nubank/fklearn

해결하는 문제

머신러닝에서 모델 검증과 프로덕션 배포 사이의 간극을 해결합니다. 프로덕션에서 사용되는 모델이 검증된 모델과 일치하도록 보장하여, 연구에서 배포까지의 전환을 최소한의 추가 단계로 프로덕션 준비 상태로 만드는 것을 목표로 합니다.

작동 방식

fklearn은 머신러닝 워크플로우에 함수형 프로그래밍 원칙을 적용합니다. 재현성, 결과에 대한 심층 분석, 그리고 검증 환경과 프로덕션 환경 간의 엄격한 일치를 강조하는 프레임워크를 제공합니다.

대상 사용자

함수형 프로그래밍 패턴을 적용하여 머신러닝 모델의 재현성과 프로덕션 준비 상태를 보장하고자 하는 데이터 과학자 및 머신러닝 엔지니어.

주요 특징

• LightGBM, XGBoost, CatBoost를 포함한 다양한 모델 백엔드 지원.
• 프로덕션 모델이 검증된 모델과 일치하도록 보장하는 데 중점.
• 재현성과 모델 결과의 심층 분석을 위해 설계됨.