들어가며 개인적으로 ML 모델을 서빙할 때 BentoML을 많이 사용합니다. 빠르고 다양한 모델을 지원하고 간단한 서빙이 가능하기 때문입니다. 보통 이미지나 텍스트를 모델의 인풋으로 하는 경우 BentoML에서는 각각 bentoml.io.Image나 bentoml.io.Text를 활용하여 데이터를 받습니다. 하지만 일반적인 ML 모델은 tabular...

들어가며 전통적인 머신러닝에서 그래프를 다룰 때는 위 그림과 같은 프로세스를 가졌습니다. 입력값으로 그래프를 받으면 피처 엔지니어링을 통해 구조화된 피처를 생성하고 모델을 학습하여 예측값을 반환했죠. 이 모든 과정은 태스크마다 새롭게 진행되어야 했고, 많은 시간을 들여야 했습니다. 하지만 앞으로 다룰 그래프 표현 학습(Gr...

들어가며 2월 말 파일럿 강의를 시작으로 사내에서 총 네 번에 걸친 머신러닝 엔지니어링 입문 강의를 진행했습니다. 강의에서 다루는 내용을 블로그에 다 담기는 어려울 것 같지만 요약하자면 최소 MLE가 가져야 하는 역량에 대해서 주목하고 알아보는 하루 여덟 시간짜리 강의 정도가 되겠네요. 사실 이 강의를 진행하게 된 이유는 MLOps 강의를 위한 준...

본 포스트는 Towards Data Science에 기고된 글을 요약하였습니다. 들어가며 추천 시스템은 오늘날 여러 플랫폼에서 사용하는 성공적인 ML 서비스입니다. 추천 시스템은 사용자가 새로운 콘텐츠나 제품을 발견하는 데 큰 도움을 줍니다. 하지만 다양한 형태의 편향으로 인해 잘못된 추천을 제공할 수도 있고, 이에 따라 사용자 경험을 저하시킬 수...

그래프에서 ML을 위한 피처 엔지니어링 그래프 형태의 데이터를 ML로 학습한다고 할 때 전통적인 ML 파이프라인이라면 그래프의 노드, 링크, 그래프 그 자체에 대한 피처를 디자인하고 모든 학습 데이터에서 피처를 생성해야 합니다. 그 다음 로지스틱 회귀나 랜덤 포레스트같은 모델을 학습하고 새로 입력된 노드, 링크, 그래프에 대해 생성한 피처를 적용해 ...