A
약 75초
경험 중심 1인칭 답변
대규모 머신러닝 모델 설계 경험은 졸업 프로젝트에서 있었습니다. '대규모'라는 표현이 상대적이지만 수백만 행 데이터를 다루는 추천 모델을 설계하고 배포하는 과정이었습니다. 데이터 전처리 파이프라인, 피처 엔지니어링, 모델 학습, 서빙까지 엔드투엔드로 구현하면서 각 단계의 의존성을 관리하는 것이 가장 어려웠습니다. 특히 학습 데이터와 서빙 환경의 피처 분포 차이(training-serving skew) 문제를 처음 만났고, 피처 스토어 개념을 도입해 양쪽을 동일 소스로 통일하는 방식으로 해결했습니다. 앞으로도 ML 시스템을 설계할 때 모델 성능보다 파이프라인 안정성과 재현성을 먼저 고려하는 방식을 유지하겠습니다.
ML 시스템은 모델보다 파이프라인이 더 오래 살아있습니다. 앞으로도 ML 시스템을 설계할 때 모델 정확도보다 파이프라인의 재현성과 유지보수 가능성을 먼저 따지는 방식을 유지하겠습니다. ML 엔지니어링의 80%는 데이터와 파이프라인입니다.
이 결의 특징
'ing-serving skew)** 문제를 처음 만났고, **피처 스토어 개념을 도입해 양쪽을 동일 소스로 ' 같은 구체적 문제를 마주친 뒤, 근본 원인을 파악하고 '해결했습니다. 앞으로도 ML 시스템을 설계할 때 **모델 성능보다 파이프라인 안정성과 재현성을 먼저 고려하는' 형태로 개선한 실제 과정이 드러납니다.
이 결이 통하는 자리
80명의 변화처럼 구체적 수치를 근거로 제시할 때 통합니다. 추상적 설명이 아닌 측정 가능한 결과로 말할 때 살아나는 결입니다.