살아 움직이는 머신러닝 파이프라인 설계: 텐서플로와 함께하는 머신러닝 프로젝트 자동화

352

살아 움직이는 머신러닝 파이프라인 설계

이는 사용자가 결과에 많이 투자할 때 가장 효과적입니다. 수표 입금 기능이 있는 은행 앱을 예

로 들어보죠. 이미지 인식 모델이 수표 금액을 자동으로 입력합니다. 사용자는 금액이 올바른

지 확인해서 정확하지 않으면 올바른 값을 입력합니다. 이때, 정확한 금액을 입력하여 자신의

계좌에 입금하는 것이 사용자에게도 이득입니다. 사용자가 더 많은 학습 데이터를 생성할수록

앱은 시간이 지남에 따라 더욱 정확해집니다. 피드백 루프에서 이 방법을 사용할 수 있다면 고

품질의 새 데이터를 빠르게 수집하는 훌륭한 방법이 되겠죠.

머신러닝 시스템과 사용자의 목표가 강하게 일치할 때만 이 방법을 사용해야 합니다. 사용자가

잘못된 응답을 변경하려고 노력할 이유가 없어서 그냥 수락한다면 학습 데이터가 오류로 가득

차게 되어 모델이 갈수록 부정확해집니다. 또한 잘못된 결과를 제공했을 때 사용자에게 이득이

되는 상황에서 이 방법을 사용하면, 새 학습 데이터가 편향됩니다.

13.2.4

크라우드소싱 주석

이 방법은 레이블이 지정되지 않은 데이터가 많고 제품의 정상적인 사용을 통해 사용자에게서

레이블을 수집할 수 없을 때 특히 유용합니다.

NLP

와 컴퓨터 비전 도메인의 많은 문제가 이 범

주에 속합니다. 즉, 많은 이미지를 수집하기는 쉽지만, 머신러닝 모델의 특정 사용 사례에 대해

데이터의 레이블이 지정되지 않습니다. 예를 들어 휴대폰 이미지를 문서와 비문서로 분류하는

이미지 분류 모델을 학습할 때, 사용자가 많은 사진을 ...