자동화된 머신 러닝(AutoML)

AutoML 작동 방식

AutoML 시스템은 머신러닝 파이프라인에서 가장 반복적인 부분을 자동화합니다. 일반적인 AutoML 프로세스에는 몇 가지 주요 단계가 포함됩니다:

• 데이터 준비 및 피처 엔지니어링: 원시 데이터를 자동으로 정리하고 모델에 의미 있는 피처를 생성합니다. 여기에는 결측값 처리, 정규화, 기존 변수에서 새로운 예측 변수 생성 등이 포함될 수 있습니다.
• 모델 선택: 다양한 가능성 중에서 주어진 문제에 가장 적합한 알고리즘(예: 의사 결정 트리, 서포트 벡터 머신 또는 신경망)을 선택합니다.
• 하이퍼파라미터 최적화: 선택한 모델에 대한 최적의 하이퍼파라미터를 자동으로 찾습니다. 이는 베이지안 최적화, 그리드 검색 또는 진화 알고리즘과 같은 정교한 검색 전략을 사용하여 수행되는 경우가 많습니다. Ultralytics는 하이퍼파라미터 튜닝과 같은 작업을 위해 이 기능을 도구에 통합했습니다.
• 모델 평가 및 반복: 정확도 또는 F1 점수와 같은 메트릭을 사용하여 모델의 성능을 평가하고 더 나은 결과를 얻기 위해 프로세스를 반복합니다.

실제 애플리케이션

AutoML은 다양한 산업 분야에서 개발을 가속화하고 성과를 개선하기 위해 적용되고 있습니다.

1. 의료 분야의 AI: 의료 이미지 분석에서 AutoML은 스캔에서 종양을 감지하기 위해 다양한 이미지 분할 모델을 빠르게 테스트할 수 있습니다. 시스템은 뇌종양 데이터 세트와 같은 데이터 세트에서 다양한 아키텍처를 자동으로 학습하고 평가하여 연구자들이 배포 가능한 진단 도구를 개발하는 데 필요한 시간을 크게 단축할 수 있습니다.
2. 금융 서비스: 은행은 AutoML을 사용해 사기 탐지 모델을 구축합니다. 과거 거래 데이터를 AutoML 플랫폼에 입력하면 데이터 과학자의 수작업이 많이 필요했던 사기 패턴을 높은 정밀도로 식별하는 모델을 자동으로 생성하고 최적화할 수 있습니다. 이에 대한 자세한 내용은 금융용 컴퓨터 비전에서 살펴볼 수 있습니다.

AutoML과 관련 개념 비교

AutoML을 관련 분야와 구분하는 것이 도움이 됩니다:

• AutoML과 MLOps: AutoML은 특히 모델 구축(선택, 학습, 튜닝)의 자동화를 목표로 하는 반면, 머신러닝 운영(MLOps)은 전체 ML 라이프사이클을 다룹니다. MLOps에는 배포, 모니터링, 관리, 거버넌스가 포함되어 있어 모델이 프로덕션 환경에서 안정적으로 작동하도록 보장합니다. AutoML은 종종 더 큰 MLOps 프레임워크 내의 구성 요소로, 모델 배포 및 모델 모니터링 이전의 초기 개발 단계를 간소화합니다.
• AutoML과 NAS 비교: 신경망 아키텍처 검색(NAS) 은 신경망의 아키텍처를 자동으로 설계하는 데 중점을 둔 AutoML의 하위 분야입니다. NAS는 네트워크 설계를 자동화하지만, 더 광범위한 AutoML 도구는 NN뿐만 아니라 다양한 모델 유형에 대한 기능 엔지니어링 및 하이퍼파라미터 튜닝도 자동화할 수 있습니다.

AutoML 도구 및 플랫폼

수많은 도구와 플랫폼이 AutoML을 지원합니다:

• 클라우드 플랫폼: 주요 제공업체는 Google Cloud AutoML, Amazon SageMaker Autopilot, Microsoft Azure 머신 러닝과 같은 통합 AutoML 서비스를 제공합니다. 이러한 서비스는 확장 가능한 클라우드 컴퓨팅 리소스를 활용합니다. 또한 Ultralytics는 Ultralytics HUB 클라우드 교육도 제공합니다.
• 오픈 소스 라이브러리: 인기 있는 라이브러리로는 Auto-sklearn ( 스키킷 학습 기반), TPOT (유전 프로그래밍 사용), H2O AutoML 등이 있습니다. PyTorch 및 TensorFlow와 같은 프레임워크는 AutoML 도구로 자동화된 작업을 포함하여 많은 ML 작업을 위한 기본 인프라를 제공합니다.
• 통합 플랫폼: 특히 하이퍼파라미터 튜닝을 위한 AutoML 기능을 통합하여 개체 감지와 같은 작업을 위한 사용자 지정 모델 학습 프로세스를 간소화합니다.