잘되는 머신러닝 팀엔 이유가 있다

119

Chapter 2

ML 팀을 위한 제품과 전달 기법

품 지표를 모델 지표로 변환하는 과정은 간단하지 않으며 정치적 요소가 있을 수 있습니다.

하지만 팀이 모델 성능을 개선할 수 있도록 자율성을 부여하기 위해 이 과정이 필요할 수 있

습니다. 예를 들어, 금융 서비스 스타트업이 원활한 가입 절차를 통해 최대한의 고객 획득을

목표로 하는 새로운 제품을 릴리스한다고 가정해 봅시다. 그리고 금융 범죄 팀이 특정 최소

확인 절차를 요구한다고 상상해 보십시오. 정상 고객이 의심 거래로 잘못 분류되면

(거짓 긍정

false

positive

)

가입 절차에서 이탈하여 고객 획득이 감소할 수 있습니다. 반대로 나쁜 행위자가

탐지되지 않으면

(거짓 부정

false

negative

)

비즈니스는 사기로 발생하는 손실과 고객 불만, 또는

벌금이나 제재를 받을 수 있습니다. 팀은 합의된 균형을 최적화할 수밖에 없습니다.

합의된 지표를 통해 우리는 지속적인 발견과 전달을 기반으로 현재 기준선 또는 대안 솔루션

( 다수 클래스 예측 )

에서 목표 지표로 꾸준히 나아가는 것을 보여주고자 합니다. 듀얼-트

랙 전달을 고려할 때 모델 성능 향상은 발견 트랙에서 실험과 프로토타입을 통해 발견되고,

스토리 전달을 통해 제품에 반영될 수 있습니다. 모델 지표는 진행 상황을 보여주고 경로를