기계 학습 개발의 성공을 위한 새로운 패러다임 – 사상 지도자

Victor Thu, Datatron의 사장

기계 학습을 사용하는 이니셔티브는 전통적인 소프트웨어 프로젝트와 동일한 방식으로 처리될 수 없습니다. 테스트를 위해 빠르게 이동하여 문제를 수정하고 다시 테스트해야 합니다. 즉, 빠르게 실패하고 프로세스의 초기에 그렇게 해야 합니다. 이 프로세스에서 나중에 문제를 발견하는 것은 매우 비용이 많이 들고 시간이 걸릴 수 있습니다.

AI는 새로운 접근 방식을 필요로 한다

전통적인 방법을 사용하여 소프트웨어를 개발할 때 결정 논리를 사용합니다. 가능한 한 정확하게 하기 위해 소프트웨어가 올바르게 작동하도록 하는 논리를 포함합니다. 응용 프로그램의 논리가 개발된 후에는 버그 수정을 제외하고 변경할 필요가 없습니다. 매우 체계적인 개발 프로세스이며 각 단계가 정확한지 확인한 후에 다음 단계로 진행하는 것입니다. 이는 소프트웨어 개발에 효과가 입증된 검증된 전략입니다.

그러나 AI/ML 프로젝트에 동일한 전략을 사용할 수 없습니다. 대신, ML 프로젝트에서 성공을 달성하기 위해 빠르고 빈번하게 반복할 수 있는 능력이 필요합니다. ML은 초기 교육이 필요하며 프로세스이므로 처음 배포될 때 정확하지 않을 수 있다는 것을 알고 접근해야 합니다.

이 프로세스는 여러 번의 반복을 필요로 합니다. 현실은 첫 번째 모델이 99%의 경우 예기치 않은 결과를 만날 것입니다. 실험실에서 모델을 몇 개월 동안 교육하더라도 실제 데이터와 트래픽을 만나면 분명히 변경될 것입니다.

즉시 완벽함을 목표하지 마십시오

따라서 모델을 테스트하고 수정할 변경 사항을 결정하기 위해 모델을 신속하게 프로덕션에 배포할 수 있어야 합니다. 그런 다음 수정 사항을 적용하여 다시 출시하고 tinh chỉnh할 수 있습니다. 이러한 이유로 프로덕션에서 테스트하기 전에 모델을 완벽하게 만들기 위해 너무 많은 노력을 기울이지 않아야 합니다. 초기 시도는 완벽하지 않을 것이며, 아무도 그것을 기대해서는 안 됩니다.

AI 모델을 실험실에서 개발하는 동안 92%에서 95%의 정확도로 추가 개선 사항은 일부 사용 사례에 대해 중요하지 않을 수 있습니다. 왜 vậy일까요? 모델을 교육하기 위해 사용된 훈련 데이터의 작은 부분만 사용했기 때문입니다. 추가 정확도를 얻기 위해 많은 시간과 돈을 투자할 수 있으며 그 사이에 모델이 제공할 수 있는 이점을 포기할 수 있습니다.

ML 배포의 효과적인 단계

모델이 실패하거나 잘못된 예측을 생성할 수 있으므로 ML 과학자들은 때때로 모델을 프로덕션에 배포하는 것을 주저합니다. 어느 정도는 이해할 수 있습니다. 실시간으로 발생하는 이벤트를 볼 수 있는 시스템이 필요합니다. 이러한 접근 방식을 사용하면 모델을 즉시 끌어오고 업데이트한 다음 신속하게 새 모델을 출시할 수 있습니다. “분석 마비”에 빠지지 않고 ML 모델을 프로덕션에 배포하는 가장 효율적인 방법입니다.

모델을 출시하고 일부 실전 경험을积累하는 것이 훨씬 더 좋습니다. 이것은 초기 버전을 완료한 후 즉시 중요한 데이터를 수집하기 시작해야 함을 의미합니다. 이 프로세스의 일부로 실제 데이터에 대해 A/B 테스트 모드 또는 섀도우 모드로 모델을 실행할 수 있습니다. 이렇게 하면 모델의 성능을 비교할 수 있으며 모델을 승격 또는 降格할지 결정하기 전에 많은 데이터와 증거를 확보할 수 있습니다.

로컬 모델을 구축하여 거시 환경의 행동을 예측하기 위한 단일 글로벌 모델을 만들기보다는 다른 모범 사례입니다. 로컬 모델을 사용하면 특정 상황의 데이터를 사용하여 각 상황에서 모델이 올바르게 작동하도록 할 수 있습니다. 이는 많은 시간, 데이터 및 노력을 필요로 하는 포괄적인 모델보다 더 효율적입니다.

사용자 지정 스니커즈의 수요를 결정하는 것이 여기서의 예입니다. 뉴욕 시의 인구를 기반으로 하는 글로벌 모델은 북미의 나머지 지역에 적용될 수 있습니다. 그러나 다른 지역의 수요를 정확하게 나타내지 않을 것입니다. 로컬 모델 전략을 사용하면 현재 손실하는 더 높은 마진을 얻을 수 있습니다.

모델은 정기적으로 업데이트해야 합니다. 전통적인 소프트웨어와 달리 모델은 환경의 데이터가 항상 변경되므로 모델의 수명 동안 지속적으로 업데이트해야 합니다. 모델을 정기적으로 반복하지 않으면 모델이劣化됩니다. 이것은 모델의 수명 동안 주의 깊게 모니터링되어야 합니다.

기계 학습의 새로운 패러다임

기계 학습 모델을 전통적인 소프트웨어와 비교하는 것은 현명하지 않습니다. 그러나 ML 전문가들은 DevOps와 마찬가지로 AI/ML 모델에 대한 신속한 배포 기술에서 혜택을 받습니다. ML 프로젝트에는 모델을 신속하게 출시할 수 있는 시스템이 필요합니다. 라이브인 모델과 라이브가 아닌 모델을 효과적으로 비교할 수 있어야 합니다. 이러한 및 위에 언급된 다른 모범 사례는 분석 마비를 피하고 빠르게 실패하여 기계 학습을 확장하는 데 도움이 될 것입니다.