ch02.md

2장. 머신러닝 시스템 설계 소개

moderated by 후미

---

📝 목차

• 2.1. 비지니스와 머신러닝의 목적
• 2.2. 머신러닝 시스템 요구 사항
• 2.3. 반복 프로세스
• 2.4. 머신러닝 문제 구조화하기
• 2.5. 지성(AI 모델) vs. 데이터
• 2.6. 정리
• 💬 이야기 주제

---

2.1. 비지니스와 머신러닝의 목적

정확도는 수익성이랑 비례하지 않는다.

정확도가 높은 모델보다 돈 잘버는 모델이 좋다. -회사 동료-

• 비지니스 지표에 영향을 주지 않는한 (요구되는 성능 이상이면) 기업들과 사용자는 모델 정확도에는 관심이 없다.
• 따라서 AI 프로그램을 만들 때는 정확도 <<<< 돈을 잘 벌 수 있는 AI 프로그램

^{⬆️ 위로 이동}

2.2. 머신러닝 시스템 요구 사항

신뢰성

• AI 모델은 어떠한 input에 대해서도 output이 나옴
• 개와 고양이를 구분하는 모델에 input으로 사람 사진을 넣어도, AI 모델은 output으로 개 또는 고양이라고 예측하는데, 이는 잘못된 output임에도 불구하고, 이러한 경우를 handliing할 수단이 없다.

확장성

• AI 모델 뿐만이 아니라, 모든 서비스가 그렇든. 서비스 중인 프로그램은 확장성이 용이해야된다.

유지보수성

• AI 모델을 만들기 위해서는 ML 엔지니어, DevOps(MLOps) 엔지니어, 도메인 전문가들이 필요하다.
• 서로 다른 직군의 사람들이 원할히 협력하기 위해, 작업물을 문서화하고 데이터와 모델들을 버전관리 해야된다.

적응성

• ML 시스템은 코드 반, 데이터 반으로 구성되어 있다.
• 데이터는 빠르게 변화고, ML 시스템도 이에 맞춰 빠르게 변화해야한다.
• ML 시스템을 빠르게 업데이트 할 수 있도록, 파이프라인을 잘 구축해야된다.

^{⬆️ 위로 이동}

2.3. 반복 프로세스

• ML 시스템은 아래 그림 처럼 반복적이고, 끝이 없는 프로세스이다.
• 이런 반복적이 프로세스를 잘 구축을 해야 ML시스템을 빠르게 업데이트할 수 있다.

출처: 머신러닝 시스템 설계 p.70

^{⬆️ 위로 이동}

2.4. 머신러닝 문제 구조화하기

해결하고자 하는 문제에 따라 AI모델을 설계 해야된다.

• AI모델의 출력 형식 설정
  • 키를 예측하는 AI 모델의 출력값은 회귀 형식이여야되고
  • 성별을 구분하는 AI 모델의 출력값은 분류 형식으로 나와야된다.
• AI모델의 목적함수(학습 방향)
  • AI모델을 학습 시킬때, 해결하고자 하는 문제를 잘풀 수 있도록 학습해야된다.
  • 잘학습하기 위해서는 목적함수를 잘 설계해야된다.

^{⬆️ 위로 이동}

2.5. 지성(AI 모델) vs. 데이터

• AI모델의 알고리즘도 중요하고, 데이터도 중요하다.
• 오늘날은 Data Centric이 더 중요하다라고 한다.
• AI모델의 크기와 데이터의 수는 점점 증가하고 AI모델 성능 또한 많이 증가하고 있다.
• 하지만 AI 모델이 크다고, 데이터가 많다고 성능이 좋은 AI 모델이 나오는 것은 아니다. 거대 AI모델이 데이터들을 잘 학습할 수 있게 해야되고, 방대한 데이터 중, 품질이 좋은 데이터들을 사용해야된다.

^{⬆️ 위로 이동}

2.6. 정리

• 프로젝트 시작전, 왜 이 프로젝트가 필요한지와 요구사항을 생각해야된다.
• ML 시스템은 일회성 작업이 아닌, 반복적인 프로세스다.
• 성능 좋은 AI모델도 중요하지만, 품질 좋은 데이터가 짱이다.

^{⬆️ 위로 이동}

---

💬 이야기 주제

🐧: 책에서도 모델과 데이터 중 어느 게 더 중요한지가 화두였는데, 개인적으로 어느 게 더 중요하다고 생각하시나요?

🐤: 어떤 프로덕션에 ML을 쓸 수 있을까요? 번역이나 번호판 인식 등과 같이 그 성능이 중요한 분야가 아닌, 서비스적인 면에서 어디에 ML을 썼을때 비효율을 개선할 수 있을지 생각해본게 있다면 같이 논의해보면 좋을 것 같습니다.

^{⬆️ 위로 이동}