살아 움직이는 머신러닝 파이프라인 설계: 텐서플로와 함께하는 머신러닝 프로젝트 자동화

376

살아 움직이는 머신러닝 파이프라인 설계

다. 데이터 과학팀이 모델을 학습하는 동안 예외 케이스를 고려했는지에 대한 문제에 직면해

있다면, 실험 추적을 사용해 모델 매개변수와 반복을 추적할 수 있습니다.

Weight

and

Bias

(

https

://

www

.

wandb

.

com

/

)와

Sacred

(

https

://

oreil

.

ly

/

6zK3V

)는

실험 추적용 도구입니다. [그림

15

-

1

]은 각 모델 학습 실행에서 발생한 손실과 함께

Weight

and

Bias

의 실제 사례를 보여줍니다. 다양한 시각화가 가능하며 각 모델 실행에 대한 모든 하

이퍼파라미터도 저장할 수 있습니다.

그림

15-1

Weight

and

Bias

에서 수행한 실험 추적

향후에는 실험과 생산 프로세스가 더욱 긴밀하게 연계되어 데이터 과학자가 새로운 모델 아키

텍처를 테스트하는 것에서 파이프라인에 추가하는 것으로 원활하게 전환할 수 있을 것으로 기

대합니다.

15.2

모델 배포 관리에 관한 생각

소프트웨어 엔지니어링에서는 코드를 버전화하고 배포를 관리하는 절차가 잘 수립되어 있습니

다. 이전 버전과 호환되지 않을만한 큰 변경이라면 주요 버전(예:

0

.

x

에서

1

.

0

으로 )을 변경합

니다. 작은 기능 추가에는 부 버전(

1

.

0

~

1

.

1

)을 변경합니다. 머신러닝 세계에서 이는 무엇을