 테스트
- Postman 확장 프로그램을 이용하여 FastAPI 엔드포인트 테스트 .
- 요청 설정:
- Method: POST
- URL: http://127.0.0.1:80/response
- Body → raw(JSON): { "text": "Who is the hero of the story?" }
- 요청 시 FastAPI → OpenAI API → 응답 반환 확인 가능.
4. 배포를 위한 준비
- requirements.txt 작성 → pip install -r requirements.txt 로 환경 설정 자동화 .
- Dockerfile 작성 → 컨테이너 기반 실행 및 배포 가능.
- FastAPI 서버 실행:
- 개발 환경: uvicorn main:app --reload
- 운영 환경: uvicorn.run(app, host="0.0.0.0", port=80) .
5. 핵심 포인트 (강조)
- FastAPI는 AI 애플리케이션을 API 형태로 제공하기 위한 핵심 프레임워크.
- Config 분리로 보안성과 유연성 확보 (API Key/Assistant ID 등).
- Pydantic으로 입력 데이터 타입 검증 → 안정적인 서비스 운영 보장.
- Postman 활용으로 API 요청/응답 검증 가능.
- requirements.txt + Dockerfile → 재현 가능한 환경과 배포 자동화 기반 마련.
📑 문제 세트: Packaging the AI/LLM Application
🔹 난이도 하 (기본 이해)
문제 1. FastAPI 프레임워크의 주요 특징으로 옳은 것을 모두 고르시오.
ㄱ. Python 타입 힌트를 활용할 수 있다.
ㄴ. 자동으로 Swagger UI 기반 문서를 제공한다.
ㄷ. RESTful API를 만들 수 없다.
ㄹ. 실험용뿐 아니라 운영 환경에서도 활용 가능하다.
① ㄱ, ㄴ
② ㄴ, ㄷ
③ ㄱ, ㄴ, ㄹ
④ ㄱ, ㄷ, ㄹ
✅ 정답: ③
📖 해설: FastAPI는 Python 타입 힌트를 기반으로 동작하며, 자동 문서화(/docs 제공), RESTful API 구축, 운영 환경 활용이 모두 가능하다 .
문제 2. FastAPI에서 가장 흔히 사용하는 HTTP 메서드에 해당하지 않는 것은?
① GET
② POST
③ UPDATE
④ DELETE
✅ 정답: ③
📖 해설: HTTP 메서드는 GET/POST/PUT/DELETE가 일반적이며, UPDATE는 존재하지 않는다 .
🔹 난이도 중 (실습 응용)
문제 3. 강의 실습에서 OpenAI Assistant와 연결할 때 config.py 파일을 만든 이유로 가장 적절한 것은?
① FastAPI 실행 속도를 높이기 위해서
② API Key와 Assistant ID를 코드와 분리해 보안 및 유지보수성을 확보하기 위해
③ requirements.txt를 자동 생성하기 위해
④ Dockerfile 실행을 단순화하기 위해
✅ 정답: ②
📖 해설: API Key 및 Assistant ID를 별도 설정 파일(config.py)로 분리하면 보안성, 유지보수성, 배포 전략(blue-green, shadow deployment)에 유리하다 .
문제 4. FastAPI에서 사용자 입력을 검증하기 위해 사용한 Python 라이브러리는 무엇인가?
① NumPy
② Pydantic
③ Pandas
④ Requests
✅ 정답: ②
📖 해설: 강의에서는 Pydantic의 BaseModel을 상속받아 입력 데이터(text)가 문자열인지 검증했다 .
문제 5. Postman으로 FastAPI의 /response 엔드포인트를 테스트하려고 한다. 올바른 요청 Body(JSON)는 무엇인가?
① { "message": "Hello" }
② { "text": "Who is the hero of the story?" }
③ { "prompt": "Hello" }
④ { "query": "test" }
✅ 정답: ②
📖 해설: /response는 text 필드로 사용자 입력을 받도록 정의되었으며, 이 값이 프롬프트로 전달된다 .
🔹 난이도 상 (심화 이해)
문제 6. 다음 중 requirements.txt에 반드시 포함된 라이브러리가 아닌 것은?
① openai
② fastapi
③ uvicorn
④ scikit-learn
✅ 정답: ④
📖 해설: 실습에서는 openai, fastapi==0.109.0, uvicorn[standard]를 사용했으며, scikit-learn은 포함되지 않았다 .
문제 7. FastAPI + OpenAI Assistant 통합 과정에서 스레드(thread)를 생성하는 이유로 가장 적절한 것은?
① API Key 인증을 단순화하기 위해
② 여러 사용자의 대화 상태를 분리하여 관리하기 위해
③ FastAPI 서버의 속도를 높이기 위해
④ requirements.txt 의존성 설치를 위해
✅ 정답: ②
📖 해설: OpenAI Assistant API에서는 스레드를 통해 대화 맥락을 유지하며 사용자별 세션을 관리한다 .
문제 8. 운영 환경에서 uvicorn main:app --reload 대신 uvicorn.run(app, host="0.0.0.0", port=80)을 사용하는 이유로 옳은 것은?
① reload 기능이 운영 환경에서는 필요하지 않기 때문에
② 보안을 위해 port 80만 허용되기 때문에
③ Windows에서는 --reload 옵션을 사용할 수 없기 때문에
④ Postman과의 호환성을 위해
✅ 정답: ①
📖 해설: 운영 환경에서는 코드가 자동으로 재시작되는 --reload 옵션이 불필요하며, 대신 명시적으로 host와 port를 설정하여 안정적인 실행을 보장한다 .
