대부분의 이상 탐지 (Anomaly Detection) 시스템은 보정된 결정 (Calibrated Decisions) 대신 점수 (Scores)를 출력하며, 이로 인해 실무자들은 명확한 통계적 해석 없이 휴리스틱 (Heuristic)하게 임계값 (Thresholds)을 선택해야 하는 상황에 놓여 있습니다. Conformal anomaly detection은 이상 점수 (Anomaly scores)를 데이터 교환 가능성 (Data exchangeability)이라는 통계적 가정 하에서 유효한 보정된 p-값 (p-values)으로 변환함으로써 이러한 한계를 해결하며, 이 아이디어를 해당 설정 너머로 확장하는 문헌이 점차 늘어나고 있습니다. 본 논문에서는 기존의 머신러닝 (Machine-learning) 워크플로우 내에서 conformal anomaly detection을 적용하기 위한 Python 패키지인 'nonconform'을 소개하며, 이를 구현 중심의 해당 분야 입문을 위한 기초로 사용합니다. 이 패키지는 'scikit-learn', 'pyod' 및 사용자 정의 이상 탐지기 (Custom anomaly detectors)와 통합되며, 보정 (Calibration), p-값 생성 (p-value generation), 그리고 허위 발견율 (False discovery rate) 제어를 위한 통합된 인터페이스를 제공합니다. 또한 단순한 split-conformal 보정부터 더 데이터 효율적이고 변화를 인식하는 (Shift-aware) 확장 방식에 이르기까지 여러 conformalization 전략을 지원합니다. 본 논문은 코드 예제를 통해 기초적인 개념부터 고급 conformalization 전략으로 이어지는 과정을 통해, conformal anomaly detection 이면에 있는 통계적 아이디어와 'nonconform'에서의 실제적인 사용을 연결합니다. 실험적 결과는 구현된 방법들이 통계적으로 원칙에 기반한 (Statistically principled) 이상 탐지를 가능하게 함을 입증합니다. 이 패키지와 설명은 실험 및 운영 중심 (Production-oriented) 환경에서 핵심적인 conformal anomaly detection 워크플로우를 더욱 접근하기 쉽고 재현 가능하게 만드는 것을 목표로 합니다.