probabl-ai/skore

해결하는 문제

데이터 사이언티스트는 일관되지 않은 프로젝트 구조, 모델 평가를 위한 반복적인 보일러플레이트 코드, 최선의 실천 방법을 구현하기 위해 방대한 문서를 탐색하는 어려움을 겪는 경우가 많습니다. Skore는 추천되는 방법론을 따르도록 사용자를 안내하고 핵심 통찰을 자동으로 생성함으로써 이러한 문제를 해결하는 구조화된 프레임워크를 제공합니다.

작동 방식

Skore는 scikit-learn, pandas, polars와 같은 기존 데이터 사이언스 라이브러리의 '지휘자' 역할을 합니다. Skore Lib이라는 Python 라이브러리를 통해 ML 파이프라인에서 구조화된 아티팩트를 생성합니다. 예를 들어, 단 한 줄의 코드로 포괄적인 교차 검증 보고서와 메트릭 요약을 생성할 수 있어 수동으로 보일러플레이트를 작성할 필요가 크게 줄어듭니다. 또한 MLflow와의 통합을 통해 프로젝트 로깅을 지원하고, 실험을 공유하고 비교할 수 있는 협업 플랫폼(Skore Hub)도 제공합니다.

대상 사용자

실험 추적을 표준화하고, 평가를 위한 수동 코드를 줄이며, ML 개발 워크플로우에 산업계 추천 실천 방법을 도입하고자 하는 데이터 사이언티스트 및 머신러닝 엔지니어를 위한 것입니다.

주요 특징

• 자동 인사이트 생성: 최소한의 코드로 포괄적인 모델 평가 보고서(예: ROC 곡선, 메트릭 요약)를 생성합니다.
• 방법론적 안내: ML 개발에서 흔히 발생하는 함정을 피할 수 있도록 내장된 경고를 제공합니다.
• 구조화된 조직화: 일관되지 않은 ML 개발을 일관성 있는 프로젝트 구조로 변환합니다.
• 통합 기능: MLflow와의 통합을 지원하며, 팀 협업을 위한 보조 허브를 제공합니다.