fastai와 파이토치가 만나 꽃피운 딥러닝

104

1



실전 딥러닝

는 목표를 잘 달성하려면 어떤



를 당겨야 하는지(즉, 어떤 조치를 취할 수 있는지 )를 고려

합니다. 구글에서는 검색 결과에 순위를 매기는 레버였죠. 세 번째 단계에는 레버를 실제 작동

시키는 데 어떤 새로운



가 필요한지를 고려합니다. 구글은 페이지 간의 링크 관계에 포

함된 암시적인 정보를 검색 결과의 순위를 매기는 목적으로 사용할 수 있다고 판단했습니다.

세 단계를 거쳐야 비로소 예측 모델의 구축을 고민할 수 있습니다. 즉 목표, 가용 레버, 보유 데

이터 및 수집해야 하는 데이터가 구축될 모델을 결정합니다. 레버 및 제어할 수 없는 모든 변수

를 모델의 입력으로 사용해 얻은 예측 결과를 모두 결합하여 우리의 목적에 맞는 최종 상태를

예측합니다.

또 다른 예로 추천 시스템을 고려해보죠. 추천 엔진의 목적은 고객에게 유용하지만 추천 없이

는 구매하지 않을만한 상품을 추천하여 추가 구매를 끌어내는 것입니다. 여기서는 추천의 순위

매기기가 레버입니다. 새로운 판매로 이어지는 추천을 하려면 새로운 데이터를 수집해야 합니

다. 광범위한 고객에게 다양한 추천을 제공하는 데이터를 수집하려면 수많은 실험이 수행되어

야만 합니다. 실제로 이를 수행하는 사례는 거의 없지만, 이 단계 없이는 진정한 목표(더 많은

판매 )에 기반하여 추천을 최적화하는 데 필요한 정보가 없다고 볼 수 있습니다.

마지막으로 추천 내용을 보거나, 보지 않는 조건에서의 구매 확률에 대한 두 가지 모델을 구축

할 수 있습니다. 두 확률 간의 차이는