신뢰할 수 있는 머신러닝

머리말

머신러닝(ML)은 이제 막 시작된 엄청난 기술 혁신의 물결의 중심에 있습니다. 2000년대 '데이터 중심'의 물결이 멈춘 지점에서 시작된 ML은 기계가 사용 가능한 최신 정보를 기반으로 상호 작용 시점에 거의 즉각적이고 충실도 높은 의사 결정을 내릴 수 있도록 함으로써 조직의 성과를 개선하고 고객 경험을 향상시킬 수 있는 새로운 모델 중심 의사 결정의 시대를 열어줍니다.

ML 모델의 생산적인 사용을 지원하기 위해 머신 러닝은 주로 학문적 추구에서 본격적인 엔지니어링 분야로 빠르게 발전해야 했습니다. 한때 연구자, 연구 과학자, 데이터 과학자의 전유물이었던 머신 러닝은 이제 ML 엔지니어, MLOps 엔지니어, 소프트웨어 엔지니어, 데이터 엔지니어 등이 동등하게 책임져야 하는 영역이 되었습니다.

머신러닝 역할의 진화에서 볼 수 있는 변화 중 하나는 단순히 모델이 작동하도록 하는 것에서 조직의 요구 사항을 충족하는 방식으로 작동하도록 하는 것으로 초점이 이동하고 있다는 점입니다. 즉, 조직이 효율적으로 생산하고 제공할 수 있는 시스템을 구축하고, 실패에 대비하여 시스템을 강화하고, 실패가 발생하더라도 복구할 수 있도록 하며, 가장 중요한 것은 조직이 한 프로젝트에서 다음 프로젝트로 개선하는 데 도움이 되는 학습 루프의 맥락에서 이 모든 것을 수행해야 한다는 것입니다.

다행히도 머신 러닝 커뮤니티는 이 모든 것을 달성하는 데 필요한 지식을 처음부터 부트스트랩(Bootstrap)하지 않아도 됩니다. MLOps라고 불리게 된 실무자들은 기존 소프트웨어 프로젝트에서 DevOps를 실행하면서 개발된 방대한 지식의 혜택을 누려왔습니다.

MLOps의 첫 번째 물결은 모델 개발 및 배포에 기술과 프로세스 규율을 적용하는 데 중점을 두었으며, 그 결과 조직이 모델을 '실험실'에서 '공장'으로 옮기는 능력이 향상되고 ML 수명 주기의 이러한 단계를 지원하기 위한 도구와 플랫폼이 폭발적으로 증가했습니다.

하지만 MLOps의 운영은 어떨까요? 여기서도 우리는 기존 소프트웨어 시스템 운영의 발전으로부터 혜택을 받을 수 있습니다. DevOps의 운영 측면을 성숙시키는 데 크게 기여한 것은 대규모 미션 크리티컬 소프트웨어 시스템 운영의 과제에 엔지니어링 규율을 적용하고자 하는 Google 및 기타 많은 조직에서 개발된 일련의 원칙과 관행인 사이트 안정성 엔지니어링(SRE)에 대한 커뮤니티의 폭넓은 인식과 적용이었습니다.

하지만 소프트웨어 엔지니어링에서 머신러닝으로 방법론을 적용하는 것은 단순한 전환이 아닙니다. 서로 배울 점이 많지만, 실제로는 우려 사항, 과제, 해결책이 상당히 다를 수 있습니다. 이 책이 바로 그런 점에서 도움이 될 것입니다. 이 책의 저자들은 머신 러닝 워크플로에 SRE 원칙을 적용하는 방법을 각 개인이나 팀에 맡기는 대신, Google, Apple, Microsoft 및 기타 조직에서 효과가 있었던 것을 공유함으로써 여러분이 먼저 시작할 수 있도록 돕고자 합니다.

저자들이 각자의 업무에 적합한 자격을 갖췄다고 말하는 것은 과소평가입니다. ...