한빛미디어

머신러닝은 최근 몇 년 동안 급격한 발전을 이루었으며, 다양한 산업에서 폭넓게 활용되고 있다. 그러나 머신러닝 프로젝트를 성공으로 이끌기 위해서는 단순히 머신러닝 알고리즘을 잘 이해하는 것만으로는 부족하다. 데이터 과학, 소프트웨어 엔지니어링, 프로젝트 관리 등 다양한 분야의 지식과 역량이 요구된다.

머신러닝 엔지니어링 인 액션은 이러한 머신러닝 프로젝트의 성공을 위한 실무적인 지침을 제공하는 책이다. 저자는 머신러닝 엔지니어링의 기본 개념부터 프로젝트 계획, 실험, 모델 배포에 이르기까지 전 과정을 단계별로 안내한다. 또한, 실제 프로젝트에서 발생할 수 있는 다양한 문제점과 해결책을 제시한다.

이 책은 크게 세 부분으로 구성되어 있다.

• PART 1: 머신러닝 프로젝트의 기초

• 머신러닝 엔지니어링의 핵심 원칙, 프로젝트 계획 수립, 의사소통, 실험 방법 등을 다룬다.

• PART 2: 프로덕션 준비: 유지 관리 가능한 ML 만들기

• 테스트 가능하고 읽기 쉬운 ML 코드 작성, 코딩 표준, 모델 측정, 드리프트 주시, ML 개발의 오만함 등을 다룬다.

• PART 3: 프로덕션 머신러닝 코드 개발

• 프로덕션 코드 작성, 품질과 인수 테스트, 프로덕션 인프라 등을 다룬다.

PART 1에서는 머신러닝 엔지니어링의 기본 개념과 프로젝터 계획, 실험 방법에 대해 다룬다. 특히, 프로젝트 계획 수립에서 비즈니스 요구 사항을 명확히 하고, 실험 범위를 설정하는 것이 중요하다는 점을 강조한다. 또한, 데이터 과학자와 엔지니어 간의 효과적인 의사소통을 위한 방법을 제시한다.

PART 2에서는 유지 관리 가능한 ML 코드 작성, 코딩 표준, 모델 측정, 드리프트 주시, ML 개발의 오만함 등에 대해 다룬다. 특히, 테스트 가능하고 읽기 쉬운 ML 코드 작성을 위한 모듈화, TDD, 코딩 표준 등을 강조한다. 또한, 모델의 성능과 예측 정확도를 지속적으로 모니터링하고, 데이터의 변화에 따라 모델을 업데이트하는 것이 중요하다는 점을 강조한다.

PART 3에서는 프로덕션 코드 작성, 품질과 인수 테스트, 프로덕션 인프라 등에 대해 다룬다. 특히, 프로덕션 환경에서 사용할 수 있는 ML 프레임워크와 라이브러리, 예측 서빙 아키텍처 등을 소개한다. 또한, 모델의 해석 가능성을 높이는 것이 중요하다는 점을 강조한다.

​

총평

머신러닝 엔지니어링 인 액션은 머신러닝 프로젝트를 성공으로 이끌기 위한 실무적인 지침을 제공하는 책으로, 다음과 같은 장점이 있다.

• 실무적인 지침을 제공한다. 저자는 실제 머신러닝 프로젝트에서 발생할 수 있는 다양한 문제점과 해결책을 제시한다.

• 다양한 분야의 지식을 종합한다. 머신러닝, 데이터 과학, 소프트웨어 엔지니어링, 프로젝트 관리 등 다양한 분야의 지식이 요구되는 머신러닝 프로젝트를 성공으로 이끌기 위한 지침을 제공한다.

• 쉽고 이해하기 쉽다. 구체적인 예와 설명을 통해 머신러닝 프로젝트의 각 단계를 이해하기 쉽게 설명한다.

이 책은 머신러닝 프로젝트를 계획하고 실행하는 데 관심이 있는 데이터 과학자, 엔지니어, 프로젝트 매니저에게 유용한 지침을 제공한다.

​

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