머신러닝 시스템 구축 실전 가이드

옮긴이 머리말 viii
베타리더 후기 x
시작하며 xii
이 책에 대하여 xv

CHAPTER 1 과제, 팀, 시스템 1
1.1 소프트웨어 기술을 활용해 비즈니스 과제를 해결하려면 3
1.2 과제를 머신러닝으로 해결할 시나리오를 결정한다 7
1.3 팀 크기와 스킬에 맞는 개발과 운용을 고려한다 11
1.4 머신러닝 시스템의 아키텍처를 설계한다 14
1.5 새로운 머신러닝 시스템 디자인 패턴 16
__1.5.1 평가 대시보드 패턴 16 / 1.5.2 잘못된 추론 지원 패턴 22
1.6 팀 구성 패턴 27
__1.6.1 개척자 패턴 28 / 1.6.2 스몰 팀 패턴 31 / 1.6.3 믹스트 팀 패턴 35
1.7 정리 40

CHAPTER 2 수요 예측 시스템 만들기 41
2.1 수요 예측의 목적 43
2.2 머신러닝 팀과 소프트웨어 개발 팀 구성의 예 45
__2.2.1 사내 최초 머신러닝 프로젝트 팀인 경우 46
__2.2.2 실적이 있는 머신러닝 팀의 경우 47 / 2.2.3 매트릭스형 팀의 경우 48
2.3 머신러닝으로 수요를 예측한다 49
__2.3.1 과제 설정 49 / 2.3.2 데이터 52 / 2.3.3 개발 환경 구성 57
__2.3.4 데이터 전처리 59 / 2.3.5 학습 74 / 2.3.6 추론 활용과 평가 84
2.4 수요 예측 시스템과 업무 워크플로 99
__2.4.1 프로젝트 초기 팀, 시스템, 워크플로 (2021년 1월~2021년 6월) 99
__2.4.2 프로젝트 전개 시기의 팀, 시스템, 워크플로 (2021년 7월 이후) 103
2.5 정리 122

CHAPTER 3 동물 이미지 애플리케이션의 위반 감지 시스템 만들기 123
3.1 동물 이미지 애플리케이션 개요 125
__3.1.1 AIAnimals 126 / 3.1.2 동물 이미지 애플리케이션과 시스템 129
__3.1.3 AIAnimals를 기동한다 133
__3.1.4 동물 이미지 애플리케이션에 위반 감지가 필요해졌다 153
3.2 위반 감지의 목적 153
__3.2.1 머신러닝을 사용해 감지할 위반을 결정한다 156
3.3 위반 감지에 필요한 데이터를 정의한다 157
3.4 위반 감지 시스템과 워크플로 설계 163
3.5 위반 감지 모델을 개발한다 168
__3.5.1 데이터를 결정한다 169 / 3.5.2 모델을 만든다 170 / 3.5.3 작업 실행 189
3.6 위반 감지 시스템을 실용화한다 198
__3.6.1 비동기 추론 패턴으로 만드는 위반 감지 시스템 203
__3.6.2 위반 감지를 모니터링한다 225
3.7 정리 239

CHAPTER 4 동물 이미지 애플리케이션 검색에 머신러닝 활용하기 241
4.1 동물 이미지 애플리케이션 검색 243
__4.1.1 필터링과 배열 245
4.2 머신러닝으로 검색을 개선한다 248
4.3 유사어 사전 작성 249
__4.3.1 접근 로그와 빈번하게 검색되는 단어 251
__4.3.2 단어 벡터를 사용한 유사어 사전 작성 255
__4.3.3 유사어 사전을 검색에 활용한다 259
4.4 순위 학습을 활용한 검색 결과 정렬 266
__4.4.1 데이터를 만든다 269 / 4.4.2 순위 학습 모델을 학습한다 285
__4.4.3 순위 학습을 사용해 검색 결과를 정렬한다 294
__4.4.4 순위 학습의 워크플로 298
__4.5 A/B 테스트를 구축한다 306
__4.5.1 2가지 모델의 학습 313
4.6 이미지를 사용한 검색 317
__4.6.1 MobileNet v3를 사용한 특징량 추출과 ScaNN을 사용한 인덱스 작성 321
__4.6.2 MobileNet v3와 ScaNN 추론기 326
__4.6.3 유사 이미지 검색의 자동 업데이트 330
4.7 사용자들이 사용하는 머신러닝을 위하여 334

마치며 336
찾아보기 340

머신러닝을 사용하지 않고도 객관식 설문 형식의 챗봇을 제공하고, 사용자가 설문의 답을 선택하면서 해결책에 도달하도록 하는 워크플로만 갖춰도 이 과제는 간단하게 해결할 수 있습니다. 설문 형식을 사용하는 편이 머신러닝을 사용하는 것보다 기술적으로 간단하며, 동시에 사용자 경험 측면에서 뛰어난 경우도 있을 것입니다. 개발 공정 측면에서도 객관식 설문 형식의 챗봇을 사용하면, 질문과 선택지를 제공하고 분기 처리를 위한 if-else 구문을 조합하는 것만으로 구현할 수 있습니다.

예를 들어 수요 예측과 같은 회귀 문제에서는 매장에서 식료품의 수요 예측 모델이 수요보다 큰 쪽으로 벗어나면 공급 과다가 되어 재고가 창고를 점유하게 됩니다. 벗어난 양에 따라 창고에 상품을 넣을 수 없는 상황도 발생할 것입니다. 소비 기한까지 팔리지 않는 경우에는 재고를 처분해야 할 수도 있습니다. 반대로 작은 쪽으로 벗어나면 기회 손실로 이어집니다. 기회 손실이 계속되면 고객으로부터 ‘상품 판매가 좋지 않은 매장’이라는 평판이 붙어 고객이 줄어들 리스크가 있습니다(그림 1.9). 이런 경우에는 수요 예측의 추론이 완전한 정답을 찾지는 못하더라도, 다소 큰 쪽으로 벗어나는 것이 기회 손실을 피할 수 있고, 리스크도 작을 것입니다.