머신러닝 (Machine Learning) 모델 사용에 특화된 의미론적 결함 (Semantic faults)은 머신러닝 개발자들에게 흔한 문제이며, 이는 최적화되지 않은 예측, 높은 계산 비용 또는 잘못된 출력을 초래합니다. 예를 들어, 스케일에 민감한 모델을 훈련시키기 위해 스케일링되지 않은 데이터 (unscaled data)를 잘못 사용할 수 있습니다. 머신러닝 개발자들은 모델을 훈련시킨 후 결과를 수동으로 분석하여 이러한 결함을 탐지하며, 이는 비효율적인 과정입니다. 우리는 머신러닝 코드 내의 의미론적 결함을 탐지하기 위한 새로운 데이터 인지적 (data-aware) 정적 분석 (static analysis) 접근 방식을 제안하며, 이를 통해 개발자가 모델을 훈련시킨 후가 아니라 코드를 작성하는 동안 이러한 버그를 발견할 수 있도록 합니다. 우리의 접근 방식은 데이터 흐름 분석 (data flow analysis)과 제어 흐름 분석 (control flow analysis), 그리고 API 계약 (API contracts)을 결합하여 사용하여, 높은 수준의 추상화 단계에서 머신러닝 코드에 대한 데이터 인지적 추론을 가능하게 합니다. 우리는 실제 머신러닝 노트북 (machine learning notebooks) 샘플을 분석함으로써 우리 솔루션의 잠재력을 강조하며, 데이터 인지적 접근 방식이 필요한 결함들을 탐지할 수 있음을 확인했습니다.