save 는 나를 위한 것, export 는 세상을 위한 것
여태 다룬 건 전부 save — 내가 계속 학습할 수 있게 모델을 round-trip 하는 거였어. export 는 반대 방향이야: serving 시스템이 돌릴 수 있는 inference 전용 결과물을 만들어. 그 시스템은 Keras 가 뭔지 들어본 적도 없을 수 있어. model.export() 한 번에 format= 인자를 주는데, 그 인자 하나가 어느 배포 세계를 겨냥할지 정해.
한 호출, 네 갈래 목적지
각 포맷이 서로 다른 배포 질문에 답해. tf_saved_model 은 TensorFlow 생태계의 native serving 포맷 — TF Serving 이나 TF.js 에 넣어. onnx 는 vendor 중립 교환 표준이야. inference runtime (Triton, ONNX Runtime, 하드웨어 vendor stack) 이 ONNX 를 기대할 때 이걸로 export 해. openvino 는 CPU 위주 배포용 Intel 최적화 inference engine 을 겨냥해. litert (예전 TFLite 라는 이름) 은 mobile / edge 타깃 — 작고, quantize 가능하고, 폰이랑 마이크로컨트롤러에서 돌게 만들어졌어.
네 string 을 외우라는 게 아니야. 핵심은 — 네가 학습한 모델은 single source of truth 고, export 는 그걸 배포에 필요한 runtime 위로 투영하는 것뿐이라는 거.