[Infra] Add EFS mount for ML models persistence

[fregataa]

Summary

ML 모델을 EFS에 저장하여 콜드 스타트 시간을 단축하고, 여러 태스크 간 모델 파일을 공유

Background

• Issue #27에서 S3 버킷 및 IAM 정책 설정 완료
• 현재: 컨테이너 시작 시 S3에서 모델 다운로드 (콜드 스타트 ~30초)
• 목표: EFS 마운트로 모델 파일 영구 저장 (콜드 스타트 ~5초)

Current Architecture

Container Start → S3 Download (~30s) → Model Load → Ready

Target Architecture

EFS (persistent)
├── detector/chatgpt-detector-roberta/
└── feedback/tinyllama-1.1b-chat-v1.0.Q4_K_M.gguf

Container Start → EFS Mount (instant) → Model Load → Ready

Benefits

• 콜드 스타트 시간 대폭 단축 (~30s → ~5s)
• 모든 태스크가 동일한 모델 파일 공유
• S3 다운로드 비용 절감
• 스케일 아웃 시 빠른 태스크 시작

Tasks

• EFS File System 생성 (Terraform 모듈)
• EFS Mount Target 설정 (Private Subnets)
• EFS Security Group 설정
• ML Server Task Definition에 EFS 볼륨 마운트 추가
• ModelLoader에서 EFS 경로 우선 확인 로직 추가
• 초기 모델 업로드 스크립트 작성

Terraform Changes

# New EFS module
resource "aws_efs_file_system" "ml_models" {
  creation_token = "${var.project}-ml-models"
  encrypted      = true
}

resource "aws_efs_mount_target" "ml_models" {
  for_each        = toset(var.private_subnet_ids)
  file_system_id  = aws_efs_file_system.ml_models.id
  subnet_id       = each.value
  security_groups = [aws_security_group.efs.id]
}

# ECS Task Definition
volume {
  name = "ml-models"
  efs_volume_configuration {
    file_system_id = var.efs_file_system_id
    root_directory = "/"
  }
}

mountPoints = [{
  containerPath = "/app/models"
  sourceVolume  = "ml-models"
}]

Considerations

• EFS 비용 (GB/월 + 처리량)
• 첫 배포 시 모델 업로드 필요
• Bursting vs Provisioned throughput 선택