MLOps 도입 가이드

168

3부MLOps실제사례

FICO

점수

1

는 미국에서

1995

년부터 사용하였다. 이러한 예측 모델은 기관의 수익과 고객의

삶에 직접적으로 미치는 영향을 고려하여 늘 상당한 수준의 정밀 조사를 받아왔다. 즉 고도로

규제된 환경에서 프로세스, 방법, 기술을 정규화하여 모델의 지속 가능한 성능을 보장하였다.

모델이 전문가가 만든 규칙 기반이든, 고전적 통계 모델 기반이든, 최신 머신러닝 알고리즘

기반이든 상관없이 모두 유사한 규정을 준수해야 한다. 그래서 소비자 신용 리스크 관리를

MLOps

의 선행 사례로 볼 수 있다. 이 활용 사례를 기반으로 모범 실천 사례뿐만 아니라 다른

활용 사례도 병행하여 분석할 수 있다.

일반적으로 신용도를 결정할 때 고객의 과거 상황과 현재 상황에 대한 정보를 활용할 수 있다.

고객의 신용도는 얼마인가? 고객이 대출금을 상환하지 않은 적이 있는가(여신 용어로, 연체자

인가)? 일부 국가에서는 신용국

credit

bureau

이라는 기관에서 이 정보를 수집하여 채권자가 직접

또는 점수의 형태로 이용할 수 있도록 한다(점수 형태의 예시로는 앞서 언급한

FICO

점수가

있다).

예측할 대상을 정의하는 것은 더 복잡하다. 고객이 예상대로 상환하지 않는 것은 신용 리스크

모델에 있어 ‘나쁜’ 결과다. 이론적으로 ‘좋은’ 결과라고