머신러닝 파이프라인3

• 

  머신러닝 파이프라인 단계 머신러닝 파이프라인 단계머신러닝 파이프라인은 새로운 학습 데이터 수집을 시작으로, 모델의 작동 피드백을 받는 것까지를 포함한다. 그 안에는 데이터 전처리, 모델 학습 및 분석, 모델 배포 등 다양한 단계가 포함되어 있다. 이러한 단계를 자동으로, 또 반복적으로 수행할 수 있게 하는 것이 머신러닝 파이프라인의 목적이다.위 그림에서처럼, 머신러닝 파이프라인은 반복되는 주기를 가진다. 데이터를 데이터 소스로부터 지속적으로 수집할 수 있으므로 모델의 지속적인 업데이트가 가능하고, 자동화된 재학습을 통해 모델의 성능을 개선할 수 있다. 실제 실무에서는 과거의 데이터와 현재 유입되는 데이터가 같다는 보장이 없는 경우가 많아 지속적인 재학습을 통한 업데이트가 필수적이며, 이를 머신러닝 파이프라인이 수행한다.1) 데이.. MLOps 2021. 12. 3.

• 

  머신러닝 파이프라인의 필요성 머신러닝 파이프라인의 필요성모델 생애 주기(Modle Lifecycle) 단계를 자동화할 수 있다는 점은 머신러닝 파이프라인의 주요 이점 중 하나이다. 새로운 훈련 데이터가 들어왔을 때, 데이터 검증, 전처리, 훈련, 분석 및 배포 등 전체 워크플로우를 자동으로 재설정할 수 있게 하는 것이 바로 머신러닝 파이프라인인 것이다.머신러닝 파이프라인의 이점기존 모델 유지보수에서 벗어나 새 모델에 집중할 수 있다: 새로운 모델 개발 시간 확보자동화된 ML 파이프라인은 기존 모델을 유지보수할 필요성을 줄여준다. 기존의 모델 조정 방식은 학습 데이터를 전처리하거나 일회성 배포를 수행하는 스크립트를 수동으로 실행하는 등의 형태로, 데이터 사이언티스트의 업무에 부담을 주었다. 이러한 방식은 시간과 비용이 많이 드는 것은.. MLOps 2021. 12. 1.

• 

  MLOps: 머신러닝 파이프라인이란 머신러닝 파이프라인이란머신러닝 분야는 최근 몇 년간 정말 눈부신 성장을 이루었다.연구 분야는 물론 각종 필드에서 머신러닝을 비즈니스와 결합하려는 시도를 하고 있다. 간단한 작업에서부터, 개인화된 서비스를 제공하기 위한 분야, 심지어는 무언가 새로운 것을 만들어내는 분야에까지 확장되고 있는 상황이다. 하지만, 이러한 관심과 대비되게도, 머신러닝은 소프트웨어 산업이 앞서 경험한 프로세스의 표준화를 거치지 못하였다.머신러닝이 표준화된다면, 머신러닝 개발자와 데이터 사이언티스트들은 더욱 빠른 속도로 개발할 수 있게 되고, 이미 만들어둔 모델을 다시 쓸 수 있는 재사용성이 높아지며, 관리 및 배포가 더욱 용이해질 것이다. 머신러닝 파이프라인은, 앞서 말한 머신러닝 모델의 가속, 재사용, 관리 및 배포하는 프로세스.. MLOps 2021. 11. 30.