살아 움직이는 머신러닝 파이프라인 설계: 텐서플로와 함께하는 머신러닝 프로젝트 자동화

378

살아 움직이는 머신러닝 파이프라인 설계

●

데이터 스트림 수집 : 이 책에서는 데이터 배치에 대해 학습을 받은 파이프라인만 고려했습니다. 그러나

더 정교한 데이터 파이프라인을 통해 머신러닝 파이프라인은 데이터 스트림을 소비할 수 있어야 합니다.

미래의 도구는 이 책에 수록한 일부 프로세스를 더욱 추상화할 수 있으며, 미래의 파이프라인

을 더욱 원활히 사용하고 자동화할 것으로 기대합니다.

또한 미래의 파이프라인은 다른 유형의 머신러닝 문제를 해결해야 할 것으로 예상합니다. 우

리는 단지 지도 학습과 거의 독점적인 분류 문제를 논의했을 뿐입니다. 분류 문제는 파이프라

인을 이해하고 구축하기가 가장 쉬우므로 지도 분류 문제부터 시작하는 것이 타당합니다. 회귀

문제, 이미지 캡션, 텍스트 생성과 같은 다른 유형의 지도 학습은 이 책에서 설명하는 파이프

라인의 대부분의 컴포넌트로 대체하기 쉬울 것입니다. 하지만 강화 학습 문제와 비지도 문제는

잘 맞지 않을 수 있습니다. 이런 문제는 여전히 생산 시스템에서는 드물지만, 앞으로는 더 흔해

질 것입니다. 파이프라인의 데이터 수집, 검증, 피처 엔지니어링 컴포넌트는 여전히 이런 문제

와 함께 작동해야 하지만, 학습, 평가, 검증 부분에는 상당한 변화가 필요합니다. 피드백 루프

도 매우 다르게 보일 것입니다.

15.4

다른 머신러닝 프레임워크와 함께 사용하는

TFX

머신러닝 파이프라인의 미래에는 기본 머신러닝 프레임워크에 대한 개방성이 포함될 가능성이

높으므로 데이터 과학자는 텐서플로, 파이토치, ...