모델 유지관리

MLOps 배포와 라이프사이클링

Nemanja Radojkovic

Senior Machine Learning Engineer

지난 시간에는...

• 이상 및 교란은 어떻게 포착할까요?

 

이번 강의의 초점: ML 모델 실패

¹ https://datacentricai.org/

양보다 질

• 관련 정보의 특징 더 확보
• 더 나은 레이블 확보

 

레이블 == 학습 데이터의 타깃 변수 값

레이블 품질 == 정답과의 근접도

레이블링 도구의 이점

수동 레이블링은 복잡하고 길며 오류가 잦습니다

좋은 레이블링 도구를 사용하세요!

• 레이블링 효율 향상
• 정확도 향상
• 목적에 맞는 UI
• "영향이 큰 예시부터 레이블링"
• "여기 실수가 있는 것 같습니다"

예: 이미지 분류기 구축용 이미지 레이블링 도구

레이블이 준비되면

• ML 빌드 파이프라인 실행 => 새 모델
• 새 모델이 기존보다 나은지 확인
  • 예 => 테스트 후 배포
  • 아니오 => 계속 탐색

계속 탐색하기

• 새 모델 시도
• 새 특징 시도
• 새 데이터 소스 시도

 

매우 유용: 메타데이터 스토어(MLflow Tracking 등)

• 모델 선택 과정을 기록
• 동일 실험 반복 방지

 

어쨌든: MLOps는 모델을 가장 빠르고 효율적으로 유지관리하도록 돕습니다

Ayo berlatih!

MLOps 배포와 라이프사이클링