모델을 구현할 때는 단순하게 시작하세요. ML 작업 대부분은 데이터 복잡한 모델을 위해 전체 파이프라인을 실행하는 것이 모델 자체를 반복합니다. 데이터 파이프라인을 설정하고 간단한 모델을 구현했다면 반복 작업을 통해 더 나은 모델을 만드는 것입니다.
단순한 모델은 출시하지 않더라도 적절한 기준을 제공합니다. 사실 단순한 모델을 사용하는 것이 생각보다 나을 수 있습니다. 단순하게 시작 복잡한 모델의 타당성을 판단하는 데 도움이 됩니다.
자체 모델 학습과 이미 학습된 모델 사용 비교
학습된 모델은 다양한 사용 사례를 위해 존재하며 제공합니다 그러나 학습된 모델은 라벨이 지정된 데이터와 데이터 세트와 정확하게 일치해야 합니다 예를 들어 학습된 모델이 25개의 특성을 사용하고 있고 데이터 세트에는 24개만 포함됩니다. 잘못된 예측을 할 가능성이 높습니다.
ML 실무자는 일반적으로 ML 모델 학습에서 입력의 일치하는 하위 섹션을 미세 조정 또는 전이 학습을 위해 학습된 모델로 학습된 모델이 존재하지 않는 경우 직접 학습시킬 때 학습된 모델의 하위 섹션을 사용하여 모델을 학습시킬 수 있습니다.
학습된 모델에 대한 자세한 내용은 다음을 참조하세요.
모니터링
문제 프레이밍 중에 사용 가능한 인프라의 모니터링 및 알림을 고려합니다. ML 솔루션 요구사항을 충족하는 데 도움이 될 수 있습니다
모델 배포
경우에 따라 새로 학습된 모델이 현재 모델보다 더 좋지 않을 수 있습니다. 있습니다 그렇다면 알림을 받으면 자동 배포가 실패했다는 알림을 받게 됩니다.
학습-서빙 편향
추론에 사용되는 들어오는 특성 중 하나라도 값이 범위를 벗어나는 경우 학습에 사용된 데이터의 분포 범위에 속하니까 모델이 예측을 제대로 수행하지 못할 가능성이 높기 때문입니다 예를 들어 해수면에서 적도 도시의 기온을 예측하도록 학습되었습니다. 그러면 게재 시스템에서 위도 및 경도와 함께 수신 데이터가 경도 및/또는 모델이 학습한 범위 밖에 있는 고도를 나타냅니다. 반대로 서빙 시스템은 모델이 입력 문장의 질이 2012년 2분기에 관찰된 분포 범위를 벗어난 예측을 Vertex AI Feature Store에서 제공되는
추론 서버
RPC 시스템을 통해 추론을 제공하는 경우, 자체 API를 통해 RPC 서버 자체에서 추론 제공을 중지하면 알림을 받습니다.