1.4 머신러닝 프로젝트 라이프 사이클

• 실제 프로세스 과정 훑어보기

1. 머신러닝 프로젝트 Flow

1.1. 문제 정의 단계

• 문제 정의

• 최적화할 Metric 선택

• 데이터 수집, 레이블 확인

• 모델 개발

• 모델 예측 결과를 토대로 Error Analysis. 잘못된 라벨이 왜 생기는지 확인

• 다시 모델 학습

• 더 많은 데이터 수집

• 다시 모델 학습

• 2달 전 테스트 데이터에선 성능이 좋지만 어제 데이터엔 성능이 좋지 않음

• 모델을 다시 학습함

• 모델 배포

• 최적화할 Metric이 실제로 잘 동작하지 않아 Metric을 수정

1.2. 프로젝트 설계

• 해결하려고 하는 문제 구체화

• 머신러닝 문제 타당성 확인

  • 필요한데이터 종류와 기존 모델이 있는지?

  • 머신러닝 솔루션이 최적의 방법인지?

• 목표 설정, 지표 결정

  • 프로젝트의 일반적인 목적

  • 세부 단계의 목표

• 제약 조건(Constraint & Risk)

  • 일정, 예산, 대상

  • 기존에 운영하고 있던 환경

  • 윤리적 이슈

• 베이스라인, 프로토타입

  • 성능을 비교할 수 있는 Baseline

  • 프로토타입 제작

• 평가(Evaluation) 방법 설계

  • 모델의 성능지표

  • 비즈니스 지표

Special Mission

• 부스트캠프 AI Tech 혹은 개인 프로젝트를 앞선 방식으로 정리해보기

• 실제로 회사에서 한 일이 아니더라도, 특정 회사에서 활용했다고 가정하거나 아예 크게 문제 정의해서 구체화해보기

• 이 모델이 회사에서 활용되었다면 어떤 임팩트를 낼 수 있었을까? 고민해서 정리해보기!

• 직접 일상의 문제라도 하나씩 정의하기