잘되는 머신러닝 팀엔 이유가 있다

258

Part 2

엔지니어링

루어집니다. 모델 테스트가 실패했을 때, 모델이 어떻게 잘못된 결과에 도달했는지 오류 분

석을 수행하고, 최종적으로 모델을 개선할 수 있는 잠재적 방안들을 찾아내는 것이 중요합니

다.

ML

종사자들은 이미 잘 알고 있듯이, 모델 개선 접근 방식에는 두 가지가 있습니다.

데이터 중심 접근법

이전의 데이터 수집 루프를 활용하여 더 대표적이고 품질이 높은 훈련 데이터를 생성할

수 있습니다. 균형 잡힌 데이터셋 생성이나 피처 스케일링과 같은 다양한 피처 엔지니어

링 접근법도 고려할 수 있습니다.

모델 중심 접근법

이것은 단순히 하이퍼파라미터를 조정하는 것이 아닙니다. 대안 모델 아키텍처, 앙상블

또는

ML

문제를 더 쉽게 해결할 수 있는 좁은 하위 문제로 분해하는 방법을 탐구할 수

있습니다.

그러나 팀이 두 가지 접근법 모두 시도했는에도 모델이 여전히 충분히 좋지 않을 때가 있습니

다. 이 시점에서

1

장에서 소개한

(과소평가되었지만 유용한)

접근법인 문제를 재구성하는 방

법이 있습니다.

데이터가 부족하거나 충분히 대표적이지 않아 ‘충분히 좋은’ 모델을 훈련할 수 없는 상황에

직면했을 때,

ML

시스템 최종 사용자의 기대치를 일시적으로 낮추는 방법으로 진전을 이룰

수 있습니다. 이를 통해 팀은 모델의 초기 버전을 배포하고 실제 사용 환경에서 ...