경험이 적을수록 머신러닝를 과소평가하는 경향이 있습니다.
모든 경우에 해당한다고 보기는 어렵지만, 머신러닝를 무리하게 확장할 경우 오히려 효율이 떨어질 수 있습니다. 실무에서 이 부분을 간과하면 수정 비용이 커집니다. 머신러닝는 한 번의 작업으로 끝나는 영역이 아닙니다. 실무에서는 머신러닝의 세부 구조가 결과에 큰 영향을 미칩니다.
실무 경험상 머신러닝는 단계별 점검이 중요합니다.
상황을 종합적으로 보면, 머신러닝는 환경에 맞는 전략 수립이 필수적입니다.

조건별 차이를 고려하면, 실무에서는 머신러닝의 기준을 유지하는 것이 중요합니다. 개인적인 판단으로는 이 요소가 전체 품질을 결정합니다. 머신러닝의 방향이 흔들리면 전체 운영에 영향을 미칩니다.
머신러닝는 경험이 쌓일수록 운영이 수월해집니다.