프로덕션 ML 시스템

예상 모듈 길이: 70분

학습 목표

• 프로덕션 ML 시스템의 다양한 구성요소에 대해 알아봅니다.
• 이상적인 학습 패러다임 (정적 및 동적)을 선택합니다.
• 이상적인 추론 패러다임 (정적 및 동적)을 선택합니다.
• 머신러닝 배포를 테스트합니다.
• 프로덕션 ML 시스템에 대해 적절한 질문을 합니다.
• 실제 ML 모델의 결함을 파악합니다.
• 프로덕션 ML 시스템에서 구성요소 모니터링

를 통해 개인정보처리방침을 정의할 수 있습니다.

기본 요건:

이 모듈에서는 확인할 수 있습니다

• 머신러닝 소개
• 선형 회귀
• 수치 데이터 다루기
• 범주형 데이터 작업
• 데이터 세트, 일반화, 과적합

지금까지 이 과정에서는 머신러닝 (ML) 모델 빌드에 초점을 맞췄습니다. 하지만 그림 1에서 알 수 있듯이 실제 프로덕션 ML 시스템은 규모가 큽니다. 이 모델은 비교적 작은 단일 부분에 불과합니다.

<ph type="x-smartling-placeholder">

</ph> 그림 1. 실제 프로덕션 ML 시스템은 여러 구성요소로 이루어져 있습니다.

 

실제 머신러닝 프로덕션 시스템의 중심에는 ML이 전체 코드베이스의 5% 이하만을 차지하는 경우가 많지만 있습니다. 오타가 아닙니다. 여러분이 생각하시는 것보다 훨씬 적기 때문에 있습니다. ML 프로덕션 시스템은 상당한 양의 리소스를 수집, 검증, 특성 추출을 수행합니다.