ML 프로젝트 관리는 아이디어 구상에서 프로덕션에 즉시 사용 가능한 구현으로 발전하는 ML 프로젝트를 관리하는 방법을 보여줍니다. 이 과정에서는 ML 개발 단계와 ML팀에서 일반적으로 볼 수 있는 역할 및 기술을 다룹니다. 이해관계자와 협력하기 위한 전략을 설명하고 개발의 각 단계에서 ML 프로젝트를 계획하고 관리하는 방법을 자세히 설명합니다.
이 과정은 ML 프로젝트에 내재된 복잡성을 명확하게 설명하여 ML 프로젝트 관리를 위한 탄탄한 이론적 프레임워크를 제공합니다.
이 과정에서는 기존의 ML 모델에 중점을 둡니다. 생성형 AI가 주목을 받고 있지만 Google에서 기존 ML은 중요한 역할을 하며 Google Cloud의 TPU 할당량 예측부터 YouTube에서 관련 동영상 추천에 이르기까지 지도의 이동 시간 예측부터 항공편 검색에서의 항공권 가격 추정에 이르기까지 다양한 서비스와 프로젝트를 뒷받침합니다.
일반적으로 기존 ML 프로젝트를 관리하는 원칙은
생성형 AI 프로젝트 관리와 동일합니다 큰 차이가 있는 경우 이 과정에서는
관련된 생성형 AI 조언과 안내를 제공합니다
기본 요건:
머신러닝에 대한 기본적인 사항을 이해하고 있어야 합니다. 머신러닝 개념에 대한 간략한 소개는
머신러닝 소개를 참조하세요. 머신러닝에 대한 실무형 소개는 머신러닝 단기집중과정을 참조하세요.
먼저 ML이 문제에 적합한 접근 방식인지 확인해야 합니다.
문제를 ML 솔루션 측면에서 프레이밍하지 않았다면 머신러닝 문제 프레이밍 소개를 완료하세요.
[null,null,["최종 업데이트: 2024-03-12(UTC)"],[[["\u003cp\u003eThis course provides a comprehensive framework for managing machine learning (ML) projects, guiding you through all stages from ideation to production.\u003c/p\u003e\n"],["\u003cp\u003eIt covers key aspects such as defining project phases, planning and management strategies, establishing success metrics, and implementing responsible AI practices.\u003c/p\u003e\n"],["\u003cp\u003eWhile focused on traditional ML models, the course also offers insights into managing generative AI projects, highlighting common principles and key differences.\u003c/p\u003e\n"],["\u003cp\u003eTo benefit from this course, you should have a basic understanding of machine learning and have already determined that ML is the appropriate solution for your problem.\u003c/p\u003e\n"],["\u003cp\u003eIt's estimated to take approximately 90 minutes to complete this course, equipping you with the necessary skills to effectively manage your ML projects.\u003c/p\u003e\n"]]],[],null,["# Managing ML projects\n\n*Managing ML Projects* shows you how to manage an ML project as it progresses\nfrom an idea to a production-ready implementation. The course covers the\nML development phases and the roles and skills\ntypically found on ML teams. It discusses strategies for working with\nstakeholders and provides details on how to plan and manage an ML project\nat each phase of development.\n\nBy demystifying the complexities inherent in ML projects, the course\nprovides a solid theoretical framework for managing ML projects.\n\nThe course focuses on traditional ML models. Although generative AI is in the\nspotlight, traditional ML plays a vital role at Google, underpinning many\nservices and projects, from predicting travel times in Maps to estimating the\nprice of airline tickets in Flights, from predicting compute quota for Google\nCloud customers to recommending relevant videos in YouTube.\n\nIn general, the principles for managing traditional ML projects are identical\nfor managing generative AI projects. When there's a significant difference, the\ncourse provides relevant generative AI advice and guidance.\n| **Estimated Course Length:** 90 minutes\n| **Objectives:**\n|\n| - Define the phases and elements of an ML project.\n| - Describe how to plan and manage an ML project.\n| - Determine business and model success metrics.\n| - Recognize the iterative process of running ML experiments.\n| - Design a solution for productionizing ML pipelines.\n| - Implement responsible ML and AI practices at each development phase.\n\n**Prerequisites:**\n\n- You should have a basic understanding of machine learning. For a brief introduction to machine learning concepts, see [Introduction to Machine Learning](/machine-learning/intro-to-ml). For a hands-on introduction to machine learning, see [Machine\n Learning Crash Course](/machine-learning/crash-course).\n- You should first verify that ML is the right approach for your problem. If you haven't framed your problem in terms of an ML solution, complete [Introduction to Machine\n Learning Problem Framing](/machine-learning/problem-framing).\n\n\u003cbr /\u003e"]]
