PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.20532v1cs.LG

입장: 매번 반응적으로 모델을 패치하지 말고 선제적 테스트 주도 AI 개발을 시작하라

Position: Stop Reactively Patching Your Model Every Time and Start Proactive Test-Driven AI Development

많은 현대 AI 시스템은 다양하고 개방형(open-ended)인 사용 사례 하에서 동작하도록 설계된다. 배포된 시스템의 일반화를 돕기 위해, 많은 배포 시스템 유지보수 파이프라인은 사용자 행동(오류)으로부터 발생하는 피드백을 관찰하고 그에 따라 모델을 패치하는 반응적(reactive) AI 플라이휠을 사용한다. 그러나 주요 유지보수 메커니즘으로 사용될 때, 이러한 플라이휠은 시스템 목표 내에서 이러한 오류의 더 넓은 맥락을 종종 무시하여 잠재적인 미래 엣지 케이스(edge case)를 선제적으로 방지하지 못하고, 이는 더 많은 불필요한 플라이휠 반복으로 이어진다. 또한 개방 세계(open-world) 사용 사례의 롱테일(long-tail) 특성으로 인해 남은 오류를 수집하는 것이 통계적으로 점점 더 어려워진다. 본 입장 논문(position paper)은 반응적 플라이휠의 한계를 해결하고 일반화 가능한 시스템에 접근하기 위해 선제적(proactive) 테스트 주도(test-driven) 플라이휠이 필요하다고 주장한다. 우리는 피드백 데이터를 태스크 목표에 기술적으로 매핑하기 위한 테스트 공간(test space)을 생성하여 플라이휠을 반응적에서 선제적으로 진화시키는 것을 옹호한다. 우리는 선제적 플라이휠이 반응적 플라이휠보다 더 적은 반복으로 더 나은 장기 스케일링(scaling)을 달성한다는 것을 수학적으로 증명함으로써 입장을 보강한다.

arXiv:2606.06535v1cs.SE

ML 모델 통합 및 배포를 위한 아키텍처적으로 중요한 MLOps 가이드라인: 그레이 문헌 리뷰

Architecturally Significant MLOps Guidelines for ML Model Integration and Deployment: a Gray Literature Review

배경. 머신러닝 운영(MLOps)의 채택이 증가하고 있음에도, 통합된 아키텍처 지침이 부족하여 팀들은 종종 MLOps 프로젝트를 임시방편적으로 접근한다. 특히 ML 모델의 통합 및 배포와 관련하여 MLOps 시스템의 아키텍처 설계를 위한 지식을 종합하는 참고 자료가 커뮤니티에 도움이 될 것이다. 목적. 이에 대응하여, 우리의 목표는 MLOps 시스템에서 ML 모델의 통합 및 배포를 위한 아키텍처적으로 중요한 가이드라인에 대한 포괄적인 개요를 제공하는 것이다. 방법. MLOps 모델 통합 및 배포에 대한 실무 현황(state-of-practice) 지식을 분석하기 위해 103개의 웹 소스에 대한 그레이 문헌 리뷰를 수행한다. 그런 다음 주제 분석(thematic analysis)을 적용하여 이러한 관행들을 권장 가이드라인으로 종합한다. 결과. 모델 통합 및 배포를 위한 25개의 아키텍처적으로 중요한 MLOps 가이드라인 모음을 5개 범주로 구성하여 기여하며, 이들이 전체 시스템 아키텍처에 미치는 영향을 설명한다. 결론. 우리의 결과는 연구자와 실무자가 자신의 MLOps 시스템에서 ML 모델의 통합 및 배포를 수행하는 데 도움이 되도록, 실무 현황 MLOps 가이드라인의 개요로서 역할한다.