[Ai강의] 모델 중심관점에서 데이터 중심관점으로.

Bigdata -> GoodData

모델 중심관점에서 데이터 중심관점으로 넘어가야한다.

모델 중심관점 : 알고리즘과 코드를 수정하며 score확인

데이터 중심관점 : 데이터의 크기와 일관성을 수정하며 score확인

 

데이터의 크기가 더 작을 수록 데이터의 일관성은 더욱 중요해진다.

데이터의 크기가 커지면 어느정도 커버가 가능하다.

 

500개의 데이터가 있을때 12%의 노이즈를 수정하는것이 500장의 새사진을 찍는것보다 효율적이였다.

 

1. 코드 (모델/알고리즘)보다 데이터가 중요하다
2. 데이터의 양만큼이나 질도 중요하다
3. 데이터 레이블링의 일관성이 중요하다
4. 사람은 데이터 테이블링에 일관성이 많이 부족하다.
5. 그래서 데이터를 관리하는 MLOps가 부상된다
6. MLOps툴의 혁신이 필요하다.

---

MLOps란? ML시스템

MLOps는 ML 시스템 개발(Dev)과 ML 시스템 운영(Ops)을 통합하는 것을 목표로 하는 ML 엔지니어링 문화 및 방식입니다.

MLOps을 수행하면 통합, 테스트, 출시, 배포, 인프라 관리를 비롯하여 ML 시스템 구성의 모든 단계에서 자동화 및 모니터링을 지원할 수 있습니다.

 

일반적인 DevOps는 대규모 SW의 개발 주기 단축, 배포 속도 증가, 안정적인 출시 등의 이점을 제공한다.

이러한 이점을 누리려면 소프트웨어 시스템 개발에 다음의 두 가지 개념을 도입한다.

• 지속적 통합(CI)
• 지속적 배포(CD)

MLOps는 유사한 방식이지만 다른 방식이 적용된다.

• CI는 더이상 코드 및 구성 요소만 테스트하고 검증하는 것이 아니라 데이터, 데이터 스키마, 모델도 테스트 하고 검증한다.
• CD는 더이상 단일 SW패키지 또는 서비스만이 아니라 다른 서비스(모델 예측 서비스)를 자동으로 배포해야 하는 시스템(ML 학습 파이프라인)이다.
• CT는 MLOps에 고유한 새 속성으로, 모델을 자동으로 재 학습 시키고 제공하는 데 사용한다.

ML에서의 데이터 과학 단계

1. 데이터 추출
2. 데이터 분석
3. 데이터 준비
4. 모델 학습
5. 모델 평가
6. 모델 검증
7. 모델 제공
8. 모델 모니터링

---

참고문헌

강좌요약 : www.youtube.com/watch?v=20PlFERKCyo&t=3s

MLOps에대한 설명 : cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning?hl=ko