[TIL] 우리가 현업에서 모델을 개발할 때 간과하는 것들

모델만 만들고 끝이 아니다.

모델 만들기는 프로덕트 런칭으로 가는 첫 걸음이지 마무리 작업이 아니다.

현업에서 데이터 과학자들이 흔히 하는 실수들 중 하나는 "우리는 모델만 던져주면 끝이야" 라는 안일한 생각을 갖는다는 것이다.

그렇다면 다시 한번 묻겠다.

우리는 왜 모델을 만드는가?

우리는 최종목표인 제품을 출시하기 위해 모델을 만들었을 것이다. 모델만 던져주면 제품이 뚝딱 나오는가? 당연히 아니다. 코드를 짜는 것 자체는 내 생각의 결과물이다. 내가 짜놓은 생각들을 타인에게 납득시키기 위해 어떻게 검증할 것인지, 어떻게 우리의 제품에 맞는 최적의 형태로 엔지니어에게 넘길 것인지, 모델 최종 성공판단 지표는 무엇인지, 모델 개발 초기부터 최종 런치까지 계속해서 소통하면서 자신이 만든 모델에 책임을 져야 한다.

모델을 처음부터 끝까지 책임져 주는 사람이 필요하다.

MLOps를 위한 프레임워크가 존재한다.

개발된 모델이 바로 프로덕션에 런치 가능한 프레임워크가 존재한다.

AWS-SageMaker, Google Cloud, MS-Azure

첫 모델 런칭은 시작일 뿐이다.

운영을 통해 점진적인 개선을 이뤄내야 함.

이러한 점에서 피드백 루프가 반드시 필요하다.

1. 운영에서 생기는 데이터를 갖고 개선점 찾기
2. 주기적으로 모델을 재빌딩
   온라인 러닝, 리얼 타임 머신러닝