기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
8. 지속적 훈련
지속적 훈련이란 ML 시스템이 재배포되기 전에 데이터의 변경 사항에 적응하도록 기계 학습 모델을 자동으로, 지속적으로 재훈련한다는 의미입니다. 가능한 다시 빌드 트리거로는, 데이터 변경, 모델 변경 또는 코드 변경이 있습니다.
8.1 검사: 모델 입력 검증 |
모델의 입력이 특정 표준을 벗어나지 않는지 확인하는 검사가 마련되어 있습니다. 입력 검증은 모델 승격 중에 기능 테스트를 실행하는 것을 의미합니다. 또한 어설션 및 열거형 사용과 같은 입력 요청을 즉시 확인할 수 있습니다. |
8.2 트리거 재훈련: 예약된 작업 |
훈련 자동화의 가장 기본적인 형태입니다. 모델 재훈련은 일정에 따라 설정됩니다(예: 매주). 이 시나리오에서는 모델 승격 전에 결과에 대한 수동 검토 및 스팟 검사를 수행하며 자동화 수준이 낮을 수 있습니다. |
8.3 재훈련 트리거: 새 훈련 데이터 |
재훈련은 수신 데이터 임계치에 의해 시작됩니다. 모델은 처음부터 재훈련하거나 업데이트를 점진적으로 실행할 수 있습니다. 지정된 양의 데이터가 있으면 훈련 작업이 시작됩니다. |
8.4 재훈련 트리거: 모델 성능 저하 |
이 기법은 모니터링 및 관찰성을 사용하여 모델 재훈련을 실행하며, 성숙한 수준의 자동화가 요구됩니다. 예를 들어 정확도는 지정된 범위에서 낮을 수 있으며, 낮은 정확도는 데이터의 전체 또는 일부에 대해 모델을 재훈련하기 위한 트리거 역할을 합니다. |
8.5 재훈련 트리거: 데이터 배포 전환 |
데이터 배포 전환을 모니터링하면 기본 데이터가 변경될 때 모델을 재훈련하도록 설정된 트리거가 제공됩니다. 개념 전환 또는 데이터 배포 전환 |
