클라우드에서 기계 학습 플랫폼을 구축하기 위한 몇 가지 우수 사례

번역가 | Bugatti

리뷰어 | Sun Shujuan

대부분의 사람들은 iOS, Windows 및 AWS와 같은 주요 기술 플랫폼에 익숙합니다. 플랫폼은 본질적으로 다른 애플리케이션을 구축하고, 기여하고, 실험하고, 확장하기 위한 기반 역할을 하는 기술 집합입니다. 이들은 오늘날의 고급 기술 역량과 최첨단 고객 경험을 테이블에 제공합니다.

빅데이터, 인공지능, 머신러닝으로 구현되는 기술 역량의 규모와 복잡성에 발맞추기 위해 많은 기업이 복잡한 사내 플랫폼을 개발하고 있습니다. 실제로 Gartner는 클라우드 네이티브 플랫폼이 2021년 40% 미만에서 2025년까지 95% 이상의 새로운 디지털 이니셔티브의 기반을 형성할 것으로 예측합니다.

제 경험에 따르면 엔터프라이즈 기술 플랫폼은 혁신적입니다. 이를 통해 다기능 팀이 신속하게 테스트, 실행 및 학습하고, 중복을 줄이고, 기능을 표준화하고, 일관되게 통합된 경험을 제공할 수 있습니다. 즉, 기술을 경쟁 우위로 전환하는 데 도움이 됩니다.

1. 엔터프라이즈 플랫폼의 진화

많은 조직이 인공 지능과 기계 학습의 무거운 작업을 실행할 수 있는 Kubernetes와 같은 클라우드 기반 플랫폼을 활용하여 동급 최고의 고객 경험을 제공하는 데 점점 더 능숙해지고 있습니다. Capital One은 미국에서 클라우드에 전면적으로 투자한 최초의 금융 기관이 되었습니다. 데이터 환경의 아키텍처를 재설계하는 능력은 클라우드 기반 플랫폼 기능을 통합하는 데 필수적입니다. 이러한 견고한 기반을 통해 Capital One은 빅 데이터를 활용하여 엔터프라이즈 플랫폼 전반에 걸쳐 새로운 기계 학습 기능을 구축하여 새롭고 보다 의미 있는 고객 경험을 가속화, 향상 및 제공할 수 있는 더 나은 위치에 있습니다.

이 분야에서 Capital One의 작업 대부분은 회사와 고객에게 중요한 결과를 가져왔습니다. 예를 들어, 사기 결정 플랫폼은 복잡한 실시간 결정을 내리기 위해 처음부터 구축되었습니다. 대량의 데이터를 활용하고 몇 개월이 아닌 며칠 만에 모델을 업데이트할 수 있는 이 플랫폼은 수백만 명의 고객을 신용카드 사기로부터 보호하는 데 도움이 되며 회사의 다양한 이해관계자가 사용할 수 있습니다.

엔터프라이즈 기술 플랫폼을 제공하기 위해 팀을 이끌었던 경험을 바탕으로 그 과정에서 배운 주요 교훈과 모범 사례는 다음과 같습니다.

• 모든 것은 팀에서 시작됩니다. 처음에는 작업 속도가 느려지더라도 최고의 사람들로 부서 간 팀을 구성하세요. 더 큰 팀이 항상 더 나은 것은 아닙니다! 팀에는 최소한 제품 관리자, 엔지니어 및 디자이너가 포함되어야 합니다. 플랫폼 사용자를 진정으로 이해하는 사람들과 함께 이러한 기능을 담당하십시오. 예를 들어 데이터 과학자가 주로 사용할 플랫폼을 구축하는 경우 전직 데이터 과학자인 제품 관리자를 고용하거나 데이터 과학자를 리더십 팀에 추가하세요. 팀이 여러 부서의 사람들로 구성된 경우 공통 목표가 있는지 확인하십시오.
• 먼저 최종 상태를 명확하게 정의하세요. 구축을 시작하기 전에 최종 상태에 대한 아키텍처와 계획을 명확하게 정의하고 반복적인 방식으로 목표를 달성하는 데 시간을 투자하세요. 아키텍처가 처음부터 셀프 서비스 및 기여를 위해 설계되었는지 확인하세요. 더 나은 방법은 조직이나 사업부 외부의 사용자에게 플랫폼을 확장한다는 가정하에 플랫폼을 설계하는 것입니다. 또한 시간이 지남에 따라 기술이 변화함에 따라 구성 요소를 교체할 수 있기를 원한다고 가정합니다.
• 시간이 얼마나 걸릴지 예상한 다음 두 배로 늘립니다. 중요한 것은 처음부터 구축하는 데 필요한 모든 기능을 브레인스토밍하는 데 시간을 투자한 다음 각 부분에 적절한 노력을 기울이는 것입니다. . 기술팀이 이를 속도와 결합하고 각 기능을 구축하는 데 걸리는 시간을 추정하면 버퍼 양을 50% 늘립니다. 내 경험상 이 추정치는 꽤 정확했다.
• 비즈니스 결과에 집중: 훌륭한 플랫폼을 구축하는 데는 오랜 시간이 걸릴 수 있습니다. 비즈니스 가치가 지속적으로 실현되도록 작업 순서를 지정하는 것이 중요합니다. 이는 팀에 동기를 부여하고, 신뢰를 구축하며, 선순환을 창출합니다.
• 투명성을 위해 노력하고 의사소통을 강화합니다. 의사결정, 진행 상황 및 로드맵을 이해관계자와 자유롭게 소통합니다. 현재 진행 중인 작업을 명확히 하는 것 외에도 현재 우선순위가 아닌 것이 무엇인지도 명확히 하세요. 다른 사람들이 플랫폼에 기여하고 쉽게 참여할 수 있도록 좋은 문서를 작성하세요.
• 작게 시작하세요. 최고의 테스트 및 품질 보증(QA) 환경이라도 프로덕션 환경에 배포한 후에만 드러나는 문제를 놓칠 수 있습니다. 고객에게 분명한 영향을 미칠 큰 변화에 대해서는 항상 소규모로 시작하여 소규모 생산 환경에서 효과적인지 확인한 후 적용 범위를 확장하십시오.
• 획기적으로 투명하고 과도하게 의사소통하세요. 의사결정, 진행 상황 및 로드맵을 이해관계자와 자유롭게 공유하세요. 현재 하고 있는 일을 명확히 하는 것 외에도 현재 우선순위를 두지 않는 것도 명확히 하세요. 플랫폼에 쉽게 기여하고 참여할 수 있도록 하는 문서에 투자하세요.
• 작게 시작하세요. 최고의 테스트 및 QA 환경이라도 생산 전까지 발견되지 않는 일부 문제를 놓칠 수 있습니다. 고객에게 의미 있는 영향을 미칠 큰 변화를 위해서는 항상 소규모 그룹으로 시작한 다음 소규모 생산에서 일어나는 일을 보면서 점차적으로 인원을 늘리십시오. 가능하다면 변경 사항이 외부 고객에게 영향을 미칠 경우 초기 모집단에만 직원을 사용하십시오.
• 적절한 관리에 주의하세요: 플랫폼 소유자는 플랫폼 성능에 주의해야 합니다. 모든 문제는 제어 메커니즘과 자동화된 경고를 통해 밝혀져야 합니다. 예외는 신속하게 처리되어야 합니다. 문제가 재발하지 않도록 근본 원인 분석과 변경에 우선순위를 두어야 합니다. 문제가 없다면 적절하게 축하하여 팀이 감사함을 알 수 있도록 하세요.
• 사실이 되기에는 너무 좋은 것 같다면... 예외 모니터링은 실행이 의도와 일치하는지 확인하는 좋은 방법입니다. 목표는 종종 예외가 발생하지 않는 것입니다. 예를 들어 지연 시간은 200밀리초를 초과할 수 없습니다. 예외 보고서에 예외가 전혀 표시되지 않으면 모니터링에 문제가 있을 수 있습니다. 항상 예외를 강제 실행하여 올바르게 실행되도록 하세요. 나는 이것을 아주 잘 이해합니다.
• 행복한 팀은 생산적인 팀입니다. 성과를 축하하고, 팀원의 성과가 좋을 때 칭찬하고, 내적 성취감을 느낄 수 있는 환경을 조성하십시오. 정기적으로 팀의 행복도를 측정하고 무엇이 팀을 더 행복하게 만들 수 있는지 논의하고 불만족스러운 부분을 해결하기 위해 스스로 시도해 볼 수 있는 기회를 제공하십시오.

팀이 올바른 플랫폼 기술의 강력한 지원을 받는 강력한 문화를 갖고 있다면 기회는 무궁무진합니다. 클라우드 네이티브 플랫폼과 대규모 데이터를 결합함으로써 기업은 더 새롭고 혁신적인 제품과 경험을 통해 더 나은 발전과 실험을 할 수 있습니다. 이러한 경험을 통해 최종 사용자와 고객이 필요한 제품이나 서비스를 필요할 때 얻을 수 있다면 큰 변화가 생길 것입니다.

원본 링크: https://venturebeat.com/ai/best-practices-for-building-machine-learning-platforms-on-the-cloud/

위 내용은 클라우드에서 기계 학습 플랫폼을 구축하기 위한 몇 가지 우수 사례의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!