*MLOps Insight를 혹시 포워딩 받으셨다면 여기에서 구독하실 수 있습니다.(지난호 보기도 가능!)

**삽입한 이미지 로딩 오류가 있어서 재발송합니다! 불편을 드려 죄송합니다.🙇

이외에도 뉴스레터를 보시는데 문제가 있다면 언제든 제보해주세요😃 감사합니다!

MLOps Insight 구독자 여러분 안녕하세요!

어느덧 무더운 여름이 지나고 외투를 챙겨 입어야 하는 가을이 되어서야 13호로 인사드리게 되었습니다:)

예고 없는 휴재에 뉴스레터를 많이 기다리셨죠?

저희 MLOps Insight는 지난호를 기준으로 1주년이었는데요!

1주년을 맞이하여 잠시 재정비 시간을 가지게 되었어요.🙇

앞으로도 어떻게 좋은 소식을 더 많이 전달드릴 수 있을지 고민하는 시간을 가졌답니다!

그리고 이 글을 쓰고 있는 저는, MLOps Insight 통해 새롭게 인사드리게 된 Superb AI의 Product Advocate, 정현지입니다! 👩‍💻 이번 호부터 뉴스레터를 통해 여러분에게 MLOps 소식을 전해드릴 수 있게 되어서 너무 떨리는데요! 처음이라 부족한 점이 많겠지만, 피드백 남겨주시면 빠르게 수렴하여 더 좋은 뉴스레터 만들 수 있도록 하겠습니다.🙌

제가 처음 소개드릴 Spotlight는 AI 스타트업에 입문하고, 관련 지식을 공부하기 시작하면서 최근 가장 많이 들었던 키워드로 준비해보았습니다! 앞으로도 MLOps Insight를 통해 Global MLOps, Data-centric AI, DataOps 트렌드와 유익한 소식을 발 빠르게 보내드릴 수 있도록 할게요! :)

다시 돌아온 MLOps Insight도 함께 해주셔서 감사합니다! 이번 뉴스레터도 재밌게 읽어주시고, 피드백은 언제나 환영입니다 🙏

*MLOps Insight는 PC버전에 최적화 되어 있습니다. 

Spotlight✨

본 글은 Data-Centric Approach vs Model-Centric Approach in Machine Learning 를 번역 및 편집한 것으로 자세한 내용은 원글을 참고해주세요.

Data-Centric 접근 방식 vs Model-Centric 접근 방식

코드와 데이터 는 AI 시스템의 기반입니다. 이 두 접근 방식 모두 강력한 모델을 개발하는 데 중요한 역할을 하지만, 어느 것에 더 집중해야 할까요? 이 글에서는 Data-Centric 접근 방식과 Model-Centric 접근 방식을 살펴보고 어느 것이 더 나은지 확인하고, 데이터 중심 인프라를 채택하는 방법과 이점에 대해 설명합니다.

Model-Centric(모델 중심) 접근 방식은 데이터를 동일하게 유지하고, 코드 또는 모델의 아키텍처를 개선하는 접근 방식 입니다. 코드로서 모델의 성능을 향상시키는 것이 목표인 접근 방식이죠. 물론 다양한 가능성에서 최상의 모델 아키텍처와 교육 프로세스를 선택하는 작업 또한 포함되고요.

Data-Centric(데이터 중심) 접근 방식은 ML 애플리케이션의 정확도를 높이기 위해 Data-set를 체계적으로 변경/개선하는 작업이 포함됩니다. 데이터가 모든 의사 결정 프로세스의 핵심인 시대에 데이터 중심 회사는 운영에서 생성된 정보를 사용하여, 이해 관계자의 이익에 맞게 전략을 더 잘 조정할 수 있도록 하는 것을 목표로 하는 것이죠.

현재 대부분의 AI 애플리케이션은 모델 중심적이며, 그 이유 중 하나는 AI 부문이 모델에 대한 학문적 연구에 세심한 주의를 기울이기 때문이죠. Andrew Ng에 따르면 이 영역의 연구 논문 중 90% 이상이 모델 중심적입니다. 일반적으로 인정되는 표준이 될 수 있는 대규모 Data-set를 만들기 어렵기 때문인데, 결과적으로 앞으로 AI 커뮤니티는 모델 중심의 기계 학습이 더 각광받을 전망으로 보입니다. 👀

위의 그림은 데이터 중심 ML 애플리케이션의 사이클을 알아볼 수 있는 그림인데요. 결국 데이터는 AI 연구에서 매우 중요하고, 고품질 데이터 확보를 우선시하는 전략을 채택하는 것이 중요합니다. 그래서 일회성 이벤트가 아닌 각 단계에서 데이터의 품질과 상태가 평가되어야 한다고 강조하는 것이죠. 예로, 집을 지을 때 가장 좋은 재료를 선별하고 평가하여 사용하는 것과 같은 방식으로 다루어야 한다고 볼 수 있겠습니다.

무리하게 모든 걸 데이터 중심적으로 만들 필요는 없지만, 데이터 중심 접근 방식에서 Data-set의 크기는 그다지 중요하지 않으며 작은 품질의 Data-set으로 많은 작업을 수행할 수 있습니다. 연구를 하고 모델을 개선하는 것도 좋지만 데이터도 중요한 부분 중에 하나이기 때문입니다.

코드와 데이터는 모두 AI 여정에서 중요한 역할을 합니다. 모델 중심 접근 방식과 데이터 중심 접근 방식 중에서 선택하는 데 있어 엄격하고 정확한 규칙은 없습니다. 물론 가장 좋은 방법은 데이터와 모델 모두에 초점을 맞춘 하이브리드 접근 방식을 채택하는 것입니다.

ML 애플리케이션에 따라 데이터에 더 집중하고 모델에 덜 집중할 수 있지만, 우리는 이 글에서 데이터 중심 접근 방식이 모델 중심 접근 방식과 어떻게 다른지, 그리고 ML 애플리케이션을 데이터 중심적으로 만드는 방법을 확인했습니다. 각 애플리케이션의 방향에 따라 더 나은 접근 방식으로 데이터의 품질을 올릴 수 있다면, 우리의 ML 애플리케이션을 더 가치 있게 만들 수 있지 않을까요?🔥

AI 개발의 모든 단계에서 데이터 품질을 유지 및 개선하기 위한 인사이트를 보시려면 전문을 참고해주세요!

Superb AI Insight ✨

슈퍼브에이아이, 220억 규모 시리즈B 투자 유치

Superb AI가 투자 혹한기에도 불구하고 220억 규모의 시리즈B 1차 펀딩 라운드를 마무리했습니다! 지난해 1월 시리즈A 투자 유치 이후 1년 반 만의 투자로, 앞으로도 머신러닝 시장에서 더욱 우수한 프로덕트를 만들어 제공할 수 있도록 열심히 하겠습니다! Superb AI의 김현수 CEO가 전하는 시리즈B 투자 유치 감사 편지도 있답니다.💌 더 자세한 내용은 본문에서 확인해보세요 🙌

Meet Superb AI’s R&D team

Superb AI는 해마다 2배씩 성장하며, 현재는 약 100명의 글로벌 직원들이 Superb AI와 함께하고 있는데요! 모든 기업이 쉽게 인공지능 기술을 개발하고 활용할 수 있도록 하는 서비스를 만들기 위해 어떤 일들을 하고 있는지 공유해보려고 합니다. 첫 번째로 소개할 조직으로 Superb AI의 R&D팀은 어떻게 일하고 있는지 지금 바로 알아보세요!

Generative AI: A Creative New World

최근 달리2, 미드저니, 스테이블 디퓨전 등이 화제가 되면서 생성형 AI에 대한 관심이 높아지고 있습니다. Generative AI에 대한 대략적인 흐름과 기술 영역에 대한 전망까지 알아볼 수 있습니다.

Choosing the right GPU for deep learning on AWS

딥 러닝 교육 및 추론에 적합한 Amazon EC2 GPU 인스턴스를 선택하는 방법에 대해 알아보세요!

데이터 및 머신 러닝 파이프라인이 테스트할 때, 특정 테스트가 다른 테스트보다 더 많이 깨지는 이유를 파헤치고, 파이프라인을 테스트하는 더 나은 방법을 찾아가는 과정을 알아보세요. 간단한 파이프라인으로 시작하여 단위, 스키마 및 통합 테스트를 통해 테스트한 내용들을 알아볼 수 있습니다. 더 자세한 과정은 원글에서 확인해보세요:)

데브옵스 조직의 AI 의존도, 점점 커진다

GitHub 설문조사 결과, 데브옵스 조직의 31%가 소프트웨어 개발 및 품질 향상에서 AI와 머신러닝 알고리즘을 적극 활용하고 있다고 답했다고 합니다. 작년보다 2배 이상 늘어난 수치인데요. 대규모 조직에서 일찍이 AI 기반 데브옵스를 채택한 이유에 대해서 알아볼 수 있습니다.

Stable Diffusion Takes Over! (Open Source AI Art)

이번 Yannic Kilcher의 에피소드는 최신 Stable Diffusion 개발을 다루고 모델과 해당 비평가를 둘러싼 활기찬 오픈 소스 커뮤니티를 살펴봅니다.

Stable Diffusion in TensorFlow / Keras

Stable Diffusion을 정말 쉽게 사용해 볼 수 있는 GitHub 저장소, Colab Notebooks이 제공됩니다.

Operationalizing Machine Learning: An Interview Study

Berkley의 한 팀은 최근 여러 응용 프로그램에서 작업하는 MLE와 반구조화된 민족지학적 인터뷰를 진행했습니다. 그들은 성공적인 ML 실험, 배포 및 프로덕션 성능 유지를 위한 MLOps 공통 관행을 요약하고, 도구 설계에 대한 시사점과 함께, 인터뷰 대상자의 페인 포인트 및 안티패턴에 대해 논의한 인터뷰의 연구 결과를 발표했습니다.

다시 돌아온 이번 달 MLOps Insight 어떠셨나요? 👍👎
솔직한 피드백은 MLOps Insight를 만들어가는 데 큰 힘이 된답니다!
이번호 소감 남기러가기

Author: Hyeonji Jeong

Product Advocate at Superb AI

Let's connect 🤗