MLOps 도입 가이드

131

7장 모니터링과피드백루프

●

여러가지새로학습한버전을기존의배포된버전과비교

●

레이블링된데이터에대해완전히새로운모델과다른모델을비교

●

시간경과에따른모델성능추적

형식상 모델 평가 저장소는 머신러닝 모델 생애주기와 관련된 데이터를 중앙 집중식으로 관리

하여 비교할 수 있게 하는 역할을 한다. 그러나 모델 간 비교는 모델들이 동일한 문제 해결을

목표로 하는 경우에만 의미가 있다. 정의에 따라, 이 모든 비교를 하나의 논리 모델 아래 그룹

화한다.

논리 모델

logical

model

머신러닝 애플리케이션 구축은 반복적인 프로세스로, 프로세스 내에는 상용 배포, 성능 모니터

링, 데이터 추출, 시스템의 문제 해결 방법을 개선하는 방안 모색 등이 포함된다. 반복하는 방

법에는 여러 가지가 있으며, 그중 일부는 이미 이 장에서 논의한 바와 같다.

●

새데이터에대해동일한모델재학습

●

모델에새특성추가

●

새로운알고리즘개발

이러한 이유로 머신러닝 모델 자체는 정적이지 않고 시간에 따라 지속적으로 변화한다. 따라서

머신러닝 애플리케이션에 대해 추론하기 위해서는 더 높은 추상화 수준인 논리 모델을 사용하

는 것이 도움이 된다.

논리 모델은 비즈니스 문제를 해결하기 위한 모델 템플릿과 해당 템플릿의 버전 모음이다. 모

델의 어떤 버전은 주어진 데이터 세트에 대해 모델 템플릿을 학습하여 얻는다. 하나의 논리 모

델이 포함하는 모델 템플릿들의 모든 버전은 일반적으로 동일한 종류의 데이터 세트(즉, 동일

한 특성 정의 및/또는 ...