1분 내로 자기소개 부탁드립니다.

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.

저는 ML 양산을 완벽한 모델을 만드는 게 아니라, 틀려도 시스템이 안 무너지게 두는 문제로 봅니다. 양산에선 모델이 언젠가는 틀리고 느려진다는 걸 전제로 둡니다. 그래서 먼저 이 예측이 틀리면 무엇이 얼마나 나빠지는지를 정합니다. 틀리면 큰 손해인 자리는 모델 단독에 안 맡기고 사람 검수나 보수적 기본값을 같이 둡니다. 그다음 흔한 문제에 대응합니다. 서서히 안 맞아지는 건 오차를 추적해 일정 이상 벌어지면 재학습하고, 느린 건 가벼운 모델이나 캐시로 줄입니다. 다만 어느 대응도 못 막는 부분이 남는다고 봅니다. 새 유형이 갑자기 나오면 재학습 전까지는 그대로 흘러가므로, 그 위험을 모니터링으로 빨리 감지해 사람이 끼어드는 길을 같이 둡니다. 핵심은 모델 정확도보다, 틀렸을 때 시스템이 버티는 구조를 먼저 설계하는 것입니다.

솔직히 모델을 바로 전면 적용했다 데인 관점에서 말씀드리겠습니다. 실험에서 잘 됐다고 양산에 통째로 넣으면, 현장 조건이 달라 조용히 틀리는데 그걸 늦게 알게 됩니다. 그래서 저는 바로 자동 판정에 맡기지 않고, 한동안 모델과 사람 판단을 나란히 돌려 차이를 본 뒤 신뢰가 쌓이면 비중을 넘깁니다. 문제별 대응도 같이 둡니다. 시간이 가며 안 맞아지는 건, 현장 결과를 계속 받아 차이가 커지면 재학습하고, 느린 건 무거운 부분을 줄이거나 미리 계산합니다. 다만 완벽히는 못 합니다. 처음 보는 급변은 어떤 모델도 즉시 못 잡으므로, 그 구간은 예측을 보조로만 쓰고 최종은 사람이 확인하게 둡니다. 핵심은 한 번에 믿고 넘기는 게 아니라, 사람과 나란히 검증하며 비중을 옮기고 차이를 계속 재는 것입니다.