프로덕션 ML 시스템의 특징(Model Decay)

2024. 2. 22. 21:56·MLOps/이론

모델의 성능이 언제까지나 유효한가? No

"Past performance is no guarantee of future results."

"No model lives forever, but the speed of decay varies."

실 사용사례에서는 데이터가 계속 달라지기 때문에 모델의 성능이 점점 떨어지는 현상을 발생시킨다.

 

모델의 quality를 판별하는 데에 사용하는 것은 Accuracy, Mean Error Rate, or some downstream business KPI such as click-through rate (꼭 F1 score 만 사용하는 것은 아님)

시간에 따른 모델의 성능저하 그래프(https://www.evidentlyai.com/blog/machine-learning-monitoring-data-and-concept-drift)

 

다양한 모델의 quality 판별을 통해서 검토를 한 결과 성능이 저하게 된다는 것을 "Model decay" 라고 한다.

 

 

반응형
저작자표시 비영리 변경금지 (새창열림)

'MLOps > 이론' 카테고리의 다른 글

MLOps Level 1 : ML pipeline automation  (0) 2024.03.23
MLOps Level 0  (0) 2024.03.23
Model Decay의 이유(1) : Data Drift, Training-serving Skew  (0) 2024.02.23
ML 서비스 개발 순서  (0) 2024.02.22
MLOps를 위한 기초관점  (0) 2024.02.20
'MLOps/이론' 카테고리의 다른 글
  • MLOps Level 0
  • Model Decay의 이유(1) : Data Drift, Training-serving Skew
  • ML 서비스 개발 순서
  • MLOps를 위한 기초관점
태현IT
태현IT
MLOps 직무를 위해 공부하고 있는 박사수료 연구원입니다
    반응형
  • 태현IT
    THyunIT
    태현IT
    • 분류 전체보기
      • MLOps
        • 이론
        • 개발
      • 인공지능
        • 기초
        • Python
      • 개발과정
        • Database
        • AWS
  • 링크

    • Github
  • 공지사항

  • 인기 글

  • hELLO· Designed By정상우.v4.10.0
태현IT
프로덕션 ML 시스템의 특징(Model Decay)
상단으로

티스토리툴바