"실전 머신러닝 시스템 구축 가이드"를 처음 접한 순간, 저는 머신러닝 모델과 라이브러리를 다루는 연습을 하고 있었습니다. 그때 저는 이러한 도구들이 실제 시스템과 워크플로우에 어떻게 통합되는지 궁금했습니다.

이 책은 큰 그림에서 시작하는 것이 아니라, 작은 부분부터 차근차근 접근합니다. 머신러닝을 사용해야 하는 경우와 그렇지 않아도 되는 경우를 구분하며, 그 이유에 대해 설명해주어 생각을 확장하게 합니다. 점진적으로 내용이 확대되면서, 이러한 점진적인 흐름이 자연스럽게 이어지는 것을 발견하게 되었습니다. 이 책을 읽고 난 후, 그 점에서 매우 만족스러웠습니다.

?? 머신러닝 시스템 구축 실전 가이드

? 머신러닝 사례

머신러닝의 사례를 찾고 계시는 분이 있다면, 아마도 비즈니스 목적으로 머신러닝 시스템 구축에 대한 정보를 얻고 싶은 분들이실 것 같은데요.

저도 데이터과학과 머신러닝을 공부하고 있기 때문에 학술적인 목적 뿐만 아니라 현실적인 부분에서도 궁금증이 생겼는데요.

특히 머신러닝을 비즈니스에 적용할 수 있는 방법에 대한 궁금증이 많이 생기더라고요. 머신러닝을 실용화해서 비즈니스로 전환할 수 있는 머신러닝 사례들이 있는지 궁금하기도 했고요.

? 학습을 넘어 실무로

머신러닝 시스템 구축 실전 가이드는 '학습을 넘어 실무로'라는 느낌의 책이었어요. 그동안 컴퓨터공학을 전공하거나 관심있는 분들을 대상으로 하는 머신러닝 책들은 많이 있지만, 실무적으로 활용할 수 있는 책들은 찾아보기 어려웠거든요.

비즈니스 사례를 통해서 머신러닝 제품을 설계하고 실용화하는 전반적인 프로세스를 이 책으로 옅볼 수 있는게 큰 장점이라고 생각이 들어요.

? 비즈니스 사례 머신러닝 레벨업

프로그래밍 실력을 향상시키는 효과적인 방법은 실무를 경험하는 것이라고 생각해요.

그저 머신러닝 모델과 테크닉를 암기하고 있는 것을 넘어 실제 모델이 구현되고 서비스화되는 전반적인 과정이 실력향상의 시작이라고 느꼈기 때문이예요.

머신러닝 시스템 구축 실전 가이드는 머신러닝을 학습하시는 분들에게 실무적이며 실용적인 사례를 제공하고 있어요.

실제 비즈니스 환경에 대한 문제, 머신러닝을 적용하고 제품화하는 과정을 보면서, 머신러닝 시스템 설계 이론과 개념의 이해를 확장시킬 수 있었어요.

? 추천 독자

파이썬 문법, 머신러닝 기초를 학습하신 분들에게 추천하고 싶은 책이에요. 책의 난이도는 초중급으로 되어있지만 실제로는 중급정도 되는 느낌이에요.

왜냐하면 파이썬과 머신러닝 프로세스에 익숙한 분들에게 ''실무적으로 도움될 수 있는'' 실전 가이드를 제공하는 목적으로 집필되었다는 느낌이 들더라고요.

교재 속의 머신러닝을 현실의 비즈니스 영역으로 끌어내어 객관화하는 책이라서, 내가 배우고 있는 머신러닝이 사회의 어떤 문제를 해결하는데 이용될 수 있는지 실마리를 잡을 수 있었어요.

출판사를 통해 도서를 제공받아 직접 읽고 작성한 후기예요.

『머신러닝 시스템 구축 실전 가이드』(시부이 유스케 지음, 김모세 옮김, 제이펍, 2024)는 다양한 사례를 통해 머신러닝 제품의 실용화를 배울 수 있으며, 설계부터 구축·개발·운영까지 머신러닝 프로젝트의 실전 감각을 키울 수 있는 책입니다.

책은 4개의 장으로 구성되어 있으며, 비즈니스에서 빈번하게 볼 수 있는 3개의 과제를 해결합니다.

1장에서는 머신러닝을 통해 비즈니스 과제를 해결하는 방법과 다양한 팀 구성, 머신러닝 시스템에 대해서 설명합니다.

2장에서는 수요 예측 시스템을 만듭니다. 소매점의 식료품 구매 데이터를 활용하여 수요 예측 시스템을 구축합니다.

3장에서는 위반 감지 시스템을 만듭니다. 스마트폰 애플리케이션에 게시된 위반 이미지를 감지하는 시스템을 구축합니다.

4장에서는 검색에 머신러닝을 활용합니다. 순위 학습과 유사 벡터 검색을 활용하여, 동물 이미지를 검색할 수 있는 스마트폰 애플리케이션을 만들어 봅니다.

책의 장점으로는 기술의 활용보다 비즈니스 활용에 초점을 맞췄습니다. 실용적인 접근을 통한 3가지(과제의 결정과 아키텍처에 대한 고민, 머신러닝 팀에 대한 구성) 영역의 교집합을 살펴보면서, 머신러닝을 통해 효과적으로 문제를 해결하는 방법을 생각할 수 있을 것입니다.

두 번째, 기술적 구현에도 충실했습니다. 클라우드의 서비스(AWS, MS Azure, GCP)를 활용하기보다 직접 머신러닝 시스템을 구축해서 매력적이었습니다. 파이썬을 주로 사용하지만 코틀린도 사용하며, 코드의 재현성을 위해 도커와 쿠버네티스를 사용하고, 머신러닝은 텐서플로·사이킷런·LightGBM, DB는 PostgreSQL, 워크플로 엔진은 아르고 워크플로, 검색 엔진은 일래스틱서치, 캐시는 레디스, 머신러닝 관리에는 MLflow, 웹 API는 FastAPI 등 다양한 소프트웨어와 라이브러리를 활용한 시스템 구축을 직접 해 볼 수 있었습니다.

머신러닝에 대한 기술을 알려주는 책이 많았지만, 실용화에 대해 알려주는 책은 적었습니다. 이 책은 이론적인 환경에 초점을 맞추기보다 보다 현실적인 비즈니스 환경에 초점을 맞춰, 머신러닝 실용화에 도움이 될 만한 내용으로 가득차 있었습니다. 저자가 다양한 회사에 재직하면서 얻은 다양한 경험과 노하우가 책에 녹아든 덕분에 이 책을 통해 현업에서 만나는 문제에 대한 실마리를 얻을 수 있을 것입니다.

책의 마지막 부분에서 저자는 『컴퓨터 프로그램의 구조와 해석』(해럴드 애빌슨 외 2명 지음, 김재우 외 3명 옮김, 이광근 감수, 인사이트, 2016)을 소개합니다. 이 책은 오래되었지만, 많은 사람들에게 사랑을 받고 있는 책으로, 컴퓨터 시스템에 대한 보편적 가치를 설명하는 책입니다. 저자의 바람대로 『머신러닝 시스템 구축 실전 가이드』도 많은 사람들에게 사랑받으며, 언제 어디서나 펼쳐볼 수 있는 책이 되었으면 좋겠습니다.

이 책을 가장 추천하는 독자는 머신러닝 엔지니어와 시스템 엔지니어, SRE입니다. 머신러닝 워크플로와 시스템, 설계와 개발, 운영에 대해 전반적으로 살펴볼 수 있어 유용할 것입니다.

다음으로는 머신러닝 팀 구성과 비즈니스 문제 해결이 궁금한 머신러닝 팀의 구성원들(프런트엔드 엔지니어, 백엔드 엔지니어, 프로덕트 오너)에게도 도움이 될 것입니다.

이 책은 머신러닝 이론이나 방법론을 설명하는 목적으로 쓴 책이 아닙니다.

머신러닝을 실용화하는 순서와 제품 개발 사례를 통해,여러분이 머신러닝을 활용해 더 편리한 세상을 만드는 것을 지원하는 것이 목적입니다.

『머신러닝 시스템 구축 실전 가이드』, 7쪽

해당 서평은 출판사로부터 책을 제공받아 작성했습니다. 감사합니다.

대학에서 인공지능을 가르치고 있습니다. 머신러닝을 공부하고 응용하다보면, 사전 기획(문제인식, 해결방안 모색, 팀 구성 및 시스템 구축 등)이 머신러닝 이론 그 자체보다 어렵고 중요하다는 것을 느낍니다. 이 책은 이러한 어려움을 사례에 기반하여 하나씩 짚어주고 건너갈 수 있도록 해줍니다.

인상깊었던 점은 머신러닝 시스템 구축의 전체 과정을 다루면서도 모든 부분에 세심합니다. 중간 과정의 생략이 없으며, 깃허브로 공유된 코드의 재현성을 보장하고, 스토리로 사용된 비즈니스 사례가 탄탄합니다.

강의용 교안이 따로 제공되지는 않으나 소스코드, 그림, 표는 제공되기 때문에 교재로도 충분히 활용될 수 있을듯 합니다.

머신러닝 이론을 가르치기에도 바쁜 교육 현장과 실무적으로 문제를 해결할 줄 아는 인재를 필요로 하는 산업 현장의 간극을 좁혀줄 수 있는 귀중한 도서입니다.

이번에 기억에 남기고자 하는 책은 "머신러닝 시스템 구축 실전 가이드"입니다. 이 책은 머신러닝 시스템 구축에 대한 실질적인 가이드를 제공합니다. 머신러닝에 관심이 많은 분들, 머신러닝 프로젝트에 참여하는 엔지니어와 개발자, 머신러닝 기술을 비즈니스에 적용하려는 기획자들에게 유용한 지침서가 될 것이라 생각합니다. 이 책을 통해 실제 비즈니스 환경에서 머신러닝 시스템을 효과적으로 구축하고 운용하는 방법을 배울 수 있을 것입니다.

내용은 4개의 주요 챕터로 구성되어 있습니다. 1장에서는 머신러닝 시스템의 아키텍처 설계와 팀 구성, 그리고 새로운 머신러닝 시스템 디자인 패턴에 대해 다룹니다. 2장에서는 실제 비즈니스 사례인 수요 예측 시스템을 만드는 과정을 상세하게 소개하고, 3장에서는 동물 이미지 애플리케이션의 위반 감지 시스템 구축을 예를 들어 설명합니다. 마지막으로 4장에서는 동물 이미지 애플리케이션 검색에 머신러닝을 활용하는 방법을 소개합니다.

실제 비즈니스 사례를 중심으로 머신러닝 시스템 구축을 설명한다는 점에서 이 책의 가장 강점을 뽑을 수 있지 않을까 합니다. 이를 통해 이론적인 지식만이 아니라 실제 업무에 적용될 수 있는 지식을 얻을 수 있습니다. 또한, 이 책은 비즈니스 관점에서 머신러닝 활용에 대한 내용을 중점적으로 다루고 있어서 기술적인 점에 치우쳐져서 내용을 파악하기 쉬운 개발자에게 좀 더 폭넓고 새로운 관점으로 바라볼 수 있도록 해줍니다.

하지만, 이 책의 전문성은 꽤 높은 편이어서, 파이썬, 코틀린, 도커, 쿠버네티스, 일래스틱서치, 레디스, MLflow, FastAPI 등의 기술 스택에 대한 이해가 없다면 예제를 따라가기조차 어려울 수 있습니다. 따라서, 이 책을 읽기 전에 이러한 기술에 대한 기본적인 기술을 습득하고 있는 것이 책 내용 이해에 도움이 될 것 같습니다.

이 책을 통해 머신러닝에 관심 있는 분들이 실제 비즈니스 환경에서 머신러닝 시스템을 효과적으로 운용하는 방법을 배울 수 있기를 기대합니다. 머신러닝이 단순히 이론이나 개념을 배우는 것이 아니라 실제로 적용하고, 그 결과를 보는 것이 중요한 것이라는 점을 새삼 느끼게 해준 책이었습니다. 기술적인 지식을 넘어 실제 비즈니스 환경에 적용하여 문제를 해결하는 것, 그것이 바로 머신러닝의 진정한 가치가 아닐까 생각이 듭니다.

CES 관련 이미지 출처=hindustantimes

혁신의 장으로 불리는 세계 최대 가전박람회인 ‘CES 2024’가 막을 내렸다. 소비자 가전·IT 전시회인 CES는 미래 시장을 엿볼 수 있는 다양한 신기술의 경연장이다. 올해는 “올 투게더, 올 온(All together, All On)”이라는 슬로건으로 전 세계 150여 개국 4,300곳 이상의 기업들이 참가해 미래 기술을 선보였으며 단연 제품 대다수는 인공지능(AI)를 기반한 것이 특징이다.

이세돌과의 대결로 떠오른 바둑 인공지능 알파고(AlphaGo).출처=딥마인드

지난 2016년 구글 딥마인드(DeepMind)의 바둑 인공지능(AI) 프로그램 알파고(AlphaGo)와 대국을 펼친 이세돌은 3국까지 알파고에 불계패를 당했다. 알파고의 실력에 이를 목격한 이들은 위기감을 느낀 것을 기점으로 AI는 대중화 길에 차근차근 들어섰다. 이 알파고는 머신러닝 학습 기법으로 구현됐다. 1997년 IBM이 딥블루(Deep Blue)로 세계 체스 챔피언 가리 카스파로프에 승리했을 때와는 다른 양상이다.

코딩 관련 자료. 출처=픽사베이

머신러닝(Machine Learning, ML)은 인공지능(AI)의 한 분야로, 컴퓨터가 명시적인 프로그래밍 없이도 데이터로부터 학습하고, 경험을 통해 스스로 개선할 수 있는 능력을 갖추는 것을 목표로 한다. 머신러닝 모델은 주어진 데이터를 분석하고, 그 데이터 내의 패턴이나 규칙을 찾아내며, 이를 기반으로 예측이나 결정을 할 수 있다.

삼성전자는 17일(현지시간) 오전 미 캘리포니아주 새너제이 SAP 센터에서 '갤럭시 언팩 2024'를 열고 갤럭시 S24 시리즈를 공개했다. 삼성전자가 인공지능(AI) 기술이 탑재된 첫 스마트폰을 공개하고 'AI폰 시대'의 서막을 알렸다.

갤럭시 S24에 탑재된 AI를 활용하고 있다. 출처=삼성전자 홈페이지 캡처

또 노태문 삼성전자 모바일경험(MX) 사업부장(사장)은 기자 간담회에서 “삼성전자는 올해 약 1억 대의 모바일 기기에 갤럭시 AI를 제공해 전 세계 모바일 AI 확산에 기여하겠다"라고 강조하기로 했다. 갤럭시 AI가 최초로 적용된 갤럭시S24는 인터넷 연결 없이 기본 전화 앱에서 실시간 통역을 제공하고 사진의 빈 공간을 생성형 AI가 자동으로 채워주는 등 다양한 모바일 특화 AI 기능을 지원한다.

인공지능이 우리 일상 곳곳에 스며드는 가운데 머신러닝을 실용화한다는 것은 현실에서의 문제를 해결한다는 것이다. 이 말은 머신러닝을 통해서만 해결할 수 있는 과제를 결정하고 머신러닝을 작동시키는 시스템을 만드는 것이다. 머신러닝을 활용할 수 있는 문제나 상황, 머신러닝을 사용해야만 해결할 수 있는 과제를 정의하고, 시스템이나 사람의 활동 안에서 머신러닝을 조합하는 것이다.

비즈니스 전략을 짜고 있다. 출처=픽사베이

어쩌면 당연할 수 있는 내용이지만 비즈니스에서는 문제를 해결하기 위해 끊임없이 방향을 조정해야 한다. 엔지니어들에게는 머신러닝을 사용했다는 그 자체가 중요해 억지로 적용하는 일도 있기 때문이다. 한 예로 규칙 기반으로 설문 챗봇을 만들 경우 if-else 구문을 조합하는 것만으로도 구현할 수 있는 것을 굳이 머신러닝으로 진행하면 에너지 낭비다. 대량의 질문 문장 준비와, 그 해결책에 맞춘 머신러닝 모델 개발할 뒤, 프로덕션 시스템에 조합해야 하는 기회비용의 문제다.

최근 데이터의 중요성이 높아지면서 관련 직군과 직무 교육에 관한 필요들이 급증하고 있다. 머신러닝 모델이나 라이브러리 각론을 다룬 책은 많지만, 머신러닝을 실제로 프로덕션 시스템에 적용하는 일은 또 다른 문제다. 실용 기술만으로 관련 직군에 바로 투입하기는 어려운데 바로 실제 업무에 적용하기 위해서는 소프트 스킬들이 필요하기 때문이다.

이에 머신러닝을 효과적으로 활용하기 위해 머신러닝을 활용하는 전반적인 흐름과 팀 구성에 대해 설명하는 책을 소개한다. 바로 “머신러닝 시스템 구축 실전 가이드”다.

저자인 시부이 유스케는 “이 책은 머신러닝을 실제 비즈니스에 활용할 때 구조를 만드는 방법에 관해 설명한다”면서 “머신러닝은 분명 뛰어난 기술이지만, 그 자체만으로는 실용화하기 어려운 부분들이 존재한다”라고 말했다.

그는 “머신러닝을 실용화한다는 것은 머신러닝을 통해서만 해결할 수 있는 과제를 결정하고 머신러닝을 작동시키는 시스템을 만드는 것이다”라면서 “이 책에서는 머신러닝을 활용할 수 있는 비즈니스 상황을 정의하고, 워크플로와 시스템을 만들어 간다”라고 밝혔다.

실용서로서의 의미만 담은 것이 아니라 업무 과정에서 활용할 지점이 있는 것이다.

유스케 저자는 “머신러닝을 실용화하기 위해 필요한 프런트엔드, 백엔드, 파이프라인과 BI도구 등 전반적인 소프트웨어를 구현했다”면서 “이 책은 AI 엔지니어나 시스템 엔지니어를 주 대상 독자로 한다”라고 책 서두에 말했다.

시스템 구축을 위해 팀원들이 필요하다. 출처=픽사베이

머신러닝을 사용해 보지 않았음에도 흥미롭게 책을 읽을 수 있었던 점은 팀의 크기와 스킬에 맞는 개발과 운용하는 내용이 책에 담겼기 때문이다. 시스템 개발에는 기술이 필요하듯 사람, 즉 팀을 구성해야 하는데 어느 정도 규모의 직무자들이 모여 어떤 역할들로 나누어지는지에 대해서 AI에 대한 기초 지식만 가지고도 읽을 수 있기 때문이다. 또 중간중간 그림 자료를 활용해 직종별 팀과 도메인별 팀을 구성할 때는 어떤 엔지니어들로 구성을 하면 좋을지도 비교하기 쉽게 돼있다.

시각화 자료로 이해를 돕는다. 출처=책 내용 중

책의 구성

이 책은 총 4개의 장으로 구성되어 있으며, 1장에서는 과제, 팀, 시스템을 주제로 과제 해결을 과정을 소개한다. 2장 수요 에측 시스템 만들기에서는 가공의 AI 상점에서 식료품 수요 예측을 위한 머신러닝 활용을 소개하며, 3장 동물 이미지 애플리케이션 주제를 통해 시스템 구현 방법을 설명한다. 마지막 4장 동물 이미지 애플리케이션 검색에 머신러닝 활용해 검색 경험을 개선하고 발전시키는 방법에 대해 설명한다.

한번 해보자!

그래서 필자도 이를 바탕으로 가상의 팀을 만들어 통신사 고객 이탈 예측 모델을 제안해 봤다. 스타트업이라 가정한 후 1명의 엔지니어와 데이터 분석가로 명명하고, 데이터 구성을 파악하고 데이터 전처리와 시각화 작업을 한 후 모델링에 따른 비즈니스 전략을 도출하는 순으로 해봤다. 말 그대로 데이터에 기반한 의사결정이다.

통신 고객 이탈 분석에 머신러닝(ML) 활용하기 (클릭)

머신러닝 사용해봤다. 엣헴. 출처=픽사베이이

본 책에는 내용 중간중간 데이터를 활용할 수 있는 URL이 있으니 직접 시도해 볼 수 있다.

이렇게 살펴본 바와 같이 머신러닝 기술을 성공적으로 적용하고 운영하기 위한 다양한 방법을 장단점과 함께 설명이 있다. 조직, 팀 구성과 보유 기술, 시스템 구성을 어떻게 고려하면 효과적일지 고민하는 이들에게 도움이 될 것이다.

--머신러닝 시스템 구축 실전 가이드--
ML Model을 만드는 분석가의 입장이 아니라, Data Engineering을 중심으로 ML Pipeline을 만들어가는 SW 엔지니어의 입장에서 후기를 남깁니다.

시중에 출시된 대부분의 ML 관련 서적은 model 중심입니다. 하지만 실제 현장에서 대규모 서비스를 위한 개발을 하면,
전체 프로세스의 70~80%는 견고한 data engineering 구조가 프로젝트의 성패를 결정한다는 것을 느낍니다.
많은 기업들이 MLOps를 얘기하지만 진정으로 운영 데이터(Ops) 기반의 full managed ML pipeline을 구현하기는 매우 어려운 난제입니다.

저자는 MLOps의 목표를 달성하기 위해 팀 구성 패턴을 제시하면서 ML 도입 단계에 따른 접근이 필요하다고 얘기합니다.
kaggle의 문제를 풀 수 있는 모델 엔지니어가 MLOps 실용화를 위한 개발을 하기 어렵기 때문에
각종 data 기술을 처리할 수 있는 SW 엔지니어가 필요하고, 서로를 이해할 수 있는 문화를 만들어야 한다고 강조합니다.

팀 구성이 끝나면 세 가지 ML 예제 시스템으로 전반적인 MLOps 구축 과정을 설명합니다.
수요 예측 시스템 예제에는 팀구성의 예, ML 시스템의 도입 목적에 대한 당위성 부여, 실제 모델 개발 예제, 
그리고 프로젝트 진행 단계에 따른 워크플로우 구성과 실제 구현에 필요한 시스템 컴포넌트의 변화를 어떻게 고민할지에 대해 가이드 합니다.
워크플로우 엔진, DB, 대시보드, 모델 관리툴, CI/CD 등의 컴포넌트를 어떻게 도입하고 자동화할지에 대한 간단한 예제를 설명합니다.

이어서 설명하는 나머지 예제 두 가지는 위반 감지 시스템과 ML 기반 이미지 검색입니다. 
이 두 가지 예제도 ML을 도입하는 당위성과 모델 개발의 과정, 그리고 워크플로우를 자동화하고, A/B 테스트를 활용하여 모델의 최적화, 
그리고 추론의 자동화까지 간략하게 보여줍니다. 저자가 언급하는 기술이 매우 많기 때문에 깊이있는 정보를 확인하기는 어렵지만 
전반적인 ML 시스템의 구축과정과 개선 방법을 이해하기는 좋습니다.

이 책은 처음 MLOps 파이프라인을 개발하는 엔지니어 혹은 ML Model 중심의 업무를 하고 있는 분석가에게 
MLOps를 목표로 운영 시스템을 구축하기 위해서 필요한 기술 요소는 최소한 이정도가 있어야 한다는 부분을 알려주기 좋은 내용으로 구성되어 있습니다.
특히 MLOps를 시스템화할려면 자동화된 Workflow와 관리 도구들이 필수인데, 그러한 부분을 세세하게 언급하고 넘어가는 부분이 저자의 
경험을 책으로 잘 녹여냈다고 생각합니다.

실무를 하고 있는 Data Engineer 입장에서 봐도 좋은 구성과 흐름으로 MLOps 전반적인 과정을 설명해주는
좋은 책이라고 평가합니다.

제이펍의 인공지능 시리즈로 나온 도서로, 일본 도서의 번역본이다.

딱 한 달 전에 출간된 따끈따끈한 도서!

내가 꼽은 이 도서의 특징

• 분류: MLOps

• 부제인 '비즈니스 사례로 배우는 머신러닝 제품 설계/구축/운용'이 중요한 키워드이다. 총 4개의 챕터, 즉 4가지 사례를 직접 구현할 수 있도록 짜여진 도서이다. 개인적으로 이게 장점이자 단점이라고 생각한다. '이론서 vs. 실전적용' 은 취향에 따라 갈리는 문제이니.

• 사례를 얼마나 구체적으로 다뤄주는지는 도서의 목차를 보면 감이 오실텐데, 팀원을 어떻게 구성해야 하는지부터 각 사례의 해석과 anomaly detection, word vector와 심지어 마지막에는 MobileNet까지 활용한다..!!!!

• 전혀 번역서 같지 않은 자연스러운 문장 및 문단 구성!!! 읽는데 전혀 방해되지 않는다. 정말 친절하게 설명되어 있어 술술 읽히는 건 덤이다.

• 책에 제공된 코드를 GitHub에도 제공해주신다! (역자 제공) 또한, 코드를 실행하는 데 사용한 SW 종류 및 버전까지(!) 명시되어있다.

• 표지에도 코딩하는 고양이가, 사례 중에도 고양이 앱이 등장하는데 저자인 시부이 유스케가 고양이 집사라서 그렇다.

이 책에 관심 있는 분들이라면 제일 관심 있어하실 정보는 아마도, 도서의 '대상 독자 및 사전 지식' 부분일 것이다. 아래는 그 부분을 그대로 인용하여 적어둔 것이니, 본인이 원하는 도서이다!하면 바로 시도해보시길 바란다ㅎㅎ

• 이 책은 AI 엔지니어나 시스템 엔지니어를 주 대상 독자로 합니다. ML을 효과적으로 활용하기 위해 특정한 비즈니스 상황을 가정하고, ML을 사용하는 상황이나 요건, ML을 사용하는 워크플로와 시스템, 개발/운용 팀의 구성에 관해 설명합니다.

• ML 시스템에 대한 광범위한 설계, Python을 이용한 ML 시스템 구현 예시를 함께 설명하며, ML을 실질적으로 활용하기 위한 방법론이나 운용 및 개선 노하우도 다룹니다.

• 코드 재현성을 담보하기 위해 Docker와 Kubernetes를 활용합니다.

• 언어는 주로 Python(v3.10)을 활용합니다. 일부 안드로이드 앱을 개발하는 데에는 Kotlin도 사용했습니다.

• Python library 관리에는 Poetry를 사용합니다.

• ML library로는 TensorFlow, ScikitLearn, LightGBM을 사용합니다. 데이터 처리 library로는 pandas, NumPy, pandera 등을 사용합니다.

• 시스템 구현 시 워크플로 엔진으로는 Argo Workflows, 검색 엔진으로는 Elasticsearch, ML 관리에는 MLflow, 웹 화면에는 Streamlit, 웹 API로는 FastAPI 등 다양한 SW를 활용합니다.

기울임체로 작성한 내용을 보면 알겠지만, 이 책에서는 ML 시스템 구축을 하나부터 열까지 모두 담고 있다..!!

내가 정리한 이 도서의 구성

• 챕터1의 경우 사례 해결보다는 팀 구성 등 인적 자원 관리에 대한 내용을 주로 다룬다. 한 팀을 이끌 정도가 되는 직책인 매니저(?)분들께 필요한 내용.

• 챕터2~4의 경우 하나의 사례씩 할애하여 각 사례 별로 어떻게 시스템을 구축하면 되는지 예제 코드와 함께 상세하게 설명해준다. 현업자가 회사 적용 때문에 참고하기에는 사례가 너무 구체적이라 시간 투자를 많이 해야할 것 같아서, 현업자보다는 현업자 지망생(?)에게 더 도움이 될 것 같다.