한빛미디어

머신러닝 파워드 애플리케이션

지음: 에마뉘엘아메장 / 옮김: 박해선

저자 에마뉘엘아메장은 한국어판 서문에서 데이터 과학자와 머신러닝 엔지니어가 이 분야에서 성공하는데 필요한 실용적인 기술을 배울 수 있도록 멘토링을 했었다.

2년간의 멘토링을 마친 후 이 책 『Building Machine Learning Powered Appliction』(오라일러 2020)을 집필했다.

멘토링을 하면서 머신러닝 모델의 작동방식 가르치는 과정은 많지만 머신러닝을 제품에 사용하는 방법에 초점을 맞춘 자료는 부족하다는 것을 깨닫고 멘토링 과정에서 배운 교훈을 실리콘밸리를 넘어, 더 많은 사람들과 공유하기 위해 이 책을 썼다고 했다.

저자는 책 출간하고 1년후에 프랑스어, 중국어로 번역되고 한국어로도 번역되게 되었다며

이 책에 담긴 도구와 조언이 다양한 사람들에게 유용하다는 사실에 정말 기쁘다며, 독자들의 의견과 질문이 있다면 언제든 연락 바란다고 했다.

이 책은 저자가 말했듯이

•     머신러닝을 사용해 실용적인 애플리케이션 만들기

•     실용적인 머신러닝

•     기술적이고 실용적인 사례연구

•     실제 비즈니스 애플리케이션을 다루고 있다

머신러닝 전체 과정을 다루고 있다.

멘토링 과정의 경험을 통해 머신러닝 적용의 어려운 문제들을 해결하면서 터득한 4가지에 중점을 두고 있다.

올바른 머신러닝 접근 방법 모색

주어진 문제를 풀기 위한 최상의 방법은 성공기준, 가용 데이터, 문제의 복잡성과 같은 많은 요소에 따라 달라진다.

이 단계의 목표는 올바른 성공기준을 설정하고 적절한 초기 데이터 셋과 모델을 찾는 것이다.

초기 프로토 타입 제작

모델링 작업을 하기 전에 먼저 앤드투앤드 프로토 타입을 만든다.

이 프로토 타입은 머신러닝을 사용하지 않고 제품의 목표를 달성하는 것이 목적이다. 또한 최상의 머신러닝 적용방법을 결정하는 데 도움이 된다. 프로토 타입이 결정되면 머신러닝 필요성을 알수있고 모델 훈련을 위해 데이터 수집을 시작할 수 있다.

모델 반복

데이터 셋이 준비되면 모델을 훈련하고 단점을 평가할 수 있다. 이 단계의 목표는 오류 분석과 구현 사이를 오가며 반복하는 것이다.

이 반복 루프와 속도를 높이는 것이 머신러닝 속도를 높이는데 최상의 방법이다.

배포와 모니터링

모델이 좋은 성능을 내면 배포를 위해 적절한 방법을 선택해야 한다.

배포된 후에 예상치 못한 방식으로 종종 모델이 실패한다.

이 책은 제시한 4가지를 중심으로 다양한 머신러닝 적용사례를 제시하고 문제해결의 어려웠던 부문을 잘 설명하고 있다.

4차 산업혁명 시대를 맞이하여 산업계에서는 디지털 변환이 확산되고 있다. 금융, 마케팅, 제조 등의 산업현장의 디지털 혁신 과정에서 머신러닝 기술 적용이 늘어나고 있다.

현재 머신러닝 개발에 종사하고 있는데 문제해결에 어려움이 있다면, 무엇이 문제인지 고민하지 말고 일독을 통하여 문제해결의 실마리를 발견할 수 있는 기회가 되기를 바란다.

또한, 머신러닝 분야에 관심을 갖고 있다면 필독서로 추천한다.

"한빛미디어 <나는 리뷰어다> 활동을 위해서 책을 제공받아 작성된 서평입니다."