AutoML

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