software

PHP에서 머신러닝 에코시스템

발행: (2025년 12월 26일 오전 12:02 GMT+9)
12 분 소요
원문: Dev.to

Source: Dev.to

사람들이 *“PHP에는 머신러닝이 없다”*고 말할 때, 보통 두 가지 매우 다른 개념을 혼동합니다.

PHP가 처음부터 대규모 신경망을 학습시키는 데 거의 사용되지 않는 것은 사실이지만, PHP는 모델 적용, 벡터 연산, 통계, 분류, 임베딩, 그리고 수치 계산 분야에서 수년간 편안히 사용되어 왔습니다.

PHP‑ML 생태계는 크게 알려져 있지는 않지만 — 성숙했습니다. 네 개의 계층으로 구성됩니다:

  1. 고전적인 머신러닝 라이브러리
  2. 수학적 기초
  3. 현대 머신러닝 시스템을 위한 통합 도구
  4. 외부 머신러닝 서비스와의 통합

각각을 단계별로 살펴보겠습니다.

Source:

PHP에서 고전 머신러닝

우리는 외부 서비스를 호출하지 않고 PHP 자체에서 ML 알고리즘을 구현한 라이브러리부터 시작합니다.

PHP‑ML

Repository: (링크 제공되지 않음)
Status: 대부분 유지보수가 중단됨

PHP‑ML은 PHP로 머신러닝을 시작하는 전통적인 진입점입니다. 전체 고전 ML 툴박스를 포함하고 있습니다:

  • k‑Nearest Neighbors
  • 선형 및 로지스틱 회귀
  • 나이브 베이즈
  • 서포트 벡터 머신
  • 의사결정 트리
  • k‑means 클러스터링

PHP‑ML의 철학을 이해하는 것이 중요합니다. 이는 PyTorch나 scikit‑learn과 성능 면에서 경쟁하려는 것이 아니라, 명료성에 초점을 맞춥니다. 코드는 읽기 쉽고, 디버깅과 설명이 용이합니다 – 학습 및 교육 관점에서 큰 장점이 됩니다.

전형적인 사용 예는 다음과 같습니다:

  1. 데이터베이스에서 특징 추출
  2. 간단한 분류 또는 회귀 모델 학습
  3. 모델 직렬화
  4. 외부 ML 서비스 없이 런타임에 사용
use Phpml\Classification\KNearestNeighbors;

$classifier = new KNearestNeighbors();
$classifier->train($samples, $labels);

$result = $classifier->predict([3, 7]);

결과 코드는 거의 교과서와 같은 느낌을 줍니다 — 이것이 버그가 아니라 기능입니다. 숨겨진 마법 없이 모델을 추론하고 수학적 원리를 설명할 수 있습니다.

Rubix ML

Website & Repository: (링크 제공되지 않음)
Status: 활발히 유지보수 중

Rubix ML은 프로덕션 급 파이프라인에 초점을 맞춘 완전한 기능을 갖춘 PHP ML 프레임워크이며, 데모용이 아닙니다.

주요 기능

  • 분류, 회귀, 클러스터링
  • 일급 Dataset 객체
  • 변환기와 특징 스케일링
  • 모델 직렬화
  • 재현 가능한 파이프라인

예시: 이진 분류

use Rubix\ML\Datasets\Labeled;
use Rubix\ML\Classifiers\KNearestNeighbors;

$samples = [
    [170, 65],
    [160, 50],
    [180, 80],
    [175, 70],
];

$labels = ['M', 'F', 'M', 'M'];

$dataset = new Labeled($samples, $labels);

$model = new KNearestNeighbors(3);
$model->train($dataset);

$prediction = $model->predict([[172, 68]]);

한 가지 중요한 설계 결정이 눈에 띕니다: 모델에 원시 배열을 전달하지 않고 구조화된 데이터셋을 사용한다는 점입니다. 이는 *“스크립트 해킹”*에서 *“ML 엔지니어링”*으로 사고 방식을 전환하도록 강제합니다. Rubix는 모델이 실험이 아니라 프로덕션 시스템의 장기적인 구성 요소일 때, 버전 관리, 재현성, 안정성이 중요한 경우에 자주 선택됩니다.

선형대수와 수치 기반

모든 머신러닝은 결국 벡터, 행렬, 텐서로 귀결됩니다. PHP에는 여기서 사용할 수 있는 몇 가지 견고한 옵션이 있습니다.

RubixML/Tensor

Repository: (link not provided)
Status: Active

RubixML/Tensor는 머신러닝 워크로드에 특화되어 최적화된 저수준 선형대수 라이브러리입니다. 제공 내용:

  • 텐서와 행렬
  • 원소별 연산
  • 분해 및 변환

Rubix ML이 두뇌라면 Tensor는 근육입니다. 이 라이브러리는 예측 가능한 메모리 사용량과 성능을 중시할 때 필수적이며, 단순히 정확성만을 추구하는 경우와는 차별됩니다.

MathPHP

Repository: (link not provided)
Status: Active

MathPHP는 순수 PHP로 작성된 범용 수학 라이브러리입니다. 포함 내용:

  • 선형대수
  • 통계
  • 확률 분포
  • 수치 방법

ML 프로젝트에서 MathPHP는 지원 기반으로 자주 사용됩니다: 거리 측정, 정규화, 통계 추정, 가설 검정 등. 특히 숨겨진 최적화나 추상화 없이 수학을 정직하게 구현한다는 점에서 가치가 높습니다.

NumPower

Repository: (link not provided)
Status: Active

NumPower는 고성능 수치 연산을 위한 PHP 확장으로, NumPy에서 영감을 받았습니다. x86‑64 CPU에서 AVX2 명령을 사용하고 GPU 연산을 위한 CUDA를 지원합니다.

“PHP로 실제 과학 연산을 할 수 있나요?”
예 — 확장과 특수 인프라를 사용할 의향이 있다면 가능합니다.

NumPower는 PHP가 단순히 웹 레이어가 아니라 연산 엔진으로 활용될 때 관련성이 높습니다.

NumPHP와 SciPhp

  • NumPHP: (link not provided)
  • SciPhp: (link not provided)

Status: Unmaintained

이들 NumPy 영감 라이브러리는 오늘날에는 주로 역사적 관심사이지만, 현재 AI 열풍이 일기 전부터 PHP에서도 과학 컴퓨팅 아이디어가 존재했음을 보여줍니다.

Modern ML Integrations: Tokens, Embeddings, Data Pipelines

Modern ML rarely lives in isolation. Around every model there’s infrastructure.

tiktoken‑php

Repository: (link not provided)

tiktoken-php는 OpenAI의 tiktoken 토크나이저를 PHP로 포팅한 것입니다. 다음을 할 수 있습니다:

  • 토큰 수 계산
  • 텍스트를 정확히 분할
  • 요청 비용 추정
  • 컨텍스트 길이 제어

PHP에서 GPT, Claude, Gemini 등을 사용할 경우 이 라이브러리는 거의 필수입니다.

Rindow Math Matrix

Repository: (link not provided)
Status: Active

ML 및 수치 방법에 초점을 맞춘 선형대수 라이브러리로, Rindow 생태계 내에서 자주 사용됩니다. 엄격한 수학 API와 수치 동작에 대한 정밀한 제어를 제공합니다.

Flow PHP

Repository: (link not provided)
Status: Active

Flow PHP는 데이터 처리 프레임워크(ML 라이브러리는 아님)이며 다음을 담당합니다:

  • ETL 파이프라인
  • 데이터 변환
  • 검증
  • 스트리밍 워크플로

실제 ML 시스템에서는 데이터 준비가 모델링보다 더 어려운 경우가 많습니다. Flow PHP는 *“원시 데이터가 존재한다”*와 “모델이 이를 소비할 수 있다” 사이의 격차를 메워줍니다.

Integration with External ML Services

오늘날 PHP에서 ML을 사용하는 가장 일반적인 방법은 API를 통한 추론입니다.

LLM APIs: OpenAI, Anthropic, Gemini

PHP SDK와 HTTP 클라이언트를 이용해 PHP 애플리케이션에서 다음을 활용할 수 있습니다:

  • 임베딩
  • 분류
  • 텍스트 생성
  • 요약
  • 구조화된 데이터 추출

아키텍처적 함의

  • 모델은 외부에 존재합니다.
  • PHP는 언제와 왜 모델을 호출할지 제어합니다.

이는 PHP의 강점인 큐, 데이터베이스, 캐싱, 청구, UI, 오케스트레이션과 완벽히 맞물립니다.

ONNX Runtime and Model Inference

  • 모델을 Python에서 학습하고 ONNX로 내보낸 뒤, PHP 확장이나 외부 런타임을 통해 실행할 수 있습니다.
  • 이를 통해 프로덕션에 Python이 전혀 없는 환경에서도 PHP 애플리케이션 내부에서 추론을 완전하게 제어할 수 있습니다.

Computer Vision and Signal Processing

PHP가 이 분야의 주도자는 아니지만 기본 도구가 존재합니다.

  • OpenCV를 바인딩이나 CLI 호출을 통해 사용할 수 있으며, PHP는 오케스트레이션 레이어 역할을 합니다.
  • 일반적인 패턴: PHP가 무거운 수학 작업을 직접 수행하기보다 해당 작업을 조율합니다.

PHP ML 생태계를 전체적으로 읽는 방법

PHP는 ML 벤치마크나 Kaggle 대회용 언어가 아니다.
실제 제품에 머신러닝을 연결하기 위한 언어이다.

생태계가 우선시하는 것:

  • 코드 가독성
  • 통합
  • 데이터 제어
  • 예측 가능한 동작

모델 뒤의 수학을 이해한다면, PHP는 프로덕션에서 사용할 수 있는 충분한 도구를 제공한다.

PHP가 ML 시스템에서 수행하는 핵심 역할

  • 모델 적용
  • 임베딩 및 벡터 작업
  • 분류 및 순위 매기기
  • ML 서비스 오케스트레이션
  • 수학과 비즈니스 로직 연결

따라서 PHP의 ML 생태계는 단일 구조가 아니라, 많은 실제 시스템이 필요로 하는 정확한 도구 상자이다.

추가 자료

Awesome PHP ML을 탐색해 보세요. 이 컬렉션은 PHP에서 머신러닝에 초점을 맞춘 라이브러리, 도구 및 프로젝트를 선별한 것입니다. 현재 사용 가능한 것들과 활발히 개발 중인 것을 발견하기 위한 훌륭한 시작점입니다.

Back to Blog

관련 글

더 보기 »