많은 사례에서 머신러닝의 성패는 초기 판단에서 갈립니다.

모든 사례에 동일하게 적용되지는 않으나, 기본 원칙을 지킨 머신러닝는 장기적으로 안정적인 결과를 보여줍니다. 실제 데이터 기준으로 보면 머신러닝는 누적 효과가 중요합니다. 실무 경험상 머신러닝는 일정한 기준을 유지하는 것이 중요합니다.
장기적인 관점에서 머신러닝를 바라보는 것이 안정적인 결과로 이어집니다. 개인적으로 여러 시행착오를 거치며 중요성을 실감한 부분입니다. 실무에서는 머신러닝의 구조적 안정성이 중요합니다. 실무 경험을 통해 중요성이 반복적으로 확인된 부분입니다. 머신러닝를 진행할 때는 단기 성과에 집착하지 않는 것이 바람직합니다.

모든 경우를 단정할 수는 없지만, 환경 분석 없이 진행한 머신러닝는 예측과 다른 결과를 낳을 수 있습니다. 머신러닝의 성과는 준비 단계에서 상당 부분 결정됩니다.

머신러닝의 효과를 높이기 위해서는 우선순위 설정이 필요합니다.

지속적인 운영이 머신러닝의 품질을 높입니다.