패스트캠퍼스 환급챌린지 1일차 : 10개 프로젝트로 한 번에 끝내는 MLOps 파이프라인 구현 초격차 패키지 Online. 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

봄맞이 특급 혜택 '하나 더 봄'🌸 1+1 이벤트 (3/4~3/9) | 패스트캠퍼스

 

수강 인증

공부시작

공부끝

클립수강

필기

 

수강 후기

안녕하세요. 환급챌린지 1일차 포스팅입니다.

오늘은 머신러닝 상품화를 위한 개발 여정에 대해 간략히 알아보았습니다.

 

머신러닝 상품화를 들었을 때, 처음 떠오른 생각은 성능 좋은 모델 개발이었습니다. 모델이 잘 예측해야 좋은 상품이라고 생각했었습니다. 하지만 상품화에서 모델은 전체 프로세스의 일부분일 뿐이며 성능은 일부분의 일부분이라는 것을 강의를 통해 새롭게 배웠습니다. 상품화 즉, 머신러닝으로 돈을 벌기 위해서는 비즈니스 문제를 해결하는 것이 중요합니다. 까다로운 고객들의 니즈를 충족하기 위해서는 특히 추론속도가 중요합니다. 앞으로 강의를 수강하며 이부분을 어떻게 충족시킬 것인지 배우고 싶습니다. 생각해보면 SW 개발에서도 Latency는 사용자 경험에 중요요소입니다. 버튼 하나를 클릭하면 5초씩 기다리는 웹사이트를 생각해보면 바로 공감이 될 것입니다. 머신러닝을 웹 기반으로 제공한다면 기존 Latency에 모델의 추론속도까지 더해질테니 머리가 아플만합니다.

해석가능성이 상품화에서 중요한 요소라는 점도 놀랐습니다. 이런 특성은 학문적 연구에서나 중요히 다룰 것이라고 생각했는데, 오히려 법과 규제의 가장 최전선에 있는 상품화에서 더 중요하게 다뤄지고 있다는 말을 들으니 설득력이 있었습니다. 모델의 예측 성능 요구사항이 그리 높지 않다면 오히려 딥러닝 같은 신경망 모델보다 랜덤 포레스트 같은 전통적인 모델을 사용해서 해석가능성을 높이는 것이 성공적인 상품화에 더 도움이 될 수 있다는 점에 놀랐습니다. 생각해보면 저도 음악이나 영화, 드라마를 추천받을 때 굳이 엄청나게 높은 정확도로 추천받을 필요가 없었습니다. 애초에 그날그날 원하는 컨텐츠가 달라지기 때문에 정확한 예측이라는 정의도 참 모호합니다. 그럴 땐 정확도보다 비용효율성이나 추론속도에 더욱 신경을 써서 경제성과 사용자 경험성을 챙기는 것이 더 이익 같습니다.

 

그러면 결국 좋은 머신러닝 상품이란 고객 중심에서 고객을 잘 알아야만 나올 수 있는 것 같습니다. 그런 점에서 기존 SW와 유사점이 있습니다. 하지만 굉장히 고된 반복작업과 사회의 매서운 눈초리가 추가된다는 점이 애로사항입니다. 이 어려운 점을 현업에 계신 전문가분들은 어떻게 해소하시는지 다양한 꿀팁들을 강의에서 얻어가고 싶습니다.