머신러닝 프로젝트의 대실패를 피하는 6가지 방법

머신러닝은 이제 SF영화에 나오는 이야기가 아니다. 머신러닝은 이미 우리의 일상 곳곳을 건드리는 수많은 기술이 번창하는 밑거름 역할을 해왔다. 시리나 알렉사와 같은 음성 인식부터 페이스북의 자동 사진 태깅, 아마존이나 스포티파이의 상품이나 음악 추천도 머신러닝의 작품이다. 그리고 많은 기업이 머신러닝 알고리즘을 이용해 자사 네트워크의 효율성을 높이고자 한다. 실제로 일부에서는 이미 위협 탐지와 WAN 최적화를 개선하는 데 사용하고 있다.
어떤 기술에 이용하든지 머신러닝은 잘못 구현하면 대혼란을 초래할 수 있다. 따라서 머신러닝을 수용하기 전에 기업은 머신러닝이 실패할 수 있는 함정을 반드시 알아두어야 한다. 그래야만 프로젝트 실패 때문에 임원들이 이 기술에 등을 돌리는 일을 막을 수 있다. 주니퍼 네트웍스의 보안 인텔리전스 소프트웨어 엔지니어인 로만 시나예브는 머신러닝 최악의 실책을 피하는 방법을 소개한다.

예상치 못한 변수
인간은 금방 잊어버리는 사소한 것을 컴퓨터가 얼마나 중요하게 여기는지 놀라울 정도이다. 이 때문에 머신러닝 알고리즘을 배치하기 전에 가능한 많은 연관 변수와 잠재적인 결과물을 고려하는 것이 필수불가결한 일이다.
예를 들어, 자동차 사진을 두 가지 범주, 트럭과 승용차로 분류하는 훈련을 시키는 모델을 생각해 보자. 만약 트럭 사진은 모두 밤에 찍은 것이고 승용차 사진은 모두 낮에 찍은 것이라면, 이 머신러닝 모델은 밤에 찍은 모든 자동차 사진을 트럭이라고 분류할 것이다.
핵심 변수와 결과물을 공을 들이는 것이 원하지 않은, 그리고 예기치 못한 동작의 가능성을 줄이는 데 도움이 될 것이다.

원문보기: 
http://www.itworld.co.kr/slideshow/102100#csidxc3d9f400b880dab8a7dcf013a0d33f2