Microsoft AI-300 시험 노트개념 정리16 MIN
GitHub Actions 연동과 Git 소스 제어
AI-300 첫 도메인의 마지막 하위 절입니다. OIDC 페더레이션으로 GitHub Actions를 Azure에 잇는 법, 워크플로로 리소스를 배포하는 법, 비밀과 환경 보호 규칙, 브랜치·풀 요청과 컴퓨팅 인스턴스의 Git을 정리합니다.
지난 노트에서 작업 영역을 Bicep 템플릿과 CLI 명령으로 세웠습니다. 그 명령을 사람이 노트북에서 돌리면 누가 언제 무엇을 바꿨는지가 남지 않습니다. 이 노트는 그 명령을 저장소에 두고 GitHub Actions가 돌리게 하는 자리입니다. GitHub Actions는 저장소에 푸시하거나 풀 요청을 열 때 정해 둔 작업을 GitHub의 실행기에서 자동으로 돌리는 기능이고, 그 작업의 차례를 적은 YAML 파일을 워크플로라고 부릅니다.
Azure 인증
서비스 주체와 비밀
워크플로가 Azure에서 무엇을 하려면 Azure가 그 워크플로를 누군가로 알아봐야 합니다. 사람이 아닌 프로그램에 주는 Microsoft Entra ID의 신원이 서비스 주체(service principal)이고, 앱 등록을 하나 만들면 그 앱의 서비스 주체가 테넌트에 생깁니다. 오래된 방식은 이 서비스 주체에 클라이언트 비밀을 만들고, 그 값을 JSON 한 덩어리로 GitHub 비밀에 넣어 로그인하는 것입니다.
이 방식의 약점은 비밀이 오래 사는 문자열이라는 점입니다. 만료가 오면 누군가 갈아 끼워야 하고, 저장소 밖으로 새면 만료일까지 누구나 그 서비스 주체로 행동할 수 있습니다.
OIDC 페더레이션
OIDC 페더레이션은 비밀을 아예 두지 않는 방식입니다. 워크플로가 돌 때 GitHub가 그 실행에 짧게 사는 토큰을 발급하고, Entra ID는 미리 등록해 둔 페더레이션 자격 증명과 그 토큰을 대조해 맞으면 Azure 액세스 토큰으로 바꿔 줍니다. 페더레이션 자격 증명은 앱 등록이나 사용자 할당 관리 ID에 붙이고, 세 값으로 「어느 저장소의 어느 실행을 믿는가」를 정합니다.
| 항목 | 값 |
|---|---|
| 발급자(issuer) | https://token.actions.githubusercontent.com |
| 대상(audience) | api://AzureADTokenExchange |
| 주체(subject) | repo:contoso/churn-ml:ref:refs/heads/main 또는 repo:contoso/churn-ml:environment:prod |
주체가 핵심입니다. ref:refs/heads/main으로 적으면 main 브랜치에서 돈 실행만 들어오고, environment:prod로 적으면 prod 환경에 묶인 작업만 들어옵니다. 포크나 다른 브랜치에서 돈 워크플로는 주체가 달라 토큰 교환이 거부됩니다.
permissions:
id-token: write
contents: read
steps:
- uses: actions/checkout@v4
- uses: azure/login@v2
with:
client-id: ${{ secrets.AZURE_CLIENT_ID }}
tenant-id: ${{ secrets.AZURE_TENANT_ID }}
subscription-id: ${{ secrets.AZURE_SUBSCRIPTION_ID }}
id-token: write 권한이 빠지면 GitHub가 토큰을 발급하지 않아 로그인 단계가 실패합니다. 여기 넣은 세 값은 식별자일 뿐 비밀이 아니지만, 저장소 설정에 모아 두려고 비밀 칸을 씁니다. 로그인한 신원에는 지난 노트의 역할 배정이 그대로 적용되므로, 배포 워크플로라면 그 리소스 그룹에 기여자, 작업만 제출한다면 작업 영역에 AzureML Data Scientist 정도로 좁힙니다.
프로비저닝 워크플로
트리거와 작업
워크플로 파일은 .github/workflows/ 아래에 둡니다. on:이 언제 도는지를, jobs:가 무엇을 하는지를 정합니다. 인프라 템플릿이 바뀐 풀 요청에서는 변경 미리 보기만, main에 병합되면 실제 배포를 돌리는 구성이 흔한 모양입니다.
name: deploy-infra
on:
pull_request:
paths: ['infra/**']
push:
branches: [main]
paths: ['infra/**']
jobs:
deploy:
runs-on: ubuntu-latest
environment: prod
permissions:
id-token: write
contents: read
steps:
- uses: actions/checkout@v4
- uses: azure/login@v2
with:
client-id: ${{ secrets.AZURE_CLIENT_ID }}
tenant-id: ${{ secrets.AZURE_TENANT_ID }}
subscription-id: ${{ secrets.AZURE_SUBSCRIPTION_ID }}
- name: what-if
if: github.event_name == 'pull_request'
run: az deployment group what-if -g rg-churn-prod -f infra/main.bicep -p infra/main.prod.bicepparam
- name: deploy
if: github.event_name == 'push'
run: az deployment group create -g rg-churn-prod -f infra/main.bicep -p infra/main.prod.bicepparam
paths 필터가 있어 학습 코드만 바뀐 커밋에서는 인프라 배포가 돌지 않습니다.
작업 영역 명령
같은 방식으로 작업 영역 안의 자원도 다룹니다. 실행기에 ml 확장을 더한 뒤 az ml 명령을 돌리면 됩니다.
az extension add --name ml --yes
az ml compute create --file compute/cpu-cluster.yml \
--resource-group rg-churn-prod --workspace-name mlw-churn-prod
az ml job create --file jobs/train.yml \
--resource-group rg-churn-prod --workspace-name mlw-churn-prod --stream
--stream은 작업이 끝날 때까지 로그를 이어 받으면서 기다리게 하는 옵션입니다. 작업이 실패하면 명령이 0이 아닌 값으로 끝나 워크플로도 실패로 표시되므로, 학습이 깨진 커밋이 초록으로 지나가지 않습니다. 이 하위 절은 학습 가이드에서 「MLOps 인프라 설계·구현」 도메인(15–20%)에 들고, 인증 방식과 워크플로 구성 요소를 요구 조건에 맞춰 고르는 꼴로 물을 수 있습니다.
비밀과 환경
워크플로 비밀
GitHub 비밀은 저장소 설정에 암호화해 넣어 두고 워크플로에서 ${{ secrets.이름 }}으로 꺼내 쓰는 값입니다. 로그에 찍히면 GitHub가 ***로 가립니다. 비밀은 놓이는 범위가 셋입니다.
| 범위 | 누가 읽나 | 쓰는 자리 |
|---|---|---|
| 조직 | 조직이 고른 저장소들 | 여러 저장소가 같이 쓰는 값 |
| 저장소 | 그 저장소의 모든 워크플로 | 환경을 안 타는 값 |
| 환경 | 그 환경을 지정한 작업만 | 운영 구독 ID처럼 환경마다 다른 값 |
환경 비밀과 저장소 비밀의 이름이 같으면 환경 쪽이 이깁니다. 그래서 개발·운영 작업에 같은 이름 AZURE_SUBSCRIPTION_ID를 두고 환경마다 다른 값을 넣을 수 있습니다.
환경 보호 규칙
GitHub의 환경은 배포 대상을 이름으로 묶고 그 앞에 관문을 세우는 설정입니다. 작업에 environment: prod를 적으면 그 작업은 prod 환경의 비밀만 읽고, prod에 걸린 보호 규칙을 통과해야 시작합니다.
- 필수 검토자: 지정한 사람이 승인해야 작업이 돈다
- 대기 타이머: 작업이 시작되기 전에 정한 시간만큼 기다린다
- 배포 브랜치 제한: 정한 브랜치에서만 그 환경에 배포할 수 있다
앞 절의 페더레이션 주체를 environment:prod로 적어 두면 두 장치가 맞물립니다. 검토자가 승인하지 않은 작업은 prod 환경에 들어가지 못하고, prod 환경이 아닌 작업은 운영 서비스 주체의 토큰을 받지 못합니다.
Git 소스 제어
브랜치와 풀 요청
머신러닝 프로젝트도 코드 저장소의 규칙을 그대로 씁니다. main은 언제나 배포할 수 있는 상태로 두고, 일은 기능 브랜치에서 하며, 브랜치를 main에 합치는 요청인 풀 요청에서 검토와 자동 검사를 받습니다. 브랜치 보호 규칙으로 「검토 승인 하나 이상」과 「상태 검사 통과」를 걸면 main에 직접 푸시하거나 검사가 깨진 채 병합하는 길이 막힙니다.
풀 요청에 거는 검사는 빨리 끝나는 것으로 고릅니다. 린트와 단위 테스트, 작은 표본 데이터로 학습 스크립트가 끝까지 도는지 보는 연기 테스트가 그것입니다. 전체 데이터로 하는 학습은 병합 뒤에 돌립니다.
저장소에 두는 것
Git에 두는 것은 학습 스크립트, 구성 요소와 작업 YAML, 환경의 conda 사양, Bicep 템플릿입니다. 데이터와 학습된 모델 파일은 두지 않습니다 — 크고 자주 바뀌며, 그 자리는 이미 버전이 붙는 데이터 자산과 모델 자산이 맡고 있습니다. .gitignore에 data/·outputs/·mlruns/를 넣어 실수로 커밋되지 않게 합니다.
작업을 Git 저장소 안에서 제출하면 Azure ML이 그 작업에 저장소 주소·브랜치·커밋 해시를 속성으로 남깁니다. 어떤 모델이 어느 커밋의 코드에서 나왔는지를 나중에 거꾸로 찾을 수 있는 근거가 이것입니다.
컴퓨팅 인스턴스의 Git
복제 위치
컴퓨팅 인스턴스에는 Git이 깔려 있어 터미널에서 바로 저장소를 복제할 수 있습니다. 복제하는 자리는 사용자 파일 폴더인 ~/cloudfiles/code/Users/<사용자 이름> 아래가 맞습니다. 그 폴더는 작업 영역의 파일 공유에 놓여 Studio의 노트북 화면에 그대로 보이고, 인스턴스를 지우거나 다시 만들어도 남습니다. 인스턴스의 로컬 디스크에 복제하면 Studio에서 안 보이고 인스턴스와 함께 사라집니다.
SSH 키와 HTTPS
비공개 저장소에 닿는 길은 둘입니다. SSH는 인스턴스에서 키 쌍을 만들고 공개 키를 GitHub 계정에 등록합니다.
ssh-keygen -t ed25519 -C "me@contoso.com"
cat ~/.ssh/id_ed25519.pub # 이 내용을 GitHub의 SSH keys에 붙인다
cd ~/cloudfiles/code/Users/me
git clone git@github.com:contoso/churn-ml.git
HTTPS로 복제하면 암호 대신 개인용 액세스 토큰을 넣습니다. 어느 쪽이든 자격 증명은 그 인스턴스에 저장되고 인스턴스는 한 사람에게 배정되므로, 인스턴스 하나를 여럿이 돌려 쓰면 남의 키로 푸시하게 됩니다.
복제한 뒤의 커밋·푸시·브랜치 전환은 터미널의 git 명령으로 합니다. 노트북에서 실험하다 쓸 만한 코드가 나오면 스크립트로 옮겨 브랜치에 커밋하고 풀 요청을 여는 것이 이 노트의 흐름이 처음과 이어지는 자리입니다.
연습 문제
GitHub Actions가 장기 비밀 없이 Azure에 로그인하게 하려 합니다. 알맞은 구성은?
① 서비스 주체의 클라이언트 비밀을 저장소 비밀에 넣는다
② 앱 등록에 GitHub 발급자를 믿는 페더레이션 자격 증명을 만들고 워크플로에id-token: write를 준다
③ 개인용 액세스 토큰을azure/login에 넘긴다
④ 작업 영역의 저장소 계정 키를 비밀로 넣는다②. OIDC 페더레이션은 실행마다 짧게 사는 토큰을 교환하므로 갈아 끼울 비밀이 없습니다. ③은 GitHub의 토큰이라 Azure 로그인에 쓰이지 않습니다.페더레이션 자격 증명의 주체를
repo:contoso/churn-ml:environment:prod로 등록했습니다. 로그인에 성공하는 실행은?
① 포크 저장소에서 연 풀 요청
②environment: prod를 지정하지 않은 main 브랜치의 작업
③environment: prod를 지정하고 보호 규칙을 통과한 작업
④dev환경을 지정한 작업③. 토큰의 주체가 등록한 값과 글자 그대로 같아야 교환됩니다. ②는 주체가ref:refs/heads/main이 되어 맞지 않습니다.운영 배포 작업이 시작되기 전에 지정한 사람의 승인을 받게 하려 합니다. 쓸 기능은?
① 저장소 비밀
② 워크플로의paths필터
③ GitHub 환경의 필수 검토자 보호 규칙
④.gitignore③. 환경 보호 규칙이 작업 시작 앞에 승인 관문을 세웁니다.저장소 비밀과 prod 환경 비밀에 같은 이름
AZURE_SUBSCRIPTION_ID가 있습니다.environment: prod작업이 읽는 값은?
① 저장소 비밀
② prod 환경 비밀
③ 이름이 겹쳐 워크플로가 실패한다
④ 먼저 만든 쪽②. 이름이 겹치면 환경 비밀이 우선합니다.데이터 과학자가 컴퓨팅 인스턴스 터미널에서
/tmp에 저장소를 복제했더니 Studio 노트북 화면에 안 보이고, 인스턴스를 다시 만든 뒤 사라졌습니다. 어디에 복제했어야 하나?
①~/cloudfiles/code/Users/<사용자 이름>
② 작업 영역의 Key Vault
③ 기본 데이터 저장소의 Blob 컨테이너에 직접 업로드
④ Container Registry①. 사용자 파일 폴더는 작업 영역 파일 공유에 있어 Studio에 보이고 인스턴스 수명과 무관하게 남습니다.머신러닝 저장소의 풀 요청에 걸 자동 검사로 가장 알맞은 것은?
① 전체 학습 데이터로 하는 최종 학습
② 린트·단위 테스트와 표본 데이터로 하는 짧은 학습 연기 테스트
③ 운영 엔드포인트로 배포
④ 학습 데이터 전체를 저장소에 커밋했는지 확인②. 풀 요청 검사는 빨리 끝나야 하고, 긴 학습과 배포는 병합 뒤 단계가 맡습니다.
여기까지가 첫 도메인입니다. 다음 노트부터는 이렇게 세운 작업 영역 위에서 모델을 실제로 만듭니다 — 노트북에서 실험하고 그 결과를 MLflow로 남기는 데서 시작합니다.

