환경의 변화에 적응하고 concept drift를 실시간으로 처리해야 하는 Machine Learning 모델을 개발하고 있습니다. 이 목적에 적합한 접근 방식은 무엇인가요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
1장에서는 기업이 운영 환경에서 여러분의 Machine Learning 모델을 왜 모니터링해야 하는지 설명해요. 이상적인 모니터링 워크플로와 그에 포함되는 단계들을 배우고, 운영 중의 모니터링 시스템이 직면할 수 있는 몇 가지 과제도 살펴봐요.
2장에서는 신뢰할 수 있는 모니터링 시스템에서 성능 모니터링이 왜 근본적으로 중요한지 알아봐요. 실제 운영 환경에서 흔히 겪는 과제, 예를 들어 정답(ground truth)의 가용성 문제를 다룰 거예요. 장이 끝나면 정답 데이터가 지연되거나 없을 때 성능 추정 알고리즘을 사용해 어떻게 대응할 수 있는지 알게 돼요.
운영 환경에서의 covariate shift와 concept drift의 기본을 이해했으니, 이제 조금 더 깊이 들어가 볼게요. 이 장이 끝나면 실제 시나리오에서 이를 탐지하고 대응하는 다양한 방법을 알게 될 거예요.
현재 연습
