Automated Machine Learning (AutoML)

자동화된 머신러닝(AutoML)은 머신러닝 모델 개발 과정에서 시간이 많이 소요되는 반복적인 작업을 자동화하는 프로세스입니다. 이를 통해 데이터 과학자, 분석가 및 개발자는 모델 품질을 유지하면서 대규모의 효율적이고 생산적인 머신러닝(ML) 모델을 구축할 수 있습니다. 기존의 모델 개발은 자원 집약적이며, 수십 개의 모델을 생성하고 비교하기 위해 상당한 도메인 지식과 시간이 필요합니다. AutoML은 데이터 전처리, 특징 선택, 하이퍼파라미터 튜닝과 같은 단계를 자동화하여 전문가가 아닌 사람들도 인공지능(AI)의 강력한 기능을 활용할 수 있게 하고, 숙련된 전문가의 워크플로우를 가속화합니다.

Link to this sectionAutoML의 핵심 구성 요소#

AutoML의 주된 목표는 최소한의 수동 개입으로 특정 데이터셋에 대한 예측 모델의 성능을 최적화하는 것입니다. 포괄적인 AutoML 파이프라인은 일반적으로 다음과 같은 몇 가지 핵심 단계를 관리합니다:

• 데이터 클리닝 및 준비: 원시 데이터가 학습 준비가 완료된 상태인 경우는 거의 없습니다. AutoML 도구는 자동으로 누락된 값을 처리하고 이상치를 감지하며, 일관성을 보장하기 위해 학습 데이터의 형식을 조정합니다.
• 특징 공학: 어떤 변수가 예측에 가장 크게 기여하는지 식별하는 것은 매우 중요합니다. 자동화된 시스템은 새로운 입력 변수를 생성하기 위한 특징 추출과 관련 없는 데이터를 제거하기 위한 선택 과정을 수행하여 계산 효율성을 향상시킵니다.
• 모델 선택: AutoML 프레임워크는 간단한 선형 회귀부터 복잡한 딥러닝(DL) 아키텍처에 이르기까지 다양한 알고리즘을 지능적으로 탐색하여 문제에 가장 적합한 모델을 찾습니다.
• 하이퍼파라미터 최적화: 학습률이나 배치 크기와 같이 최상의 정확도를 산출하는 정확한 설정을 찾는 것은 종종 ML에서 가장 지루한 부분입니다. AutoML은 베이지안 최적화와 같은 기법을 사용하여 이 탐색 공간을 빠르게 탐색합니다.

Link to this section실제 애플리케이션 사례#

AutoML은 정교한 AI 배포에 대한 진입 장벽을 낮춤으로써 다양한 분야를 혁신하고 있습니다.

1. 의료 및 진단: 의료 영상 분석 분야에서 AutoML은 임상의가 X-레이나 MRI 스캔에서 병리를 식별하는 모델을 개발하도록 돕습니다. 합성곱 신경망(CNN) 설계를 자동화함으로써 병원은 높은 재현율로 종양이나 골절 가능성을 표시하는 시스템을 배포하여 방사선 전문의에게 신뢰할 수 있는 2차 소견을 제공할 수 있습니다.

2. 소매 및 재고 관리: 이커머스 기업과 오프라인 매장은 소매 분야의 AI를 활용하여 수요를 예측합니다. AutoML 시스템은 과거 판매 데이터를 분석하여 향후 트렌드를 예측하고 자동화된 재고 관리를 최적화합니다. 또한, 맞춤형 객체 탐지 모델을 학습시켜 매장 내 재고 수준을 실시간으로 모니터링할 수 있습니다.

Link to this sectionUltralytics를 통한 자동화된 최적화#

최신 컴퓨터 비전 워크플로우는 종종 학습 파라미터의 완벽한 균형을 찾는 과정을 필요로 합니다. ultralytics 라이브러리에는 YOLO26과 같은 모델에 대해 최적의 하이퍼파라미터(유전 알고리즘) 탐색을 자동화함으로써 AutoML과 유사하게 작동하는 내장 기능이 포함되어 있습니다.

다음 예제는 데이터셋에서 모델 성능을 반복적으로 향상시키는 자동화된 튜닝 세션을 시작하는 방법을 보여줍니다:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Start automated hyperparameter tuning
# This runs multiple experiments, mutating parameters to maximize metrics
model.tune(data="coco8.yaml", epochs=30, iterations=10, plots=False)

Link to this sectionAutoML과 관련 용어의 구분#

AutoML은 다른 AI 개념들과 공통점이 있지만, 그 범위와 적용 분야에서 뚜렷한 차이가 있습니다:

• 신경망 구조 탐색(NAS) vs. AutoML: NAS는 AutoML의 특정 하위 집합입니다. 일반적인 AutoML이 결정 트리와 신경망 중에서 선택할 수 있다면, NAS는 신경망의 내부 구조(예: 레이어 수와 연결)를 설계하는 데 독점적으로 집중합니다. NAS는 계산 집약적이며 모델의 위상(topology)을 다룹니다.
• 전이 학습 vs. AutoML: 전이 학습은 사전 학습된 모델을 새로운 작업에 맞게 조정하는 기법입니다. AutoML은 종종 학습 속도를 높이기 위한 전략으로 전이 학습을 활용하지만, 이 둘은 동일하지 않습니다. AutoML은 자동화라는 포괄적인 프로세스이며, 전이 학습은 그 프로세스 내에서 사용되는 특정 방법론입니다.
• MLOps vs. AutoML: AutoML은 모델의 생성 단계에 집중합니다. MLOps(머신러닝 운영)는 모델 배포, 모니터링, 거버넌스 및 운영 환경에서의 재학습을 포함한 전체 수명 주기를 포괄합니다.

Link to this section도구 및 플랫폼#

AutoML 도구의 환경은 클라우드 기반 솔루션부터 오픈소스 라이브러리에 이르기까지 매우 방대합니다. 주요 클라우드 제공업체는 Google Cloud AutoML 및 AWS SageMaker Autopilot과 같은 서비스를 제공하며, 이를 통해 코드를 작성하지 않고도 모델을 학습시킬 수 있는 그래픽 인터페이스를 제공합니다. Python 생태계에서는 auto-sklearn과 같은 라이브러리가 표준 데이터셋에 대한 자동화된 알고리즘 선택 기능을 제공합니다.

특히 컴퓨터 비전 작업을 위해 **Ultralytics Platform**은 학습 파이프라인을 단순화합니다. 이 플랫폼은 데이터셋을 관리하고 YOLO11 및 YOLO26과 같은 최첨단 모델을 학습시키며, 다양한 엣지 디바이스에 배포할 수 있는 직관적인 인터페이스를 제공하여 비전 AI 개발의 복잡한 메커니즘을 효율적으로 간소화합니다.