서론
이 장은 Machine Learning 디자인 패턴에 대해 공부한 것을 설명한다.
더 많은 데이터를 수집할 수 없을 때 데이터 균형(분포)을 이해하면 이를 고려하여 모델을 설계하는데 도움이 된다.
서빙(serving) : 모델을 배포하여 예측값을 전송하는 시스템
서빙의 하위 항목들로는
- 온프레미스(on-premise)
- 온디바이스(on-device)
예측(Prediction) : 배포되지 않은 로컬모델에서의 예측값, 배포된 모델에서의 예측값
주로 미래의 가치를 추정하는 경우에 사용됨
ex) 자전거를 타는 주기, 장바구니가 버려질지의 여부
- 온라인 예측 : 실시간으로 적은 수의 예측값을 얻고자 함
- 배치 예측 : 오프라인에서 대규모 데이터 집합에 대한 예측을 생성하는 것
- 온라인 예측보다 시간이 오래 걸림
- 예측을 사전에 계산
- 새로운 대규모 데이터에 대한 모델의 예측을 분석할 때 유용
추론 : 이미지 및 텍스트 분류 모델에 사용됨
ex) 텍스트 리뷰를 보고 감정이 긍정적이다 라는 출력의 경우 미래 결과가 없음으로 추론에 적합
Comment