머신 러닝 기술 소개

• 머신 러닝(ML)으로 프로그램 특성 예측 모델 훈련
• 정적 프로파일러 GraalSP 개발 설명

정적 프로파일러와 동적 프로파일러 비교

• 정적 프로파일러: 실행 없이 성능 특성 분석
• 동적 프로파일러: 실행 중 데이터 수집
• AOT 컴파일링 방식 설명
• 정적 프로파일러의 빠른 분석과 정확도 한계

GraalSP 설계 및 개발

• GraalSP: ML 활용한 정적 프로파일러
• 다양한 프로그램 특성 분석 후 ML 모델 훈련
• 정렬 알고리즘 사례를 통한 작동 방식 설명

ML 통합 성과 및 배포

• ML 통합으로 런타임 성능 7.5% 향상
• GraalVM Native Image 최적화 가능성 향상
• ML 모델 프로덕션 환경 배포 과정 논의

참고 자료

• 프로파일 기반 최적화 가이드
• GraalVM 공식 문서
• 머신 러닝 기초 개념

생산 머신러닝: 확장 가능한 탄력적인 ML 시스템 구축 요약

개요

• 머신러닝 모델의 신뢰성과 성능 유지 필요.
• 탄력적인 ML 시스템 구축의 중요성 강조.

모델 정확성을 넘어

• 데이터 드리프트, 하드웨어 고장, 사용자 행동 문제 다룸.
• 생산 시스템의 복잡한 문제 인식.

견고한 특성 공학 파이프라인

• 특성 메타데이터 관리: 특성 관련 정보 체계적 관리.
• 모니터링 시스템: 데이터 드리프트 및 이상치 감지.
• 자동화된 파이프라인: 효율적인 데이터 처리와 검증 자동화.

탄력적인 시스템 구축 고려사항

• 데이터 관리: 품질과 일관성 전략 필요.
• 오류 처리 및 복구: 안정성 높은 시스템 구축.
• 확장성: 증가하는 데이터와 요청 처리 가능 설계.

참고자료

• Machine Learning Engineering
• Designing Data-Intensive Applications
• Building Machine Learning Powered Applications