한빛미디어

책의 앞머리에서 밝히는 바대로 어느 정도 실무를 하는 사람 입장에서 읽어보면 좋을 책이다.

팁도 일본인 저자들이 그렇듯이 꽤 상세하게 곁들여져 있어서 참고하기도 괜찮다.

확실히 이런 쪽은 방법이나 이론, 논문 등을 공부하고 습득하는 것도 중요하다. 그런데 또 동등하게 중요한게 하나의 실험을 통해 유의미한 결과를 활용한다는 측면에서 봐보자. 그 실험을 어떻게 설계하고 유지하며 좋은 결과를 내기 위해서 지속적으로 필요한 부분은 무엇인지 또한 중요하다. 이런 경우 이미 툴이나 기본적인 이론은 알고 있고, 이를 실무에 더 잘 활용하기 위해서는 또 그 부분에 대한 팁이나 다른 회사나 팀은 문제를 어떻게 해결하였는가가 궁금할 때가 있다. 정답은 없기 때문에 막힌 부분에 대한 참고를 통해 자기가 처한 상황에 더 나은 해답을 찾는 데에 길잡이가 될 수도 있기 때문이다. 그런 점에서 이런 책이 도울 수 있는 부분이 있다.

읽으면서 내가 막연히 막혔던 부분에서 떠오른 고민들이 텍스트로 적혀있어서 공감되는 부분이 있었다. 그리고 책 중간중간 삽입된 도표도 내용을 이해하는 데에 도움이 될 만큼 적절하게 삽입되어 있었다. 확실히 이론만 읽고 공부할 때보다 실무가 같이 적힌 내용을 읽는 것을 더 선호하는 타입이라는 걸 이번 기회에 다시 느꼈다. 실무에서 사용하는 툴들이 언급되면서 전체 그림을 그려주니까 내가 어디에 있는지도 파악하기 쉬웠고 연관되어서 도전해볼 만한 업무 부분 또한 찾기에 용이했다. 이곳저곳에서 들리던 데이터 관련 툴들도 책에서 어느 부분에 속하는지 분류된 정리 내용으로 살피니까 큰 그림으로 구조화하기도 좋았다. 몇 개 궁금한 데이터 툴이 눈에 보여 이 책은 몇 번 더 보기로 했다. 지금 하고 있는 일에도 적용할 부분이 보였다.

관리라는 측면에서 ML 또한 예외는 아니다. 여기 또한 인프라가 날로 중요해지고 있다. 획기적인 ML알고리즘은 소수의 실리콘밸리 박사님들에게 토스하고 잘 운영하는 법을 배우는 게 더 실무적이라고 생각한다. 

책의 6장 지속적인 머신러닝을 활용을 위한 기반 구축하기 에 나온 내용도 공감이 갔다. 만약 들어오는 데이터의 성격이 바뀌거나 로직을 바꿔야 한다면.. 그리고 그런 상황이 '빈번하게' 일어난다면 어떻게 할 것인가? 이를 위해서 기민한 머신러닝 인프라가 필요하다. ML은 한번 만들고 끝이 아니다. 데이터가 살아있는 한 실험 또한 계속 업데이트 되어야 한다. 소프트웨어와 같으면서도 다른 맥락에서 말이다. 사실 그래서 이 6장이 실무적으로는 굉장히 중요하지 않나 생각한다. '지금 잘 하고 있나'를 평가하는 것은 실험에서도, 그리고 실험 이후에서도 매우 중요한 부분이다. 조금 시간이 지나다 보니까 이 6장의 내용을 재미있게 잘 읽을 수 있었다. 

그리고 2부에서 머신러닝 실무 프로젝트를 통해 실제 문제를 어떻게 해결하는지에 대한 일본인 저자의 사고를 따라갈 수 있었다. 확실히 실무는 경험자가 어떤 생각으로 어떻게 문제를 해결하는가 그 관점을 참고할 수 있다는 것에서 장점이 있다.