많은 사람들이 기계학습를 과도하게 단순화하는 경향이 있습니다.

직접 경험해 보면 기계학습가 왜 까다롭게 느껴지는지 알게 됩니다.
실무 경험상 기계학습는 일정한 기준을 유지하는 것이 중요합니다. 처음에는 사소해 보여도 실제로는 핵심적인 부분입니다. 많은 실패 사례는 기계학습의 기본 관리 부족에서 비롯됩니다. 경험상 이 부분을 잘 관리하면 전체 리스크가 줄어듭니다.
여러 변수를 고려해야 하지만, 기계학습를 무리하게 확장할 경우 오히려 효율이 떨어질 수 있습니다. 실제 사례를 보면 기계학습는 세부 설정에서 차이가 발생합니다. 실제로 결과를 비교해 보면 차이가 분명하게 나타납니다. 실무 경험상 기계학습는 일정한 기준을 유지하는 것이 중요합니다. 현실적인 기준으로 보면 이 요소를 무시하기 어렵습니다.
실무에서는 기계학습의 세부 구조가 결과에 큰 영향을 미칩니다. 실무를 진행할수록 이 부분을 놓치면 안 된다는 점을 느끼게 됩니다. 기본을 무시한 기계학습는 장기적으로 리스크를 증가시킬 수 있습니다. 처음에는 부차적으로 느껴질 수 있으나 결과에는 큰 영향을 미칩니다. 장기 관점에서 보면 기계학습는 누적 관리가 중요합니다. 현장에서 가장 자주 문제로 이어지는 지점 중 하나입니다.
기계학습를 진행할 때는 단기 성과에 집착하지 않는 것이 바람직합니다.
지속적인 점검이 기계학습의 완성도를 높입니다.