꿈만 같은 일은 그냥 좋은 API 를 얻는 일 정도가 될 것이다. 잘 입력하면, 잘 출력하는 모델을 만들자는 것이다. 개발자 외부의 관점에서 머신러닝 모델을 보는 관점도 이와 비슷할 것이다. 하지만 실상은 다르다. 우리는 이 과정들에서 일어날 수 있는 일들에 대해서 배운다.

parse me : 언젠가 이 글에 쓰이면 좋을 것 같은 재료들.

None

from : 과거의 어떤 생각이 이 생각을 만들었는가?

supplementary : 어떤 새로운 생각이 이 문서에 작성된 생각을 뒷받침하는가?

ba2.3.9. title:
모델이 한방에 잘 작동하지 않는 것은 너무 당연한 일임을 인정하라. 개발을 잘개 쪼개 오류를 고립시킬 수 있는 모델 디버깅 및 모델 개발 전략을 수립해야 한다.

10.

ba2.3.a0. title: 데이터 엔지니어링과 데이터 과학 부문에서도 소프트웨어 개발 모범 사례(‣), 소프트웨어 개발 수명 주기 지침, DevOps 모범 사례를 따라야 한다.

11.

ba2.3.a0_2. title: 머신러닝 시스템에서 오프라인 테스트에 매몰되지 말고 모니터링(‣)과 관찰가능성(‣)을 이용해 현대판 테스팅을 진행하라.

12.

ba2.3.a1. title: AutoML 도구들은 하이퍼파라미터 튜닝과 모델링을 자동화한다.

13.

ba2.3.a2. title: ELI5, SHAP 과 같은 모델 설명가능성(‣) 도구들은 머신러닝 모델 결과를 분석하고 입출력을 설명한다.

14.

15.

opposite : 어떤 새로운 생각이 이 문서에 작성된 생각과 대조되는가?

None

to : 이 문서에 작성된 생각이 어떤 생각으로 발전되고 이어지는가?

a1.2.a9.1.1_1.2_2. title: 어떤 MLOps 솔루션을 사용하든 해당 솔루션에 종속된다. 컴퓨팅 리소스, 운영체제, 컨테이너에는 표준이 있지만 MLOps에는 표준이 없기 때문이다. 따라서 어느 수준까지 종속될 것인지를 고르는 것이 중요하다.

ba2.3_1. title: TFX는 머신러닝 프로젝트를 진행하며 작성되는 소스코드들을 재활용 가능한 형태로 적절히 추상화하는 방법의 표준을 제시한다.

참고 : 레퍼런스

Aggregate, process, clean, label, and version data, write and debug model code, provision compute (somehow find compute), run experiments, review results, deploy model, monitor predictions and close data flywheel loop.