# 감사 로그 스키마 예시
audit_log:
  timestamp: "2026-02-23T10:30:00Z"
  actor:
    user_id: "user-1234"
    role: "data-scientist"
    ip_address: "10.0.1.50"
    auth_method: "SSO+MFA"
  action: "READ"
  resource:
    type: "dataset"
    id: "training-data-v3"
    classification: "confidential"
  context:
    purpose: "model-training"
    project: "recommendation-v2"
  result: "SUCCESS"
  details: "Downloaded 50,000 records"

생성(Create) → 활용(Use) → 보관(Archive) → 파기(Destroy)
    │              │             │              │
    ├─ 분류        ├─ 접근 통제   ├─ 저비용      ├─ 안전 삭제
    ├─ 라벨링      ├─ 감사 로그   │  스토리지     ├─ 파기 증적
    └─ 메타데이터   └─ 암호화     └─ 보관 기간    └─ 감사 보고
                                    관리

# ML 데이터 보관 정책 예시
ml_data_retention:
  raw_data:
    retention: "규정에 따름"
    action: "파기 또는 익명화"

  processed_data:
    retention: "모델 생명주기 동안"
    action: "모델 폐기 시 함께 삭제"

  model_artifacts:
    retention: "서비스 운영 기간 + 1년"
    action: "버전별 보관, 서비스 종료 후 파기"

  training_logs:
    retention: "감사 목적 3년"
    action: "재현성 보장용 보관"

# OPA Rego 정책 예시: 기밀 데이터는 암호화 필수

package data.governance

# 기밀 이상 데이터는 암호화 스토리지 필수
deny[msg] {
    input.resource.classification >= 3
    not input.resource.encryption_enabled
    msg := sprintf(
        "Level %d 데이터(%s)는 암호화가 필수입니다",
        [input.resource.classification, input.resource.name]
    )
}

# 극비 데이터 접근에는 MFA 필수
deny[msg] {
    input.resource.classification == 4
    not input.actor.mfa_verified
    msg := "극비 데이터 접근에는 MFA 인증이 필요합니다"
}

# 프로덕션 환경 리소스는 태그 필수
deny[msg] {
    input.resource.environment == "production"
    not input.resource.tags.owner
    msg := "프로덕션 리소스에는 owner 태그가 필수입니다"
}

# Sentinel 정책 예시: GPU 인스턴스에 auto-shutdown 태그 필수

import "tfplan/v2" as tfplan

gpu_instances = filter tfplan.resource_changes as _, rc {
    rc.type is "aws_instance" and
    rc.change.after.instance_type matches "p[0-9].*|g[0-9].*"
}

main = rule {
    all gpu_instances as _, instance {
        instance.change.after.tags contains "auto-shutdown"
    }
}

# Model Card: 고객 이탈 예측 모델 v2.3

## 모델 개요
- **모델명**: churn-predictor-v2.3
- **유형**: XGBoost 분류기
- **개발팀**: ML Platform Team
- **최종 학습일**: 2026-02-15
- **프레임워크**: scikit-learn 1.4, XGBoost 2.0

## 의도된 용도
- 구독 서비스 고객의 30일 내 이탈 확률 예측
- 마케팅 팀의 리텐션 캠페인 타겟 선정 보조

## 비의도된 용도
- 개인 신용 평가 (설계 목적 아님)
- 고용/해고 결정 (부적절)

## 학습 데이터
- **출처**: 내부 CRM 데이터 (2024-01 ~ 2025-12)
- **규모**: 1,200,000 건
- **전처리**: 개인정보 비식별화, 결측치 처리

## 성능 지표
| 메트릭 | 전체 | 20대 | 30대 | 40대+ |
|--------|------|------|------|-------|
| AUC    | 0.87 | 0.85 | 0.88 | 0.86  |
| F1     | 0.79 | 0.76 | 0.81 | 0.78  |

## 편향 분석
- 연령대별 성능 차이 3% 이내 (허용 범위)
- 신규 가입자(3개월 미만) 대상 정확도 15% 낮음

## 한계
- 외부 이벤트(경쟁사 프로모션) 반영 불가
- 3개월 미만 사용자 예측 정확도 저하

# OpenLineage 이벤트 예시
lineage_event:
  eventType: "COMPLETE"
  job:
    namespace: "ml-pipeline"
    name: "train-churn-model"
  inputs:
    - namespace: "warehouse"
      name: "customers_processed"
      facets:
        schema:
          fields: ["user_id", "tenure", "monthly_charges"]
        dataQuality:
          rowCount: 1200000
          completeness: 0.98
  outputs:
    - namespace: "model-registry"
      name: "churn-predictor-v2.3"
      facets:
        modelMetrics:
          auc: 0.87
          f1: 0.79

# MLflow로 실험 재현성 확보 예시
import mlflow

with mlflow.start_run():
    # 1. 하이퍼파라미터 기록
    mlflow.log_params({
        "learning_rate": 0.01,
        "n_estimators": 500,
        "max_depth": 7,
        "data_version": "v2.3",
        "feature_set": "v5"
    })

    # 2. 모델 학습
    model = train_model(X_train, y_train)

    # 3. 성능 지표 기록
    mlflow.log_metrics({
        "auc": 0.87,
        "f1": 0.79,
        "precision": 0.82,
        "recall": 0.76
    })

    # 4. 모델 아티팩트 저장
    mlflow.sklearn.log_model(model, "churn-model")

    # 5. 환경 정보 자동 기록 (conda.yaml, requirements.txt)
    mlflow.log_artifact("Dockerfile")

ai_privacy_requirements:
  data_collection:
    - 학습 데이터 수집 시 명시적 동의 또는 법적 근거 필요
    - 수집 목적 명시 (예: "서비스 개선을 위한 AI 모델 학습")
    - 최소 수집 원칙 적용

  data_processing:
    - 개인정보 비식별화/익명화 우선 적용
    - 가명처리 시 안전조치 병행
    - 처리 목적 범위 내에서만 사용

  data_subject_rights:
    - 정보 주체의 열람/정정/삭제 요구 대응
    - 프로파일링 거부권 보장
    - 자동화된 의사결정에 대한 설명 제공

  cross_border:
    - EU 시민 데이터의 역외 이전 시 적정성 결정 또는 표준계약조항
    - 한국 개인정보보호법의 국외 이전 규정 준수

ai_ethics_committee:
  구성:
    - 기술 리드 (CTO 또는 ML 리드)
    - 법무 담당자
    - 데이터 보호 책임자(DPO)
    - 비즈니스 대표
    - 외부 윤리 전문가 (선택)

  검토_기준:
    - 편향 및 공정성 분석 결과
    - 개인정보 영향 평가(PIA) 결과
    - 모델 카드 완성도
    - 설명 가능성 수준
    - 인간 감독 메커니즘

  검토_주기:
    - 신규 모델 배포 전: 필수
    - 기존 모델 중대 변경: 필수
    - 정기 재검토: 반기별