MLOps 도입 가이드

169

9장 소비자신용리스크관리

는 보험계리사들이 지배하게 될 것이다.

XGBoost

와 같은 그레이디언트 부스팅 알고리즘

gradient

boosting

algorithm

으로 인해 좋은 모델을 처

음부터 만들어야 할 필요가 줄어들어 구축 비용이 줄었다. 그러나 블랙박스 효과로 인해 검증

은 더 복잡해졌다. 따라서 그러한 모델에 어떤 입력값을 넣더라도 합리적인 결과를 반환한다는

느낌을 받기 힘들어졌다. 그럼에도 불구하고 신용 리스크 모델 제작자들은 이러한 새로운 유형

의 모델을 사용하고 검증하는 방법을 습득하였다. 우리가 이 책에서 살펴본 것처럼

MLOps

의

중요한 구성 요소인 신뢰를 자신들의 모델에 구축하기 위해, 그들은 샤플리

Shapley

값과 같은 개

별적 설명 방법을 기반으로 하는 새로운 검증 방법론을 개발했다.

9.3

모델 편향성에 대한 고려 사항

모델이 대출 신청자를 의도치 않게 탈락시킬 수 있으므로 모델 제작자는 선택 편향

selection

bias

도

감안해야 한다. 선택 편향으로 인해, 대출이 허용된 집단이 대출 신청자 집단을 대표하지 않을

수 있다.

부주의하여 이전 버전에서 대출 가능으로 판정한 집단으로 모델의 새로운 버전을 학습시키면,

대출이 거부된 집단은 학습 데이터에 포함되지 않으므로 대출 거부 집단을 예측하지 못하는 모

델을 만들게 된다. 이 효과를 체리 피킹

cherry

-

picking

이라고 한다. 결과적으로, 신청자 집단을 기

반으로 가중치를 재조정하거나 외부 데이터를 기반으로 모델을 보정하는 것과 같은 특별한 방