신뢰할 수 있는 머신러닝

7장. 교육 시스템

이 작품은 AI를 사용하여 번역되었습니다. 여러분의 피드백과 의견을 환영합니다: [e-mail]

ML 트레이닝은 입력 데이터를 모델로 변환하는 프로세스입니다. 거의 항상 효율적인 방식으로 사전 처리되고 저장된 입력 데이터 세트를 가져와 일련의 ML 알고리즘을 통해 처리합니다. 결과물은 다른 애플리케이션에 통합할 수 있는 모델이라고 하는 해당 데이터의 표현입니다. 모델이 무엇인지에 대한 자세한 내용은 3장을 참조하세요.

학습 알고리즘은 소프트웨어가 데이터를 읽고 해당 데이터를 표현하기 위해 모델을 업데이트하는 특정 단계를 설명합니다. 반면에 훈련 시스템( )은 해당 알고리즘을 둘러싼 전체 소프트웨어 세트를 설명합니다. ML 학습 시스템의 가장 간단한 구현은 단일 프로세스에서 실행되는 단일 컴퓨터에서 데이터를 읽고, 일부 정리를 수행하고, 해당 데이터에 일관성을 부여하고, ML 알고리즘을 적용하고, 데이터에서 학습한 결과 새로운 값으로 모델의 데이터 표현을 생성하는 것입니다. 단일 컴퓨터에서 학습하는 것이 모델을 구축하는 가장 간단한 방법이며, 대형 Cloud 제공업체에서는 개별 컴퓨터의 강력한 구성을 대여하기도 합니다. 하지만 프로덕션 환경에서 ML을 사용하는 많은 흥미로운 사례는 상당한 양의 데이터를 처리하므로 결과적으로 한 대 이상의 컴퓨터가 훨씬 더 유용할 수 있습니다. 처리를 분산하면 규모도 커지지만 복잡성도 커집니다.

부분적으로는 ML 학습 시스템이 무엇인지에 대한 광범위한 개념으로 인해 ML 학습 시스템은 엔드투엔드 ML 시스템의 다른 어떤 부분보다 조직과 모델 빌더에 따라 서로 공통점이 적을 수 있습니다. 8장에서는 다양한 사용 사례에서도 서빙 시스템의 기본 요구 사항 중 많은 부분이 대체로 비슷하다는 것을 알 수 있습니다. 즉, 모델을 표현하고, RAM에 로드하고, 애플리케이션에서 보낸 모델 내용에 대한 쿼리에 응답한다는 것입니다. 서빙 시스템에서는 아주 작은 모델(예: 휴대폰)을 위한 서빙이 이루어지는 경우도 있습니다. 때로는 한 대의 컴퓨터에도 모두 들어가지 않는 거대한 모델을 위한 것이기도 합니다. 하지만 문제의 구조는 비슷합니다.

이와는 대조적으로, 학습 시스템은 반드시 ML 라이프사이클의 동일한 부분에 존재하지도 않습니다( 그림 1-1 참조). 일부 훈련 시스템은 입력 데이터와 가장 가까운 곳에 위치하여 서빙 시스템에서 거의 완전히 오프라인으로 기능을 수행합니다. 다른 훈련 시스템은 서빙 플랫폼에 내장되어 있으며 서빙 기능과 긴밀하게 통합되어 있습니다. 학습 시스템이 모델의 상태를 유지하고 표현하는 방식을 살펴보면 또 다른 차이점이 나타납니다. 합법적이고 잘 구조화된 ML 트레이닝 시스템 간에는 이처럼 다양한 차이가 있기 때문에 조직에서 모델을 트레이닝하는 모든 방식을 다루는 것은 합리적이지 않습니다.

대신 이 장에서는 다소 이상화된 버전의 간단한 분산형 ML 학습 시스템을 다룹니다. 여기서는 ML 루프의 별도 부분, 즉 데이터 옆에 존재하며 모델 품질 평가 ...