신뢰할 수 있는 머신러닝

14장. 실제 ML 조직 구현 예제

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

조직은 복잡한 실체이며 모든 측면이 서로 연결되어 있습니다. 조직의 리더는 ML 도입으로 인해 조직에서 새로운 도전과 변화에 직면하게 될 것입니다. 이를 실제로 고려하기 위해 세 가지 일반적인 조직 도입 구조와 이러한 구조가 우리가 고려하고 있는 조직 설계 질문에 어떻게 적용되는지 살펴봅시다.

이러한 각 시나리오에 대해 조직 리더가 ML을 조직에 통합하기로 선택한 방법과 그 선택의 영향에 대해 설명합니다. 전반적으로 각 선택의 장점과 예상되는 함정을 고려하겠지만, 특히 13장에서 소개한 스타 모델에서 각 선택이 프로세스, 보상 및 사람 측면에 어떤 영향을 미치는지 살펴볼 것입니다. 조직의 리더는 이러한 실행 시나리오를 충분히 자세히 살펴보고 자신의 조직의 측면을 인식하고 이를 자신의 조직 상황과 전략에 매핑할 수 있어야 합니다.

시나리오 1: 새로운 중앙 집중식 ML 팀

YarnIt이 쇼핑 추천을 생성하는 모델을 개발하는 ML 전문가 한 명을 고용하여 스택에 ML을 통합하기로 결정했다고 가정해 보겠습니다. 파일럿은 성공적이었고 출시 후 매출이 증가했습니다. 이제 이 회사는 이러한 성공을 어떻게 확장할지, 그리고 ML에 얼마나 투자할지(그리고 얼마나!) 결정해야 합니다. YarnIt의 CEO는 조직의 새로운 중앙 집중식 역량으로 ML 센터 오브 엑설런스 팀을 구축하고 운영할 새로운 부사장을 고용하기로 결정합니다.

배경 및 조직 설명

이러한 조직의 선택에는 상당한 이점이 있습니다. 팀이 전문화될 수 있고, 협업과 협업을 위한 충분한 기회가 존재하며, 경영진이 회사 전체에서 ML 작업의 우선순위를 정할 수 있는 명확한 범위가 있습니다. 신뢰성 전문가의 범위가 ML 시스템으로 제한되어 있는 경우 같은 조직에 있을 수 있습니다. 또한 중앙 집중화는 상당한 영향력을 창출합니다. ML 조직의 리더는 YarnIt 전체에서 자신의 우선순위를 옹호할 수 있는 입지가 더 커집니다.

그룹이 성장하고 프로젝트가 다양해짐에 따라 더 많은 YarnIt이 ML 조직과 상호 작용해야 할 것입니다. 바로 여기서 중앙 집중화가 단점이 될 수 있습니다. ML 팀이 비즈니스의 나머지 부분과 너무 멀리 떨어져 있으면 기회를 포착하고, 원시 데이터를 깊이 이해하고, 좋은 모델을 구축하는 데 더 오랜 시간이 걸리기 때문입니다. 개별 제품 팀으로부터 격리된 ML 팀은 해당 제품 팀의 지원을 받지 못하면 성공할 가능성이 낮습니다. 더 나쁜 것은 이 두 기능(ML과 제품 개발)을 조직도에서 완전히 분리하여 배치하면 팀이 협력하는 대신 경쟁하게 될 수 있다는 점입니다.

마지막으로, 중앙 집중식 조직은 제품에 ML을 추가하기 위해 도움을 요청하는 비즈니스 부서의 요구에 적절히 대응하지 못할 수 있습니다. ML을 프로덕션화할 때 비즈니스 부서는 ML 팀의 안정성 요구 사항을 이해하지 못하고 안정성 프로세스를 따르는 이유를 ...