Automated Machine Learning (AutoML)

자동화된 머신 러닝 (AutoML)은 머신 러닝 모델 개발에서 시간이 많이 소요되는 반복 작업을 자동화하는 프로세스입니다. 이를 통해 데이터 과학자, 분석가, 개발자는 모델 품질을 유지하면서 확장성이 높고 효율적이며 생산적인 머신 러닝 (ML) 모델을 구축할 수 있습니다. 기존의 모델 개발은 리소스 집약적이며, 수십 개의 모델을 생성하고 비교하려면 상당한 도메인 지식과 시간이 필요합니다. AutoML은 데이터 전처리, 특성 선택, 하이퍼파라미터 튜닝과 같은 단계를 자동화하여 숙련된 전문가의 워크플로를 가속하는 동시에 비전문가도 인공지능 (AI)의 강력한 기능을 활용할 수 있도록 합니다.

AutoML의 핵심 구성 요소#

AutoML의 주요 목표는 수동 개입을 최소화하면서 특정 데이터셋에 대한 예측 모델의 성능을 최적화하는 것입니다. 종합적인 AutoML 파이프라인은 일반적으로 다음과 같은 몇 가지 핵심 단계를 관리합니다:

• 데이터 정제 및 준비: 원시 데이터가 학습에 바로 사용할 수 있는 상태인 경우는 드뭅니다. AutoML 도구는 결측값을 자동으로 처리하고, 이상치를 감지하며, 일관성을 보장하도록 학습 데이터의 형식을 지정합니다.
• 특성 엔지니어링: 어떤 변수가 예측에 가장 크게 기여하는지 식별하는 것은 매우 중요합니다. 자동화된 시스템은 특성 추출을 수행하여 새로운 입력 변수를 생성하고, 관련 없는 데이터를 제거하는 선택 작업을 수행하여 계산 효율성을 향상합니다.
• 모델 선택: AutoML 프레임워크는 간단한 선형 회귀부터 복잡한 딥 러닝 (DL) 아키텍처까지 다양한 알고리즘을 지능적으로 탐색하여 문제에 가장 적합한 모델을 찾습니다.
• 하이퍼파라미터 최적화: 가장 높은 정확도를 제공하는 학습률이나 배치 크기와 같은 정확한 설정을 찾는 작업은 ML에서 가장 번거로운 부분인 경우가 많습니다. AutoML은 베이지안 최적화와 같은 기법을 사용하여 이 탐색 공간을 빠르게 탐색합니다.

실제 적용 사례#

AutoML은 정교한 AI를 배포하는 진입 장벽을 낮춰 다양한 분야를 혁신하고 있습니다.

1. 의료 및 진단: 의료 영상 분석에서 AutoML은 임상의가 X선 또는 MRI 스캔에서 병변을 식별하는 모델을 개발하도록 지원합니다. 합성곱 신경망(CNNs)의 설계를 자동화함으로써, 병원은 잠재적인 종양이나 골절을 감지할 수 있는 높은 재현율의 시스템을 배포하여 영상의학 전문의에게 신뢰할 수 있는 2차 소견을 제공할 수 있습니다.

2. 소매 및 재고 관리: 전자상거래 대기업과 오프라인 매장은 수요를 예측하기 위해 소매업의 AI를 활용합니다. AutoML 시스템은 과거 판매 데이터를 분석하여 미래 추세를 예측하고 자동화된 재고 관리를 최적화합니다. 또한 맞춤형 객체 감지 모델을 학습하여 실시간으로 진열대의 재고 수준을 모니터링할 수 있습니다.

Ultralytics를 활용한 자동화된 최적화#

최신 컴퓨터 비전 워크플로에서는 학습 파라미터의 완벽한 균형을 찾는 작업이 필요한 경우가 많습니다. ultralytics 라이브러리에는 YOLO26과 같은 모델의 최적 하이퍼파라미터(유전적 진화)를 자동으로 탐색하여 AutoML과 유사하게 작동하는 기본 기능이 포함되어 있습니다.

다음 예제는 데이터셋에서 모델 성능을 반복적으로 향상하는 자동 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)

AutoML과 관련 용어의 구분#

AutoML은 다른 AI 개념과 일부 영역을 공유하지만, 범위와 적용 방식에서 차이가 있습니다:

• 신경망 아키텍처 탐색 (NAS)과 AutoML 비교: NAS는 AutoML의 특정 하위 집합입니다. 일반적인 AutoML이 의사 결정 트리와 신경망 중에서 선택할 수 있다면, NAS는 신경망의 내부 구조(예: 레이어 및 연결 수)를 설계하는 데만 집중합니다. NAS는 계산 집약적이며 모델의 토폴로지를 다룹니다.
• 전이 학습과 AutoML 비교: 전이 학습은 사전 학습된 모델을 새로운 작업에 맞게 조정하는 기법입니다. AutoML은 학습 속도를 높이기 위한 전략으로 전이 학습을 활용하는 경우가 많지만, 둘은 동일하지 않습니다. AutoML은 자동화라는 전체 프로세스이고, 전이 학습은 해당 프로세스에서 사용되는 특정 방법론입니다.
• MLOps와 AutoML 비교: AutoML은 모델의 생성 단계에 초점을 맞춥니다. MLOps(머신 러닝 운영)는 모델 배포, 모니터링, 거버넌스, 프로덕션 환경에서의 재학습을 포함한 전체 수명 주기를 아우릅니다.

도구 및 플랫폼#

AutoML 도구 생태계는 클라우드 기반 솔루션부터 오픈 소스 라이브러리까지 매우 다양합니다. 주요 클라우드 제공업체는 Google Cloud AutoML 및 AWS SageMaker Autopilot과 같은 서비스를 제공하며, 이를 통해 코드를 작성하지 않고도 그래픽 인터페이스로 모델을 학습할 수 있습니다. Python 생태계에서는 auto-sklearn과 같은 라이브러리가 표준 데이터셋에 자동화된 알고리즘 선택 기능을 제공합니다.

특히 컴퓨터 비전 작업의 경우 **Ultralytics Platform**이 학습 파이프라인을 간소화합니다. 직관적인 인터페이스를 통해 데이터셋을 관리하고, YOLO11 및 YOLO26과 같은 최신 모델을 학습하며, 다양한 엣지 디바이스에 배포할 수 있어 비전 AI 개발의 복잡한 작업을 효과적으로 간소화합니다.