이 글은 Hidden Technical Debt in Machine Learning Systems을 읽고 번역한 내용입니다
최대한 번역된 단어를 통일하였으나 원문을 보는것을 권장합니다.
개인적으로 첨가한 단락은 기울게 표시했습니다.
기술 부채
Ward Cunningham 이 도입한 1992년 빠르게 소프트웨어를 만들때 야기되는 장기 비용을 말합니다 이 부채는 재정 부채와 마찬가지로 전략적으로 사용될 수 있습니다. 모든 부채는 나쁜것이 아니나 언젠가는 해결되어야 합니다.
기술부채는 다음과 같은 방법으로 해결됩니다.
- refactoring code
- improving unit tests
- deleting dead code
- reducing dependencies
- tightening APIs
- improving documentation
복잡한 모델이 무너트린 경계
전통적인 소프트웨어는 응축(encapsulation)과 모듈화라는 강한 추상화 경계를 통해 코드를 유지하기 쉽게 만들고, 코드의 변경과 개선을 격리(isolate) 시킵니다. 하지만, 머신러닝 시스템에서 강한 추상화 경계를 강요하기 어렵습니다. ML은 외부 데이터에 의존 없이 소프트웨어 로직으로 잘 표현될 수 없기 때문입니다.
얽힘(Entanglement)
머신러닝 시스템은 출력(signal)이 섞이고 얽혀있어 격리가 불가능합니다. 모델에서 x1, ... , xn 특징(feature)을 사용하는 시스템이 있다고 가정해봅시다. x1을 바꾸게 된다면 남은 n-1 특징들은 전부 바뀔 것입니다. 새 특징 xn+1을 추가하는것, xj를 제거하는것도 마찬가지입니다
수정 종속(Correction Cascades)
모델 ma에 약간 다른 문제를 해결하기 위해 ma' ma에 대한 종속
정의되지 않은 사용처(Undeclared Consumers)
아직 작성중에 있습니다!
