그라운드 룰은 Atomic해야 한다.

그라운드 룰은 Atomic해야 한다.
Photo by Arka Roy / Unsplash

이전에 수학과 논리학에 관한 책을 보다가 수학에 관한 재미난 정의를 본 적이 있습니다. 수학은 여러 논쟁 끝에 얻어낸 단단한 논리 기반 위에 차곡차곡 쌓아 올린 학문이기에 가장 정확한 사실을 전달해주는 언어이다라는 내용이었던 것으로 기억합니다. 이 이야기를 듣고 나니, 왜 고등학교에서 배우던 수학의 정석의 첫 단원이 집합이고, 그 이후에 이어지는 내용이 명제인지 자연스럽게 이해되었습니다. 특정 기준을 놓고 군을 나누고, 사칙연산과 같은 단순한 부분부터 명제에 기반해서 증명함으로써 수학은 지금까지 발전해왔기 때문입니다.

이 관점을 어느 날 팀의 운영을 두고 투영해보니 어느정도는 동일할 수 있겠다는 생각에 도달하였습니다. 팀의 운영을 할 때 그라운드 룰을 세우는데, 이 역할이 가장 중요한 바닥에 위치한 명제와 동일할 수 있겠다는 생각이 들었기 때문입니다. 그리고 이 그라운드 룰 위에 경험이 쌓이게 되면 최종적으로 신뢰감이 쌓이게 될 것이라는 생각도 자연스레 들었습니다.

이렇게 팀내 경험이 어느정도 구체화되면 그 이후에 일을 할 때는 대부분의 업무처리 방식에는 개연성이 생길 것입니다. 즉 70% 이상은 팀구성원이 기대하는 스타일대로 일이 진행되겠지요.  30%는 생각하지 못한 일이겠지만, 이게 업무방식에 있어서 절반을 넘지는 못할 것입니다. 절반을 넘는다는 것은 팀이 아니라 거의 TF가 아닐까 싶습니다.

여기까지 생각을 진전시켜보니 그라운드 룰은 가급적 “Atomic Rule”이어야 한다는 생각이 들었습니다. 적용은 최대화하고 해석은 최소화하려면 아무래도 간결하고 명확해야 하기 때문이다. 팀의 구성원이 보았을 때 해석에 대한 이해도가 대체로 비슷해야 합니다. 특히나 경험은 굉장히 예측이 어렵고 포괄적이기 때문에 그라운드 룰은 더더욱 간결해야할 필요가 있습니다.

Read more

ML 코드 작성시 유의사항

ML 코드 작성시 유의사항

유의사항 * 코드의 작성방식: 다른사람이 코드를 읽고 이해할 수 있는가? * 코드의 성능: 의도치 않은 부작용이 발생하는가? * 코드의 복잡성: 유스케이스에 비해 설계가 과도하고 부족한가 * 개선의 용이성: ML코드가 지속적으로 리팩토링 되는가? 코드 작성방식에 따른 개발자(+데이터과학자)의 유형 분류 출처 * 머신러닝 엔지니어링 인 액션

ELPD는 모델이 새로운 데이터를 얼마나 잘 예측하는지를 보여주는 지표입니다.

ELPD는 모델이 새로운 데이터를 얼마나 잘 예측하는지를 보여주는 지표입니다.

기본 개념 * ELPD(Expected Log Predictive Density)는 모델이 새로운 데이터를 얼마나 잘 예측하는지를 나타내는 지표로, 주어진 데이터 포인트에 대해 모델이 예측한 확률의 로그 값(로그확률)을 합산한 것입니다. $$\text{ELPD} = \sum_{i=1}^{n} \log p(y_i \mid \text{data})$$ * $n$: 데이터 포인트의 수 * $y_i$ : 실제 관측된

잭나이프 샘플링은 표본의 변동성 추정 방법중 하나입니다.

잭나이프 샘플링은 표본의 변동성 추정 방법중 하나입니다.

잭나이프 샘플링이란? * 잭나이프 샘플링은 표본 데이터에서 하나의 관측치를 제거한 여러 하위 샘플을 만들어, 이들 샘플에 대해 통계량을 계산한 후 그 결과를 바탕으로 전체 표본의 변동성을 추정하는 방법입니다. 잭 * 나이프는 주로 표본의 분산을 추정하거나 통계량의 편향을 줄이기 위해 사용됩니다. 예시 * 주어진 표본이 [x1, x2, x3, x4]라면, 잭나이프 샘플링은 다음과 같은

정확한 단위로 대화를 하는 것이 중요합니다.

정확한 단위로 대화를 하는 것이 중요합니다.

자전거를 타고 약속장소로 이동하는 중이었습니다. 근처 과일 가게에 이런 문구가 적혀있었습니다. "한 상자에 X,000원" 과일을 직접 사먹지는 않는 편이기 때문에 가격은 모르지만 꽤 매력적인 가격대였습니다. 그래서 잠시 "살까?" 망설였습니다. 하지만 이내 자전거를 타고 다시 가던 길을 갔습니다. 한 상자 안에 몇개가 들어가 있을지를 몰랐기 때문입니다.