깔끔한 AI 코드를 작성하기 위한 5가지 강력한 Python 데코레이터

섹션별 상세

LLM API의 무료 티어 사용 시 발생하는 동시 요청 제한 문제를 해결하기 위해 Concurrency Limiter 데코레이터를 사용합니다. asyncio.Semaphore를 활용하여 비동기 함수의 동시 실행 횟수를 제한함으로써 API 호출을 안전하게 관리하고 속도 제한 에러를 방지합니다. 이를 통해 다량의 프롬프트를 배치 처리할 때 시스템의 안정성을 확보할 수 있습니다.

python

import asyncio
from functools import wraps

def limit_concurrency(limit=5):
    sem = asyncio.Semaphore(limit)
    def decorator(func):
        @wraps(func)
        async def wrapper(*args, **kwargs):
            async with sem:
                return await func(*args, **kwargs)
        return wrapper
    return decorator

세마포어를 사용하여 비동기 LLM API 호출의 동시 실행 횟수를 제한하는 데코레이터 예시

근거

Concurrency Limiter는 세마포어를 통해 비동기 함수의 실행 횟수를 제한하여 LLM API 호출을 안전하게 만듭니다. — 1. Concurrency Limiter 섹션의 코드 예시 및 설명

복잡한 머신러닝 시스템에서 일반적인 print 문은 로그 추적이 어렵기 때문에 Structured Machine Learning Logger를 도입합니다. 이 데코레이터는 함수의 실행 시간과 성공 여부, 에러 메시지를 JSON 형식으로 변환하여 기록함으로써 프로덕션 환경에서 빠른 디버깅과 검색을 가능하게 합니다. 신경망 모델의 학습 에포크 단위 등에 적용하여 단계별 상태를 체계적으로 모니터링할 수 있습니다.

python

import logging, json, time
from functools import wraps

def json_log(func):
    @wraps(func)
    def wrapper(*args, **kwargs):
        start = time.time()
        try:
            res = func(*args, **kwargs)
            logging.info(json.dumps({"step": func.__name__, "status": "success", "time": time.time() - start}))
            return res
        except Exception as e:
            logging.error(json.dumps({"step": func.__name__, "error": str(e)}))
            raise
    return wrapper

함수 실행 결과와 에러를 구조화된 JSON 형식으로 기록하는 로깅 데코레이터 예시

근거

Structured Machine Learning Logger는 실행 결과와 에러를 JSON 형식으로 포맷팅하여 검색 가능한 로그를 생성합니다. — 2. Structured Machine Learning Logger 섹션의 json_log 함수 구현

모델 배포 및 추론 단계에서 원본 데이터의 일관성을 유지하기 위해 Feature Injector 데코레이터를 활용합니다. FastAPI와 같은 프로덕션 환경으로 모델을 이전할 때, 사용자 입력 데이터가 학습 시와 동일한 전처리를 거치도록 자동으로 피처를 생성하고 주입합니다. 예를 들어 날짜 데이터를 기반으로 주말 여부를 판단하는 로직을 데코레이터로 구현하여 모델 입력 전 데이터 정합성을 보장합니다.

python

from functools import wraps

def add_weekend_feature(func):
    @wraps(func)
    def wrapper(df, *args, **kwargs):
        df = df.copy()
        df['is_weekend'] = df['date'].dt.dayofweek.isin([5, 6]).astype(int)
        return func(df, *args, **kwargs)
    return wrapper

모델 추론 시 입력 데이터에 특정 피처를 자동으로 주입하는 데코레이터 예시

근거

Feature Injector는 배포 환경에서 원본 데이터에 학습 시와 동일한 변환을 자동으로 적용하여 일관성을 보장합니다. — 3. Feature Injector 섹션의 add_weekend_feature 예시

AI 실험과 하이퍼파라미터 튜닝 과정에서 결과의 재현성을 확보하기 위해 Deterministic Seed Setter를 사용합니다. random 및 numpy의 시드 값을 고정함으로써 성능 변화가 하이퍼파라미터 설정 때문인지 아니면 단순한 난수 초기화의 영향인지를 명확히 구분할 수 있게 합니다. 이는 A/B 테스트나 모델 가중치 초기화 시 변수를 격리하여 결과의 신뢰도를 높이는 데 기여합니다.

python

import random, numpy as np
from functools import wraps

def lock_seed(seed=42):
    def decorator(func):
        @wraps(func)
        def wrapper(*args, **kwargs):
            random.seed(seed)
            np.random.seed(seed)
            return func(*args, **kwargs)
        return wrapper
    return decorator

실험의 재현성을 위해 난수 시드를 고정하는 데코레이터 예시

로컬 개발 및 CI/CD 환경에서 외부 API 의존성으로 인한 중단을 막기 위해 Dev-Mode Fallback 데코레이터를 적용합니다. RAG 시스템 등에서 외부 서비스의 연결 타임아웃이나 호출 제한이 발생할 경우, 예외를 가로채고 미리 정의된 모크 데이터를 반환하여 전체 애플리케이션이 멈추지 않도록 보호합니다. 외부 서비스 장애 상황에서도 개발 흐름을 유지할 수 있는 안전장치 역할을 합니다.

python

from functools import wraps

def fallback_mock(mock_data):
    def decorator(func):
        @wraps(func)
        def wrapper(*args, **kwargs):
            try:
                return func(*args, **kwargs)
            except Exception:
                return mock_data
        return wrapper
    return decorator

API 호출 실패 시 미리 정의된 모크 데이터를 반환하여 시스템 중단을 방지하는 데코레이터 예시

이미지 분석

Infographic
이 이미지는 기사에서 다루는 5가지 핵심 데코레이터(검증, 타이밍, 로깅, 모니터링, 캐싱)가 AI 모델의 예측 함수(@predict)에 어떻게 적용되어 각각의 부가 기능을 수행하는지 시각적으로 보여줍니다. 핵심 로직과 부가 기능의 분리라는 데코레이터의 목적을 명확히 전달합니다.
AI 코드를 깔끔하게 만들기 위한 5가지 강력한 Python 데코레이터를 요약한 인포그래픽입니다.

용어 해설

데코레이터(Decorator): — 기존 함수의 코드를 수정하지 않고도 그 기능을 확장하거나 변경할 수 있게 해주는 Python의 문법적 설탕입니다. 함수를 인수로 받아 새로운 기능을 추가한 함수를 반환하며, AI 프로젝트에서 로깅, 검증, 타이밍 등 반복되는 부가 로직을 핵심 알고리즘과 분리하는 데 매우 중요합니다.
세마포어(Semaphore): — 동시에 실행될 수 있는 비동기 작업의 수를 제어하기 위한 동기화 객체입니다. 특정 자원에 접근할 수 있는 허용 개수를 설정하여, LLM API 호출 시 무료 티어의 동시 요청 제한을 초과하지 않도록 조절하는 스로틀링 메커니즘을 구현할 때 필수적입니다.
결정론적 시드(Deterministic Seed): — 난수 생성기의 초기 상태를 고정하기 위해 사용되는 값입니다. AI 실험에서 모델 가중치 초기화나 데이터 샘플링 시 동일한 시드를 사용하면 실행할 때마다 같은 결과를 얻을 수 있어, 하이퍼파라미터 변경에 따른 성능 변화를 정확히 비교 분석하는 데 기여합니다.
폴백 모크(Fallback Mock): — 외부 서비스 호출 실패 시 시스템 중단을 방지하기 위해 미리 정의된 가짜 데이터를 반환하는 예외 처리 패턴입니다. LLM API의 타임아웃이나 속도 제한 발생 시 실제 응답 대신 테스트용 데이터를 제공함으로써 로컬 개발 환경이나 CI/CD 파이프라인의 안정성을 유지합니다.

기술

Python
asyncio
functools
NumPy
Pandas
LLM API

활용 사례

LLM API 호출 스로틀링
ML 모델 학습 로그 자동화
추론 파이프라인 피처 주입
실험 재현성 관리
RAG 시스템 안정성 확보

깔끔한 AI 코드를 작성하기 위한 5가지 강력한 Python 데코레이터

섹션별 상세

이미지 분석

용어 해설

기술

활용 사례

관련 토론

댓글

관련 피드

관련 토론

댓글

관련 피드