Ⅰ. 머신러닝 모델 개발 자동화, AutoML의 개요
가. AutoML 개념
- 머신러닝 모델을 학습하고 배포하는 과정을 자동화하여 필요한 인력, 비용, 시간을 줄이고 최적의 성능을 찾아내는 프로세스
나. AutoML 등장배경
1. 머신러닝 생선성 강화 필요: AI 플랫폼 기반 머신러닝 파이프라인 서비스 생산성 강화
2. 도메인 전문가 부족: 알고리즘 개선에 필요한 도메인 전문가 부족
3. 전이학습 기반 한계: 학습 모델 재사용에 따른 오류 방지
Ⅱ. AutoML 구성 및 구성요소
가. AutoML 구성도
- 데이터 특징 추출, 하이퍼파라미터 최적화, 신경망 아키텍처 탐색 프로세스 자동화
나. AutoML 구성요소별 주요기법
구성요소 | 주요 기법 | 설명 |
하이퍼파라미터 최적화 |
- 그리드 탐색 - 랜덤 탐색 - 베이지안 탐색 |
- 학습률, 배치크기, 학습 반복 횟수, 손실함수, 등 학습에 영향주는 하이퍼파라미터 최적화 |
데이터 특징 추출 | - 도메인 엔지니어링 - 차원 축소 - 탐색적 데이터 분석 |
- 학습 데이터를 그대로 사용하지 않고 유의미한 특징을 추출하여 입력 - 통계적 기법 또는 시각화 기법 활용하여 데이터 분석 |
신경망 아키텍처 탐색 | - 진화 알고리즘 기반 - 강화학습 기반 |
- 모델링 전체 프로세스를 직접 설계하는 대신 학습을 통해 최적의 아키텍처를 설계 |
Ⅲ. AutoML 종류 및 특징
구분 | 종류 | 특징 |
Open Source Software | - Auto-sklearn - AutoKeras - AdaNet |
- 커스터마이징 자유로움 - 높은 컴퓨팅 자원 필요 - 모델 평가, 배포 등 기능 미흡 |
Cloud Provider Solution | - Cloud AutoML - Sagemaker Autopilot - Azure |
- 데이터 전처리, 피처 엔지니어링 - 자동 기계학습 모형 선택 - 모형 해석 지원 |
Enterprise solution | - DataRobot - H2O |
- 자동 모델 생성, 모델 검증 - 모델 배포, 모니터링 |
'IT 기술 > 인공지능' 카테고리의 다른 글
전이학습 (0) | 2024.10.24 |
---|---|
XAI(eXplainable AI) (1) | 2024.10.24 |
초거대 AI (1) | 2024.10.24 |
RAG(Retrieval Augmented Generation) (0) | 2024.10.24 |
sLLM (1) | 2024.10.24 |