살아 움직이는 머신러닝 파이프라인 설계: 텐서플로와 함께하는 머신러닝 프로젝트 자동화

347

13

장

피드백 루프

13.1.1

데이터 플라이휠

때로는 머신러닝에 기반한 새 제품을 만드는 데 필요한 모든 데이터가 갖춰져 있습니다. 그러

나 더 많은 데이터를 수집해야 할 때도 있습니다. 이는 지도 학습 문제를 다룰 때 특히 자주 발

생합니다.

지도 학습

supervised

learning

은

비지도 학습

보다 더 성숙하고 일반적으로 더 강력한 결과

를 제공하므로 프로덕션 시스템에 배포된 대부분의 모델은 지도 학습 모델입니다. 데이터는 많

지만 레이블이 지정된 데이터가 충분하지 않을 때도 많습니다. 그러나 예제 프로젝트에서 사용

했듯이,

전이 학습

transfer

learning

의 성장은 일부 머신러닝 문제에서 많은 양의 레이블링된 데이터

의 필요성을 없애기 시작했습니다.

레이블링되지 않은 데이터가 많고 레이블을 더 많이 수집해야 할 때는

데이터 플라이휠

flywheel

개념이 매우 유용합니다. 데이터 플라이휠을 사용하면 제품의 기존 데이터, 직접 레이블을 지

정한 데이터, 공개 데이터를 사용해서 초기 모델을 설정하여 학습 데이터셋을 확장할 수 있습

니다. 사용자에게서 초기 모델에 관한 피드백을 수집하면, 데이터에 레이블을 붙일 수 있습니

다. 따라서 모델 예측이 향상되어 더 많은 사용자를 끌어들여서 더 많은 데이터에 레이블을 붙

이는 등의 작업을 할 수 있습니다