잘되는 머신러닝 팀엔 이유가 있다

데이비드 탄 , 에이다 양 , 데이비드 콜스 지음 | 라인 AI Lab 옮김

한빛미디어 2025년 06월 02일 출간 국내도서 : 2025년 05월 30일 출간

작품소개

책소개

ML 모델을 훈련시키는 기술은 이미 많은 조직에 보편화되었지만, 이를 실제 고객에게 가치를 전달하는 제품으로 연결하는 일은 여전히 쉽지 않습니다. 모델이 배포되지 못한 채 PoC 단계에 머물고, 수개월의 개발 끝에도 성능 저하, 기술 부채, 팀 간 충돌로 프로젝트 자체가 좌초되기도 합니다.
이 책은 그런 현실적인 문제를 해결하는 실용적인 방법을 제시합니다. 단순한 알고리즘이나 도구 사용법이 아닌, 팀이 어떻게 제품을 기획하고, 협업하고, 지속적으로 개선해 나가는지를 실질적으로 다룹니다. MLOps와 CI/CD부터 자동 테스트, 컨테이너 환경 구성, 팀 내 협업 구조까지, 단순히 ‘ML을 잘하는 법’을 넘어서 ‘ML 팀이 어떻게 일해야 하는가’에 대한 근본적인 질문에 답합니다. ML 기술을 넘어 팀, 문화, 프로세스, 조직 전략까지 함께 고민하는 모든 이에게 이 책을 자신 있게 추천합니다.
주요 내용
● 린 원칙 기반의 ML 제품 개발 방식(실패를 줄이고 성공을 반복하기)
● MLOps와 CI/CD의 실질적 활용법(성능 저하와 기술 부채를 줄이는 법)
● 자동 테스트, 컨테이너 환경 구성, 리팩터링 기법(실무로 통하는 ML 제품화 과정)
● ML 팀을 위한 조직 구조와 협업 전략(효율성과 효과성을 고려한 팀 운영)

목차

CHAPTER 01 ML 솔루션 제공의 도전과 더 나은 방향
_1.1 ML을 향한 기대와 현실
_1.2 시스템 사고와 린의 활용 방안
_1.3 결론

[PART 01 제품과 전달]
CHAPTER 02 ML 팀을 위한 제품과 전달 기법
_2.1 ML 제품 발견
_2.2 개시: 팀의 성공을 위한 준비
_2.3 제품 전달
_2.4 결론

[PART 02 엔지니어링]
CHAPTER 03 효과적인 의존성 관리: 원칙과 도구
_3.1 코드가 어디서나 항상 작동한다면 어떨까요?
_3.2 도커와 batect에 대한 간단한 소개
_3.3 결론

CHAPTER 04 실무에서의 효과적인 의존성 관리
_4.1 ML 개발 워크플로
_4.2 안전한 종속성 관리
_4.3 결론

CHAPTER 05 자동 테스트: 신속하게 진행하되 문제는 피하기
_5.1 자동 테스트: 빠르고 안정적으로 반복하기 위한 기본 요소
_5.2 ML 시스템을 위한 포괄적인 테스트 전략의 구성 요소
_5.3 소프트웨어 테스트
_5.4 결론

CHAPTER 06 자동 테스트: ML 모델 테스트
_6.1 모델 테스트
_6.2 모델 테스트에 필수적인 보완 기법
_6.3 다음 단계: 배운 것을 적용하기
_6.4 결론

CHAPTER 07 간단한 기술로 코드 에디터를 효과적으로 사용하기
_7.1 IDE를 아는 것의 이점(그리고 놀라운 단순성)
_7.2 계획: 두 단계로 생산성 높이기
_7.3 결론

CHAPTER 08 리팩터링과 기술 부채 관리
_8.1 기술 부채: 자동차 기어 속 모래
_8.2 노트북(또는 문제가 있는 코드베이스) 리팩터링 방법
_8.3 현실에서의 기술 부채 관리
_8.4 결론

CHAPTER 09 MLOps와 ML을 위한 지속적 전달(CD4ML)
_9.1 MLOps의 강점과 부족한 퍼즐 조각들
_9.2 ML을 위한 지속적 전달(CD4ML)
_9.3 CD4ML이 ML 거버넌스와 책임 있는 AI를 지원하는 방법
_9.4 결론

[PART 03 팀]
CHAPTER 10 효율적인 ML 팀의 구성 요소
_10.1 ML 팀이 직면하고 있는 공통적인 문제
_10.2 효율적인 팀의 내부 구성 요소
_10.3 엔지니어링 효율성을 통한 흐름 개선
_10.4 결론

CHAPTER 11 효과적인 ML 조직
_11.1 ML 조직이 직면한 일반적인 과제
_11.2 팀 단위에서의 효과적인 조직 구성
_11.3 효과적인 리더십
_11.4 결론

출판사 서평

최고의 성과를 내는 머신러닝 팀의 비결을 파헤치다!
수많은 머신러닝(ML) 프로젝트가 PoC 단계에 머물거나 성능 저하, 팀 간 갈등으로 인해 좌초되는 현실 속에서, 이 책은 단순한 기술적 해결책을 넘어 팀 운영과 협업 전략을 중심으로 문제 해결의 길을 제시합니다. ML 모델 개발, 제품화, 배포, 지속 개선까지 전 과정을 아우르며, 실제 프로젝트 현장에서 유용하게 활용할 수 있는 실질적 방법론을 담고 있습니다.
LLM(대규모 언어 모델)이 자동화를 촉진하고 강력한 기반 모델을 제공하면서, ML과 AI 프로젝트에도 많은 변화가 생겼습니다. 하지만 LLM은 모든 문제를 해결할 수 있는 만능 도구는 아니며, 전통적인 ML/DL 기법이 여전히 더 적합한 경우도 많습니다. 또한 LLM을 효과적으로 활용하려면 단순히 API 호출을 넘어, 프롬프트 엔지니어링, 파인튜닝, RAG(검색 증강 생성) 시스템 구축, 결과 검증과 평가 등 높은 수준의 전문성과 관리가 필요합니다. 이러한 복잡한 작업을 효과적으로 수행하려면 여전히 전통적인 ML 팀 운영 원칙과 체계적인 엔지니어링 접근법이 필수적입니다.
이 책은 이러한 변화 속에서도 ML 팀뿐 아니라 AI 프로젝트를 담당하는 팀까지 지속적으로 성과를 낼 수 있도록, MLOps, CI/CD, 자동 테스트 등 최신 엔지니어링 기법부터 린 원칙을 기반으로 한 구체적인 실무 전략, 팀 협업 전략까지 설명합니다. 복잡한 문제를 구조적으로 접근하여 성과를 극대화하고 싶은 모든 실무자와 리더에게 이 책을 추천합니다.

작가정보

저자(글) 데이비드 탄

(David Tan)
시니어 머신러닝 엔지니어로, 다양한 데이터 및 머신러닝 프로젝트를 수행해 왔습니다. 검증된 소프트웨어 엔지니어링 기법을 도입하여 반복 가능한 머신러닝 개발 환경을 구축하고, 팀이 빠르고 안정적으로 개발을 이어갈 수 있도록 지원하고 있습니다.

저자(글) 에이다 양

(Ada Leung)
소트웍스의 시니어 비즈니스 애널리스트이자 프로덕트 오너입니다. 기술, 비즈니스, 공공 부문에 걸쳐 복잡한 문제를 해결해 온 실무 경험을 바탕으로, 고객 중심 애플리케이션, ML 솔루션 확장, 데이터 전략 및 플랫폼 구축 등 다양한 분야에서 활동하고 있습니다. 성과 중심의 팀 문화를 중요하게 여기며, 온·오프라인 협업 팀을 이끌어 왔습니다.

저자(글) 데이비드 콜스

(David Colls)
기술 리더로서 소프트웨어 및 데이터 팀의 성과 개선을 이끌고 있습니다. 엔지니어링 설계, 시뮬레이션, 최적화, 대규모 데이터 처리에 전문성을 갖추고 있으며, 소트웍스에서는 애자일과 린 전환을 주도하고 오스트레일리아 데이터·AI 부문을 설립했습니다. 현재는 머신러닝 전략 수립과 서비스 개발, 프로젝트 리더십을 담당하고 있습니다.

번역 라인 AI Lab

라인 내부 여러 서비스에서 필요한 AI 제품과 공통 솔루션을 개발합니다. 주로 서버 및 클라이언트에 적용되는 AI 모델, AI Face SDK, AI Effects, AI Moderation, AI Music Fingerprint 등을 연구하고 있습니다.