오늘은 AI·소프트웨어 엔지니어라면 관심을 가져볼 만한 두 가지 주제에 대해 살펴보겠습니다. 첫 번째는 Kubernetes 환경에서 옵저버빌리티(Observability)를 효율적으로 관리하는 방법, 두 번째는 최근 AI 생태계에서 빠르게 주목받고 있는 MCP Apps입니다.
특히 MCP Apps는 앞으로 사용자가 웹사이트나 앱을 직접 방문하지 않고도 ChatGPT나 Claude 같은 AI 안에서 서비스를 이용하게 되는 변화와 연결되어 있다는 점에서 주목할 만합니다.
Kubernetes 클러스터의 옵저버빌리티 관리
Kubernetes 환경에서는 모니터링 시스템을 한 번 설치했다고 해서 모든 작업이 끝나는 것이 아닙니다. Pod와 Node는 지속적으로 생성되고 사라지며, 새로운 워크로드가 추가될 때마다 모니터링 설정 역시 이에 맞춰 따라가야 합니다.
즉 Kubernetes의 옵저버빌리티는 단순한 ‘설치’의 문제가 아니라 원하는 모니터링 상태를 지속적으로 유지하는 과정이라고 볼 수 있습니다. 여기서 중요한 역할을 하는 것이 오픈소스 Dynatrace Operator입니다.
Dynatrace Operator는 DynaKube라는 Custom Resource를 활용합니다. 사용자가 Kubernetes 클러스터에서 어떤 모니터링 기능이 필요한 지를 선언하면 Operator가 해당 상태를 지속적으로 유지합니다.
애플리케이션을 직접 수정하지 않고 모니터링 적용
특히 흥미로운 부분은 애플리케이션 모니터링 방식입니다. Dynatrace Operator는 Mutating Webhook을 이용해 선택된 Pod에 필요한 요소를 자동으로 주입할 수 있습니다.
예를 들어 다음과 같은 항목을 자동으로 추가합니다.
- Init Container
- Volume
- 환경변수(Environment Variables)
- Annotation
따라서 각각의 애플리케이션 이미지를 직접 수정하지 않고도 모니터링 환경을 구축할 수 있습니다.
CSI Driver를 이용한 효율적인 모듈 관리
선택적으로 CSI Driver도 사용할 수 있습니다. CSI Driver는 같은 Node에서 실행되는 여러 Pod가 필요한 코드 모듈을 캐싱하고 공유하도록 해줍니다. 각각의 워크로드가 동일한 모듈을 반복해서 다운로드할 필요가 없어 운영 효율성을 높일 수 있습니다.
Dynatrace Operator는 이외에도 다음과 같은 기능을 관리할 수 있습니다.
- Host Monitoring
- Log Monitoring
- Metadata Enrichment
- OpenTelemetry Collector
- ActiveGate
- Kubernetes API Monitoring
- Telemetry Routing
프로젝트는 Apache 2.0 라이선스의 오픈소스로 제공되며, 다양한 배포 방식에 활용할 수 있는 DynaKube 설정 예제도 제공합니다.
MCP Apps란 무엇인가?
최근 AI 생태계에서 눈여겨볼 기술 중 하나가 MCP Apps입니다. MCP(Model Context Protocol) 생태계가 확대되면서 단순히 AI가 외부 데이터를 가져오는 것을 넘어 AI 채팅 화면 안에서 실제 애플리케이션의 UI와 기능을 실행하는 방향으로 발전하고 있습니다. 쉽게 말하면 앞으로 사용자는 어떤 서비스를 이용하기 위해 반드시 해당 웹사이트에 직접 접속할 필요가 없을 수 있습니다.
예를 들어 사용자가 ChatGPT나 Claude에게 호텔을 찾아달라고 요청했다고 가정해보겠습니다. 기존 방식이라면 AI가 호텔 정보를 텍스트로 보여주고 사용자가 다시 예약 사이트로 이동해야 했습니다. MCP Apps가 발전하면 이 과정이 달라질 수 있습니다.
AI 대화 화면 안에서
호텔 검색 → 호텔 카드 확인 → 옵션 선택 → 예약 또는 구매
같은 경험을 제공할 수 있게 되는 것입니다.
SEO → AEO → MCP Apps
이러한 변화는 인터넷에서 사용자가 서비스를 발견하는 방식 자체가 바뀌고 있다는 것을 의미합니다.
과거에는 SEO(Search Engine Optimization)가 중요했습니다.
“Google이 내 웹페이지를 얼마나 잘 발견할 수 있는가?”
가 핵심이었습니다.
생성형 AI가 등장하면서 **AEO(Answer Engine Optimization)**라는 개념이 중요해졌습니다.
“AI가 내 서비스나 콘텐츠를 답변에 얼마나 잘 활용하고 인용하는가?”
가 중요해진 것입니다.
MCP Apps에서는 여기서 한 단계 더 나아갑니다.
“AI의 답변 안에서 내 제품과 서비스 자체를 어떻게 제공할 것인가?”
가 중요해집니다.
이를 간단하게 정리하면 다음과 같습니다.
SEO
Google이 내 페이지를 찾게 만드는 것
↓
AEO
AI가 내 콘텐츠를 발견하고 답변에 활용하게 만드는 것
↓
MCP Apps
AI 대화창 안에서 실제 제품과 서비스를 사용할 수 있게 만드는 것
MCP Server와 MCP App의 차이
두 개념의 차이를 이해하면 MCP Apps가 왜 중요한지 더 쉽게 알 수 있습니다.
MCP Server
MCP Server는 AI 모델에 데이터와 기능(Tool)을 제공합니다. 예를 들어 호텔 예약 서비스라면 다음과 같은 정보를 AI에 제공할 수 있습니다.
- 호텔 목록
- 객실 가격
- 예약 가능 여부
- 위치
- 객실 정보
AI는 이 데이터를 이용해 사용자에게 적절한 답변을 생성합니다.
MCP App
MCP App은 여기서 한 단계 더 나아갑니다. 단순한 데이터뿐 아니라 사용자가 직접 조작할 수 있는 Interactive UI까지 AI 채팅 안에서 제공하는 것입니다.
예를 들어
- 호텔 카드
- 상품 리스트
- 장바구니
- 예약 화면
- 옵션 선택
- 결제 과정
등을 AI 대화창 안에서 구현할 수 있습니다.
즉,
MCP Server = 데이터 + 기능
이라면
MCP App = 데이터 + 기능 + Interactive UI
라고 이해하면 쉽습니다.
AI 엔지니어에게 필요한 것은 결국 ‘비즈니스 임팩트’
기술을 많이 알고 있는 것만으로 좋은 AI 엔지니어가 되는 것은 아닙니다. 기업이 궁극적으로 원하는 것은 실제 사업 성과입니다. 기업 입장에서는 다음과 같은 질문이 중요합니다.
- 비용을 줄일 수 있는가?
- 매출을 증가시킬 수 있는가?
- ML 모델을 안정적으로 확장할 수 있는가?
- 데이터를 이용해 미래의 트렌드를 예측할 수 있는가?
따라서 Full-stack AI Engineering 역량을 키우기 위해서는 모델 개발 뿐만 아니라 실제 서비스를 구축하고 운영하는 전 과정을 이해하는 것이 중요합니다.
AI 엔지니어라면 공부해볼 핵심 분야
AI 엔지니어에게 도움이 될 다양한 학습 분야입니다.
① MLOps
머신러닝 모델을 개발하는 것에서 끝나는 것이 아니라 실제 Production 환경에 배포하고 지속적으로 관리하는 방법을 학습합니다.
② MCP(Model Context Protocol)
AI 모델이 외부 데이터와 서비스, 도구를 사용할 수 있도록 연결하는 방법을 이해합니다. 향후 AI Agent와 AI Application 개발에서 중요한 기술 영역이 될 가능성이 있습니다.
③ Agentic Systems
AI가 단순히 질문에 답하는 것을 넘어 목표를 이해하고 여러 도구를 사용하면서 작업을 수행하는 Agent 시스템을 만드는 방법입니다.
④ RAG
기업의 내부 문서나 데이터베이스 등 외부 지식을 LLM과 연결하는 대표적인 방법입니다. 단순한 RAG 구축 뿐만 아니라 평가와 확장 방법까지 이해하는 것이 중요합니다.
⑤ Graph Neural Networks
복잡한 관계형 데이터를 분석하기 위한 그래프 기반 머신러닝 기술입니다.추천 시스템, 금융, 네트워크 분석 등 다양한 분야에 활용할 수 있습니다.
⑥ Bi-encoder & Cross-encoder
문장이나 문서 사이의 유사도를 계산하는 기술입니다. 검색, 추천, RAG 등의 시스템에서 활용도가 높습니다.
⑦ Quantization
대규모 AI 모델을 더 작은 하드웨어에서도 실행할 수 있도록 모델의 크기와 연산량을 줄이는 기술입니다. Edge AI와 On-device AI에서도 중요한 기술입니다.
⑧ Conformal Prediction
머신러닝 모델의 예측 결과에 통계적인 신뢰 수준을 부여하는 방법입니다.
AI의 예측 결과에 대한 신뢰성을 높이는 데 활용할 수 있습니다.
⑨ Causal Inference
단순한 상관관계를 넘어 실제 원인과 결과의 관계를 분석하는 방법입니다.
비즈니스 의사결정과 정책 효과 분석 등에서 활용 가치가 높습니다.
⑩ Scalable Model Training
대규모 데이터를 이용해 머신러닝 모델을 효율적으로 학습시키기 위한 분산·확장 기술입니다.
⑪ Production Model Testing
새로운 AI 모델을 실제 서비스에 적용하기 전에 안정성과 성능을 검증하는 방법입니다.
⑫ Federated Learning
사용자의 데이터를 중앙 서버에 직접 모으지 않고 여러 장치에서 분산 학습하는 방식입니다. 개인정보 보호가 중요한 AI 시스템에서 활용할 수 있습니다.
⑬ Model Compression
AI 모델의 크기와 연산량을 줄여 더 빠르고 효율적으로 실행할 수 있도록 만드는 기술입니다.
결론: AI는 ‘답변’에서 ‘실행’으로 이동하고 있다
특히 주목할 부분은 MCP Apps입니다. 생성형 AI의 초기 단계에서는 AI가 질문에 답하는 것이 중심이었다면, 다음 단계에서는 AI가 외부 시스템과 연결되어 실제 작업을 수행하는 방향으로 발전하고 있습니다.
그리고 MCP Apps는 여기서 한 단계 더 나아가 기존 웹·앱의 사용자 경험 자체를 AI 대화창 안으로 가져오는 접근 방식을 보여줍니다. 변화를 흐름으로 정리하면 다음과 같습니다.
검색(Search)
사용자가 웹사이트를 직접 찾는다.
↓
생성형 AI(Answer)
AI가 정보를 찾아 답변한다.
↓
AI Agent(Action)
AI가 Tool을 사용해 작업을 수행한다.
↓
MCP Apps(Experience)
AI 대화창 안에서 실제 서비스의 UI와 기능을 이용한다.
결국 앞으로의 Full-stack AI Engineering은 단순히 LLM API를 연결하는 수준을 넘어 AI + Agent + MCP + UI + Backend + Production Infrastructure를 하나의 서비스로 연결하는 능력이 더욱 중요해질 수 있습니다.
AI가 웹사이트로 사용자를 보내는 시대에서, 웹서비스 자체가 AI 안으로 들어오는 시대로 변화하고 있는 셈입니다.