壹
예시 답변 1
약 94초
현실이 학습 때와 달라지는 게 핵심인 결
양산에서 ML이 무너지는 핵심은 학습 때 본 세상과 운영 중 세상이 점점 달라진다는 점입니다. 실험은 고정된 데이터로 잘 맞지만, 현장은 장비·환경·사람이 계속 바뀌어 모델이 본 적 없는 입력이 들어옵니다. 그래서 시간이 갈수록 성능이 조용히 떨어집니다. 대응은 문제에 맞춰 나눕니다.
서서히 달라지는 경우는, 현장 결과를 다시 모아 주기적으로 재학습하는 고리로 막습니다. 응답이 느려 양산 속도를 못 따라가는 경우는, 무거운 모델을 가볍게 줄이거나 미리 계산해 두는 쪽입니다. 드물게 크게 틀리는 경우는, 모델이 애매하다고 한 건 사람이 마지막에 보게 둡니다. 다만 다 막진 못합니다.
처음 보는 급변은 재학습 전까지는 못 잡으므로, 그 구간은 예측을 단정으로 쓰지 않고 보수적으로 처리하거나 사람이 개입하게 둡니다. 핵심은 모델을 한 번 배포하는 게 아니라, 현실과의 차이를 계속 재서 따라가게 만드는 것입니다.
이 결의 특징
*학습 세상과 운영 세상의 괴리*라는 본질(축1)에서 출발해 drift·지연·신뢰성을 각 대응과 짝짓고(축2) 재학습 고리(축3)와 급변 못 잡는 한계·사람 개입(축4)을 짚어, 기법 나열로 들린다는 인상을 줄이고 본질을 분명히 합니다.
이 결이 통하는 자리
ML 양산 적용을 괴리 중심으로 본 관점이 또렷한 경우에 살아납니다. 왜 무너지고 어느 문제에 무엇이 맞으며 못 막는 걸 어떻게 다루는지가 한 줄이라도 들어가야 결이 무너지지 않으며, 그 설계가 본인 것이었는지도 함께 보입니다.