1. 설계부터 배포까지 한 번에!

이 책은 요구 정의와 사용자 스토리에서 출발해 REST 선택, 데이터 모델링, 엔드포인트 설계를 차근차근 완성해 나간다. 이어서 FastAPI·SQLAlchemy·Pydantic을 활용해 타입 안정성과 유지보수성을 확보하고, OpenAPI 기반 문서를 통해 팀 협업을 더욱 정교하게 다듬는다. 회귀 테스트와 도커 컨테이너로 안정적인 릴리스 흐름을 마련한 뒤, Render와 AWS로 배포해 실제 운영 환경까지 준비한다. 마지막으로 파이썬 SDK를 PyPI에 배포해 일관된 사용 경험과 재사용성을 제공하며, API 실무의 처음부터 끝까지 한 번에 완주할 수 있도록 안내한다.

2. 만든 순간 쓰이는 마법

이 책에서 다루는 노트북·파이프라인·대시보드는 ‘만드는 즉시 가치가 드러나는’ 실무 도구들이다. httpx 클라이언트로 API를 호출해 주피터와 pandas에서 지표를 계산하고 인사이트를 도출할 수 있으며, Airflow로 증분 수집과 의존성을 관리해 반복 가능한 데이터 파이프라인을 구축할 수 있다. 여기에 Streamlit으로 대화형 시각화를 제공하면 사용자 참여와 의사결정 속도가 동시에 높아진다. 나아가 API 소비자 관점에서의 모범 사례를 통해, 데이터가 어떻게 실제 제품 가치로 전환되는지 자연스럽게 확인할 수 있다.

3. 모델을 서비스로!

이 책은 ONNX·LangChain·챗GPT를 활용해 모델을 실제 서비스로 전환하는 과정을 일관되게 보여준다. 우선 scikit-learn 모델을 ONNX로 변환해 추론 성능과 이식성을 끌어올리고, FastAPI를 통해 예측 엔드포인트를 공개한다. 여기에 인증·인가를 더해 보안 경계를 확보하고, 운영 환경에 맞는 설정을 갖춰 실 서비스 수준으로 완성한다. 이후 LangChain과 LangGraph로 도구 호출형 에이전트를 구성해 API 오케스트레이션을 자동화하고, 챗GPT와 OAS를 연동해 대화형 워크플로까지 확장함으로써, 모델이 실제 사용자 경험으로 자연스럽게 이어지도록 돕는다.

이 책의 대상 독자 및 이 책에서 다루는 내용

이 책은 API, AI, 데이터 사이언스의 접점에 있는 내용을 다루는 만큼, 다음 세 가지 유형의 독자에게 특히 유용하다.

데이터 사이언티스트
데이터 사이언티스트(data scientist)들은 항상 API를 사용하지만, ‘REST API 호출은 코드 몇 줄이면 구현할 수 있다’라는 이유로 API 사용에 대해 새로 배울 것이 없다고 생각하기 쉽다. 실제로 REST API는 호출이 간단하며, 그 점이 API 확산의 한 이유가 됐다. 하지만 안정적이고 견고하며 제공자에게 부담을 주지 않는 탄력적인 방식으로 API를 사용하려면 더 세심한 접근이 필요하다.
이 책을 통해 배울 수 있는 핵심 기술은 다음과 같다.

● API 개발 및 배포하기
● 소프트웨어 개발 키트(SDK, Software Development Kit) 및 API 클라이언트 개발하기
● 파이썬(Python) 패키지를 만들어 PyPI에 배포하기
● 머신러닝 모델을 API로 배포하기
● Streamlit 기반 데이터 애플리케이션 개발하기
● Airflow 데이터 파이프라인 구축하기
● LangChain과 챗GPT(ChatGPT)를 활용한 생성형 AI 애플리케이션 개발하기

API 개발자 및 설계자
API 개발자와 설계자는 중요한 새 사용자층을 위해 API를 강화하는 방법을 배울 수 있다. 데이터 사이언티스트가 하는 일, 수행하는 작업, 선호하는 API 기능 등을 배우게 된다. 또한 생성형 AI 애플리케이션이 API를 호출하는 방법과 API에 필요한 기능에 대해서도 배울 수 있다.

그리고 실습 예제를 통해 다음과 같은 다양하고 새로운 기술을 배울 수 있다.

● FastAPI, SQLAlchemy, Pydantic을 사용하는 파이썬 API 개발하기
● 도커(Docker)로 API 컨테이너화하기
● 클라우드 호스트에 API 배포하기
● 파이썬 SDK를 만들어 PyPI에 배포하기
● LangChain과 챗GPT를 사용해 생성형 AI 애플리케이션 개발하기

구직자 및 이직자
위에서 소개한 기술들은 현장에서 많이 필요로 하는 기술이므로, 이 기술을 배우면 데이터 사이언스나 소프트웨어 개발 분야에서 첫 직장을 찾거나 새로운 역할에 도전하는 데 큰 도움이 될 것이다. 이 책은 포트폴리오 프로젝트를 중심으로 구성했다. 이를 통해 구체적인 목표를 달성해 실력을 증명하는 가시적인 성과물을 만들 수 있다.

지은이의 말

인공지능(AI, Artificial Intelligence) 분야에서 성공하려면 먼저 애플리케이션 프로그래밍 인터페이스(API, Application Programming Interface)에 익숙해져야 한다. AI, 머신러닝(machine learning), 데이터 사이언스(data science)의 비약적 성장으로 인해 API를 활용하는 능력은 그 어느 때보다 중요해졌다.

하지만 이렇게 광범위한 기술을 한꺼번에 배우려면 막막할 수 있다. 어떻게 시작해야 할까? 다행히도 모든 기술을 한 번에 배울 필요는 없다. 실전 예제를 통해 한 번에 한 가지 기술을 차근차근 배워 나가면, 배운 기술 하나하나가 다음 기술을 더 쉽게 익힐 수 있는 디딤돌이 돼 줄 것이다.

이 책을 펼친 여러분은 분명히 실력을 쌓고자 하는 열정이 있을 것이다. 나 역시 직접 실습 예제 코딩을 통해 가장 빠르고 깊이 있게 배웠다. 학습한 코드를 공개 저장소에 올리고, 블로그나 SNS를 통해 결과물을 공유하면 다른 사람들에게 도움을 줄 수 있는 지식을 전수할 수 있을 뿐만 아니라, 취업 시 여러분의 전문성을 구체적으로 보여 줄 수 있는 탄탄한 포트폴리오를 만들 수 있다.

이 책을 처음부터 끝까지 순서대로 읽기보다는, 배우고 싶은 기술을 먼저 선택하고 해당 기술을 공부하는 것을 권장한다. 빠르게 시작하는 방법은 다음과 같다.

1. API 개발(1부), 데이터 사이언스에서 API를 사용하기(2부), AI에서 API를 사용하기(3부) 중 먼저 시작하려는 주제를 결정한다.
2. 해당 부의 시작 장에 소개한 지침에 따라 GitHub 저장소를 복제(clone)하고 Codespace를 실행한다.
3. 해당 장의 지침에 따라 코드를 실행한다.

각 장은 독립적으로 학습할 수 있도록 구성했다. 한 가지 기술을 배운 다음에, 배우고 싶은 다른 기술을 찾아 같은 방식으로 학습하기 바란다. 이 책의 기술들은 마치 블록 쌓기와 같아 배운 기술 하나하나가 다른 기술을 더 잘 이해할 수 있는 토대가 된다. 모든 기술을 다 배우고 나면 데이터 사이언스와 AI 분야의 API를 폭넓게 이해할 수 있을 것이다.

옮긴이의 말

회사에서 데이터 수집 및 분석 플랫폼을 구축하고 AI 모델을 개발하는 업무를 수행하다 보면, 늘 반복되는 과제가 있다. 바로 ‘데이터와 분석 결과를 어떻게 사용자에게 효과적으로 전달할 것인가’이다. 이 질문에 대한 가장 실용적이고 확장 가능한 해결책은 API였다.

업무상 API를 직접 개발하고 기존 시스템에 통합해야 할 필요성이 커지던 시기, 이 책 『AI와 데이터 사이언스 API』를 접하게 됐다. 처음에는 API 기술을 체계적으로 학습할 목적으로 번역을 시작했다. 그러나 번역 과정에서 이 책이 단순한 기술 입문서를 넘어서는 깊이를 지녔음을 깨달았다.

저자 라이언 데이(Ryan Day)는 판타지 풋볼 데이터를 활용한 프로젝트를 통해 데이터 수집, 모델 학습, API 구축, 클라우드 배포에 이르는 전체 워크플로를 명확히 제시한다. 이는 현재 개발 중인 플랫폼의 아키텍처와 직접적으로 일치해 큰 통찰을 줬다. FastAPI와 SQLAlchemy를 활용한 데이터베이스 연동, Pydantic을 이용한 입력 검증 로직은 대용량 데이터 처리와 모델 안정성을 강화하는 데 즉시 적용할 수 있는 내용이었다. 실시간 예측 모델 배포 시 AWS와 도커를 고민하던 부분에서 CI/CD 파이프라인 예제는 실무적 해결책을 제공했다.

API를 개발하는 측면과 사용하는 측면의 경계를 허무는 접근도 인상적이었다. 2부와 3부에서 1부의 API를 주피터 노트북, Airflow 파이프라인, Streamlit 대시보드와 연동하는 과정은 데이터 서비스의 가치를 구체화하는 데 기여했다. ONNX 모델 변환과 LangChain을 이용한 AI 에이전트 구현은 AI 분석 모델을 서비스로 확장하는 최신 방법을 보여 줬다.

데이터 사이언티스트로서 모델링에 집중하다 보면 소프트웨어 엔지니어링 측면을 간과하기 쉽다. 이 책은 API를 단순 인터페이스가 아닌 분석 결과를 전달하는 연결 고리로 인식하게 한다. RESTful 설계 원칙, OpenAPI 문서화, 인증·인가 메커니즘은 팀 협업을 원활하게 하고 보안 수준을 높이는 데 실질적 도움이 됐다.

번역을 마무리하며, API는 데이터 중심 조직의 핵심 인프라임을 재확인했다. 이 책은 데이터 사이언티스트, 백엔드 엔지니어, IT 아키텍트 등 실무 개발자에게 유용한 지침서가 될 것이다. 원저자의 실전 중심 접근에 감사드린다.