구글 머신러닝 단기집중과정 - ML 엔지니어링 - 프로덕션 ML 시스템

프로덕션 ML 시스템

머신러닝에는 단순한 ML 알고리즘 구현 외에 훨씬 더 많은 것이 포함되어 있습니다. 프로덕션 ML 시스템에는 많은 구성요소가 포함됩니다.

 

지금까지 이에 대해 살펴보았습니다.

 

하지만 ML 시스템의 나머지 부분은 어떤가요?

 

지금까지 머신러닝 단기집중과정에서는 ML 모델을 만드는 데 초점을 맞췄습니다. 하지만 다음 그림에서 알 수 있듯이, 이 모델은 실제 프로덕션 ML 시스템 생태계의 한 부분에 지나지 않습니다.

 

 

그림 1. 실제 프로덕션 ML 시스템

 

ML 코드는 실제 ML 프로덕션 시스템의 중심에 있지만 일반적으로 전체 ML 프로덕션 시스템 코드의 5%만을 나타냅니다. 오타가 아닙니다. ML 프로덕션 시스템은 입력 데이터에 많은 리소스를 투입하여 데이터를 수집 및 확인하고 데이터에서 특성을 추출합니다. 또한 ML 모델의 예측을 실제로 사용하려면 서빙 인프라를 설치해야 합니다.

 

다행히 위 그림 안의 많은 구성요소들은 재사용 가능합니다. 또한 그림 2의 모든 구성요소를 직접 만들 필요가 없습니다.

 

텐서플로우에서 많은 구성요소를 제공하지만 Spark, Hadoop 등 다른 플랫폼에서도 사용 가능한 다른 옵션을 제공합니다.

 

다음 모듈에서는 프로덕션 ML 시스템 디자인에 대해 다룹니다. 여러분의 ML 시스템 구성 결정에 도움이 될 것 입니다.

 

 

시스템 레벨 구성요소

 

• 모든 구성요소를 직접 만들 필요는 없습니다.
  • 가능하면 일반 ML 시스템 구성요소를 재사용하세요.
  • Google CloudML 솔루션에는 Dataflow 및 TF 서빙이 포함됩니다.
  • Spark, Hadoop 등 다른 플랫폼에서도 구성요소를 찾을 수 있습니다.
  • 어떤 구성요소가 필요한지 어떻게 알 수 있나요?
    • 몇 가지 ML 시스템 패러다임과 요구사항을 확인하세요.