학습 데이터: 비즈니스 상황에 맞는 교훈

머신러닝 시스템은 복잡성 때문에 마술처럼 느껴집니다. 효과적인 학습 데이터를 위해서는 비즈니스 연계가 중요합니다.

### 머신러닝의 마법: AI, 교육 및 프로덕션 살펴보기
* 🧠  머신러닝 엔지니어링은 마치 마술처럼 복잡한 시스템으로 이루어져 있으며, 머신러닝 알고리즘의 내부 작동을 이해하기 어렵기 때문에 마술처럼 느껴지기도 합니다.
* 💻  게스트인 Chip이 리포팅, 책 집필, 기술 및 머신러닝 엔지니어링에 입문하게 된 배경에 대해 이야기합니다.
* 📚  Chip은 자신의 경험과 기본 원리에 대한 이해의 필요성을 바탕으로 머신러닝 시스템 설계에 관한 책과 텐서플로 강좌를 만들게 된 계기에 대해 이야기합니다.
* 🤖  머신러닝 엔지니어의 역할과 반복적인 프로세스를 통해 프로덕션에 바로 사용할 수 있는 애플리케이션을 만드는 것의 중요성에 대해 설명합니다.
* 📊  Chip은 모델 정확도와 설명 가능성 사이의 절충점, 신뢰의 필요성과 AI 애플리케이션의 미래에 대해 이야기합니다.
* 🔍  머신러닝 예측을 이해하는 데 따르는 어려움과 대략적인 ML 결과와 상호 작용하기 위해 UX 디자인 및 증강을 사용하는 방법에 대해 이야기합니다.
* 📈  Chip은 기술보다는 문제 해결에 초점을 맞춰 비즈니스 의도, 컨텍스트, 메트릭을 머신러닝 프로젝트에 맞추는 것이 중요하다고 설명합니다.

### 실시간 머신 러닝의 과제와 생산성 팁
* 🤖  Chip은 실시간 머신 러닝의 과제와 단순한 머신 러닝 솔루션 이상의 필요성에 대해 설명하며 모델 배포, 데이터 라벨링, 피처 엔지니어링 등의 문제를 다룹니다.
* 🧠  그녀는 데이터 레이블을 학습할 때 도메인 전문 지식을 인코딩하는 것의 중요성과 온라인 학습과 배치 예측의 차이점을 강조합니다.
* 💡  Chip은 활력을 불어넣는 대화와 소모적인 대화를 피하는 것의 영향, 원격 근무와 출퇴근을 피하는 것의 이점 등 생산성 팁을 공유합니다.
* 📚  시스템 사고, 수학적 사고, 창의성, 오류에 관한 책을 추천하고 LinkedIn, Twitter, Discord에서 ML Ops를 위한 활발한 활동을 공유하고 있습니다.

661: Designing Machine Learning Systems — with Chip Huyen

The latest machine learning, A.I., and data career topics from across both academia and industry are brought to you by host Dr. Jon Krohn on Super Data Science, the most listened-to podcast in the industry. In lighthearted conversation with renowned guests, Jon cuts through hype to fuel your professional impact.

Whether you're curious about getting started in a data career or you're a deep technical expert, whether you'd like to understand what A.I. is or you'd like to integrate more data-driven processes into your business, we have inspiring guests and lighthearted conversation for you to enjoy.

We cover tools, techniques, and implementation tricks across data collection, databases, analytics, predictive modeling, visualization, software engineering, real-world applications, commercialization, and entrepreneurship − everything you need to crush it with data science.


Super Data Science: ML & AI Podcast with Jon Krohn

머신러닝 시스템의 '마법'은 칩의 활용 가능성 요소와 설명 가능성과 정확성 사이의 균형에 의해 영향을 받습니다.

샌프란시스코에서 전화를 걸어온 Chip은 데이터 과학에 입문하기 전에 기자로 일하고 책을 썼던 자신의 배경을 공유합니다.

그는 데이터 과학 업계의 친절하고 개방적인 성격에 대해 이야기하며, 이를 고도의 금융업과 대조하고 이 분야의 공유 및 협업 문화에 대해 이야기합니다.

머신 러닝 엔지니어링에 관한 책 쓰기

머신 러닝 엔지니어링에 관한 이 책은 저자의 경험과 현장의 일반적인 질문을 해결해야 할 필요성에서 영감을 받아 집필되었습니다.

저자의 Nvidia에서의 배경과 연구 참여는 이 책의 내용에 영향을 미쳤으며, 머신 러닝 모델을 프로덕션에 도입하는 데 대한 독특한 관점을 제시합니다.

블로그 게시물을 작성하는 것부터 스탠포드 강좌를 만드는 것까지 저자의 여정은 TensorFlow에 관한 자료를 가르치고 그 격차를 메우고자 하는 열정에 의해 주도되었습니다.

머신 러닝에서 빠르게 변화하는 도구에 적응하는 것의 중요성

0으로의 전환에서 알 수 있듯이 머신러닝에서 빠르게 진화하는 도구에 적응하는 것은 매우 중요합니다.

트렌디한 도구보다는 기본 원리에 집중하는 것이 해당 분야의 강좌를 만들고 책을 집필하는 데 있어 더 지속 가능한 접근 방식입니다.

확률, 통계, 머신러닝의 수학적 기초에 대한 기술을 습득하는 것은 머신러닝뿐만 아니라 진로 결정을 내리고 인생의 불확실성을 헤쳐나가는 데에도 유용합니다.

머신러닝 모델 제작 준비의 중요성

머신러닝 모델은 기본적으로 프로덕션 환경에서 사용할 수 있어야 하지만, 환경과 비즈니스 요구 사항의 변화로 인해 제대로 배포되지 않거나 프로덕션 환경에서 오래 지속되지 못하는 경우가 많습니다.

이러한 수명과 구체적인 투자 수익의 부족은 머신러닝 프로젝트의 가시적인 비즈니스 성과에 대한 필요성을 강조하면서 팀 해고로 이어질 수 있습니다.

코로나19 팬데믹의 영향에서 알 수 있듯이, 변화하는 환경에 맞춰 머신러닝 모델을 지속적으로 반복하고 조정하는 것이 프로덕션에서 성공하는 데 매우 중요합니다.

Keith McCormick은 LinkedIn에서 예측 분석 에센셜 과정을 무료로 제공합니다.

그는 머신 러닝 수명 주기를 효과적으로 관리하는 것이 중요하다고 강조합니다.

머신 러닝 모델의 변화 속도는 애플리케이션과 산업에 따라 달라지며, 성능에 영향을 미칩니다.

모델 설명 가능성과 정확성 사이의 균형은 시간이 지남에 따라 사용자와 구축된 신뢰 수준에 영향을 받습니다.

AI에 대한 신뢰가 높아지면서 모델의 복잡성에도 불구하고 더 많은 애플리케이션이 사용되고 있습니다.

모델 카드는 답을 제공하지만 거짓말도 할 수 있는 GPT의 능력과 같은 모델의 강점과 한계를 강조하는 데 사용되고 있습니다.

핵심은 명확한 답을 기대하기보다는 증강과 창의성을 위해 ML 모델을 사용하는 데 집중하고, 화려한 기술에 의존하기보다는 비즈니스 문제 해결에 우선순위를 두는 것입니다.

비즈니스에서 사용자 인증과 머신 러닝의 균형

사용자 인증과 접근성 사이의 균형을 유지하는 것은 봇 가입과 프로모션 남용으로 인한 잠재적인 금전적 손실을 방지하는 데 매우 중요합니다.

머신러닝을 사용하면 기업은 사용자에게 관련성 높은 콘텐츠를 제공하는 동시에 사용자 경험을 개인화할 수 있습니다.

비즈니스 맥락에서 학습 데이터를 통해 얻은 교훈은 컴퓨팅 성능과 데이터 양이 머신 러닝의 발전에 미치는 영향이 크다는 점을 강조합니다.

무차별 대입을 통한 AI 모델 훈련은 대규모로 새로운 문제를 극복할 수 있는 새로운 기술이 필요한 중대한 엔지니어링 과제입니다.

0 및 GPT-4와 같은 NLP 모델의 크기가 커지면서 많은 수의 칩에 대한 수요가 증가하고 있으며, 이는 비트코인 가격 하락으로 인해 더욱 촉진되고 있습니다.

기업들은 고품질 학습 데이터에 대한 액세스를 통해 AI 모델 학습에서 경쟁 우위를 확보하고 있으며, 데이터 준비 방법과 기술의 중요성이 강조되고 있습니다.

스노클은 도메인 전문 지식을 학습 데이터로 인코딩하는 데 유용한 도구로, AI 모델의 학습 과정에 전문 지식을 통합할 수 있습니다.

머신 러닝에서 피처 엔지니어링의 역할

피처 엔지니어링은 특히 표 형식의 데이터와 사기 탐지와 같은 복잡한 사용 사례를 다룰 때 머신 러닝 모델의 성능에 필수적입니다.

기업들은 종종 수천 개의 피처를 보유하게 되고, 이는 높은 컴퓨팅 비용으로 이어집니다.

실시간 머신 러닝은 정확하고 시기적절한 예측을 하는 데 매우 중요하지만 최적화되지 않으면 비용이 많이 들고 비효율적일 수 있습니다.

클레이팟 AI는 '온라인'의 의미 변화와 빠르고 비용 효율적인 머신 러닝 프로세스에 대한 수요 증가라는 과제를 해결하기 위해 실시간 머신 러닝을 위한 플랫폼을 개발하여 온라인 예측의 접근성을 높이는 데 주력하고 있습니다.

비즈니스를 위한 실시간 머신 러닝의 중요성

실시간 머신 러닝은 이탈 예측, 추천 시스템, 동적 가격 책정과 같은 사용 사례에서 적시에 예측하는 데 매우 중요합니다.

또한 불필요한 계산과 낭비되는 예측을 방지하여 비용을 절감할 수 있습니다.

일괄 처리에서 실시간 머신 러닝으로 전환하는 데에는 높은 비용과 스트리밍 기능 실험의 복잡성이 따르기 때문에, Claybot과 같은 플랫폼은 비용 절감과 데이터 과학자의 사용성 향상에 초점을 맞추고 있습니다.

비용 효율적인 머신 러닝 및 고용 관행에 대한 Claybot의 초점

클레이봇은 고객이 운영 비용을 절감하고 실시간 머신러닝을 효과적으로 구현할 수 있도록 지원하는 데 전념하고 있습니다.

현재 스트리밍에 대한 전문 지식과 우수한 엔지니어링 사례를 갖춘 유능한 엔지니어를 찾고 있습니다.

클레이봇의 창립자는 자신의 작업을 따라 하고자 하는 사람들에게 시스템 사고, 수학적 사고, 창의성에 관한 책을 추천합니다.

Chip의 영향력 있는 도서 추천 및 온라인 존재감

Chip은 다양한 문화와 도전적인 신념에 대한 인사이트를 공유하면서 "From One to Zero", "Wiper" 등 영향력 있는 책에 대해 이야기합니다.

LinkedIn, Twitter에서 팔로우할 수 있으며, 실시간 ML 시스템에 대한 가이드를 제공하는 ML Ops Discord 커뮤니티에서 활발히 활동하고 있습니다.

LinkedIn과 Discord 채널에서 많은 팔로워를 보유하고 있는 Chip은 지적이고 매력적인 관점으로 인해 인기가 계속 높아지고 있습니다.