ML 수명주기와 설명 가능성

개요

실험에서 운영·재학습까지 점검 기준을 세운다.

먼저 신경망·학습·과적합의 핵심 개념을 확인하세요.

핵심 개요

ML 수명주기는 목표·자료·학습·평가·배포·운영 피드백으로 이어집니다. 배포된 모델도 입력 분포나 업무 기준이 바뀌면 성능이 달라질 수 있으므로 버전과 결과를 추적합니다.

설명 가능성 도구는 모델의 입력과 예측 관계를 해석하는 보조 수단입니다. 특정 특징이 예측에 크게 기여했다는 관찰을 현실의 인과관계로 확대하지 않습니다.

필요한 용어

• 드리프트: 운영 자료나 입력·정답 관계가 이전과 달라지는 변화
• 모델 계보: 자료·변환·학습·평가·배포 버전을 연결한 기록

작동 과정

1. 모델과 자료·전처리·평가 버전을 묶습니다.
2. 운영 분포·오류·지연을 기준 기간과 비교합니다.
3. 원인에 맞게 자료 수정·임계값 조정·재학습·롤백을 선택합니다.

풀이 예제

아래 입력과 기록은 직접 만든 교육용 가상 자료입니다.

입력·조건

겨울 자료로 학습한 수요 모델이 여름에 과소 예측합니다.

판단·결과

계절별 분포와 정답 관계, 전처리·상품 구성이 바뀌었는지 확인합니다.

이렇게 판단한 이유

모든 성능 저하가 가중치 문제는 아닙니다. 입력 파이프라인이나 업무 정의의 변화부터 분리해야 합니다.

흔한 실패와 복구

입력 분포가 바뀌었다고 무조건 재학습하지 않습니다. 측정 오류·수집 누락·업무 정책 변경도 확인합니다.

확인 문제

참고 자료

1. scikit-learn: Common pitfalls  — 분할 전후 전처리와 데이터 누출.
2. AWS: SageMaker AI  — 데이터·학습·모델 배포의 수명주기.

자료 확인: 2026-10-21. 사례·문항·실습은 자체 제작했습니다. 외부 서비스 호출과 실제 모델 품질 측정은 학습자가 별도 환경에서 수행합니다.

새 버전에서 성능이 나빠졌고 모델 설명은 가격 특징을 크게 표시합니다. 원인 분석과 복구 절차를 작성하세요.