38
살아 움직이는 머신러닝 파이프라인 설계
능을 측정할 수 있습니다. 이 단계에서 모델의 성능에 관한 중요한 정보를 측정할 수 있습니다.
때로는 새로운 학습 데이터를 수집해서 데이터셋을 늘리고 모델을 업데이트할 수 있습니다. 사
람이 개입하거나 자동화할 수도 있습니다. 피드백 루프는
13
장에서 논의합니다.
두 가지 수동 검토 단계 (모델 분석 단계와 피드백 단계 )를 제외한 전체 파이프라인을 자동화할
수 있습니다. 데이터 과학자는 기존 모델의 업데이트와 유지를 자동화하여 새로운 모델을 개발
하는 데 집중할 수 있어야 합니다.
1.3.9
개인 정보 보호
개인 정보 보호에 관한 고려 사항은 표준 머신러닝 파이프라인 외부에 있습니다. 데이터 사용
과 관련한 소비자의 우려가 커지고 개인 데이터의 사용을 제한하는 새로운 법률이 도입됨에 따
라 향후 이런 상황이 달라질 것이라 예상합니다. 개인 정보 보호 기법이 머신러닝 파이프라인
구축 도구로 통합될 가능성이 높습니다.
14
장에서는 머신러닝 모델에서 개인 정보 보호를 강화하는 최신 옵션 몇 가지를 다룹니다.
●
차등 개인 정보 보호
differential
privacy
: 수학 연산을 활용해 모델 예측이 사용자의 데이터를 노출하지 않도
록 보장합니다.
●
연합 학습
federated
learning
: 원시 데이터가 사용자의 장치로부터 다른 곳으로 이전되지 않도록 합니다.
●
암호화된 머신러닝
encrypted
machine
learning
: 전체 학습 프로세스를 암호화된 공간에서 실행하거나 원시
데이터에서 ...