자동화된 머신러닝(AutoML)

자동화된 머신 러닝(AutoML)은 빠르게 진화하고 있는 인공 지능(AI)의 하위 분야로 실제 문제에 머신러닝을 적용하는 엔드투엔드 프로세스를 머신러닝(ML)을 실제 문제에 적용하도록 설계되었습니다. AutoML은 ML 모델 구축과 관련된 복잡하고 반복적인 작업을 체계화함으로써 다음과 같은 이점을 제공하는 것을 목표로 합니다. 딥 러닝(DL) 및 통계 모델링 에 비전문가도 접근할 수 있도록 하는 동시에 전문 데이터 과학자의 효율성을 높이는 것을 목표로 합니다. 기존 모델 개발에는 다음과 같은 영역에서 상당한 수작업이 필요합니다. 데이터 전처리, 기능 선택, 그리고 알고리즘 튜닝. AutoML은 이러한 워크플로우를 간소화하여 조직이 대규모의 전문 엔진 팀 없이도 대규모 전문 엔지니어 팀이 필요하지 않습니다.

AutoML 워크플로

AutoML의 핵심 목표는 고성능 모델을 만드는 데 있어 시행착오를 없애는 것입니다. 일반적인 AutoML 파이프라인은 몇 가지 중요한 단계를 자동으로 처리합니다:

• 데이터 준비: 원시 데이터는 학습을 위한 준비가 거의 되어 있지 않습니다. AutoML 도구는 데이터 정리, 누락된 값 처리 및 입력 서식 지정 등을 자동화합니다. 이를 통해 학습 데이터가 표준화되고 신뢰할 수 있습니다.
• 기능 엔지니어링: 어떤 변수가 예측에 가장 크게 기여하는지 파악하는 것이 중요합니다. 자동화된 특징 추출 및 선택을 통해 시스템은 가장 관련성이 높은 입력을 결정하며, 종종 인간 분석가가 간과할 수 있는 새로운 기능을 간과할 수 있는 새로운 특징을 만들어냅니다.
• 모델 선택: 간단한 선형 회귀부터 복잡한 선형 회귀부터 복잡한 신경망(NN)에 이르기까지 수많은 알고리즘을 사용할 수 있습니다. AutoML은 지능적으로 다양한 아키텍처를 지능적으로 테스트하여 특정 데이터 세트에 가장 적합한 데이터 세트.
• 하이퍼파라미터 최적화: 다음과 같은 설정을 조정하는 것은 학습 속도 또는 배치 크기와 같은 설정을 조정하는 것은 정확도를 극대화하는 데 필수적입니다. 다음과 같은 고급 기술 베이지안 최적화는 최적의 구성을 위해 하이퍼파라미터 공간을 효율적으로 최적의 구성을 위해 하이퍼파라미터 공간을 효율적으로 검색합니다.

실제 애플리케이션

AutoML은 인텔리전트 솔루션의 신속한 배포를 지원하여 산업을 혁신하고 있습니다. 대표적인 두 가지 예는 포함

1. 의료 진단: 의료 영상 분석 분야에서 의료 영상 분석 분야에서 병원은 AutoML을 사용하여 방사선과 의사를 보조하는 시스템을 개발합니다. 다양한 컨볼루션 신경망(CNN) 아키텍처를 자동으로 테스트함으로써, 이 도구는 엑스레이나 MRI 스캔에서 종양과 같은 이상 detect 높은 정밀도. 이를 통해 환자 치료 결과를 개선하는 진단 진단 보조 도구의 생성을 가속화합니다.
2. 소매 및 재고 관리: 소매업체의 활용 컴퓨터 비전(CV) 모델을 활용하여 진열대의 재고 수준을 모니터링합니다. AutoML 플랫폼을 통해 기업들은 특정 특정 제품에 대한 객체 감지 모델을 특정 제품에 대한 맞춤형 객체 감지 모델을 훈련할 수 있습니다. 이를 통해 효율적인 자동화된 재고 관리, 낭비 감소, 그리고 인기 상품의 재고를 항상 확보할 수 있습니다.

코드를 통한 최적화 자동화

최신 워크플로우에서 가장 일반적으로 사용되는 AutoML 원칙 중 하나는 자동화된 하이퍼파라미터 튜닝. . ultralytics 라이브러리는 이 프로세스를 간소화하여 사용자가 자동으로 최적의 교육 구성을 자동으로 검색할 수 있습니다. YOLO11.

다음 예는 모델 성능을 최적화하기 위해 자동화된 튜닝 세션을 시작하는 방법을 보여줍니다. 자동 튜닝 세션을 시작하는 방법을 보여줍니다:

from ultralytics import YOLO

# Load a standard YOLO11 model
model = YOLO("yolo11n.pt")

# Start automated hyperparameter tuning
# This process searches for optimal settings (lr, momentum, etc.)
# to maximize metrics like mAP on the provided data
model.tune(data="coco8.yaml", epochs=10, iterations=5)

AutoML과 관련 개념의 구분

AutoML의 구체적인 역할을 이해하려면 AI 에코시스템의 다른 용어와 AutoML을 구분하는 것이 중요합니다:

• AutoML과 MLOps: AutoML은 모델 생성 (학습 및 튜닝)에 중점을 두는 반면, MLOps는 학습 및 튜닝에 중점을 둡니다, 머신 러닝 운영(MLOps) 은 전체 라이프사이클을 포괄합니다. MLOps에는 다음이 포함됩니다. 프로덕션 환경에서의 모델 배포, 모니터링 및 거버넌스 프로덕션 환경에서의 모델 배포, 모니터링 및 거버넌스를 포함합니다. AutoML은 종종 더 광범위한 MLOps 전략의 구성 요소입니다.
• AutoML과 신경망 아키텍처 검색(NAS) 비교: 신경망 아키텍처 검색(NAS) 는 AutoML의 특화된 하위 집합입니다. 일반적인 AutoML은 랜덤 포리스트와 신경망 중에서 선택할 수 있습니다, NAS는 특히 신경망 구조 자체의 설계(예: 레이어 수, 노드 연결) 설계를 자동화합니다. NAS는 계산 집약적이며 순전히 아키텍처에만 집중합니다.
• AutoML과 전이 학습 비교: 전이 학습에는 사전 학습된 모델을 새로운 작업에 적용하는 것을 포함합니다. AutoML은 종종 학습 속도를 높이기 위해 전이 학습 전략을 활용하지만, 두 개념은 별개의 개념입니다. 전이 학습은 기술인 반면 AutoML은 프로세스 자동화 프레임워크입니다.

도구 및 플랫폼

오픈 소스 라이브러리부터 엔터프라이즈 클라우드 서비스에 이르기까지 다양하고 강력한 도구가 AutoML 도입을 주도하고 있습니다. 서비스. 주요 클라우드 제공업체는 다음과 같은 강력한 솔루션을 제공합니다. Google Cloud AutoML, AWS 세이지메이커 오토파일럿, 그리고 모델 구축을 위한 그래픽 인터페이스를 제공하는 Azure Automated ML과 같은 강력한 솔루션을 제공합니다. 오픈 소스 커뮤니티에서는 다음과 같은 라이브러리를 사용할 수 있습니다. Auto-sklearn은 널리 사용되는 자동화된 모델 선택을 포함하도록 확장한 라이브러리가 있습니다.

특히 컴퓨터 비전의 경우, 곧 출시될 Ultralytics 플랫폼은 AutoML 기능을 통합하여 다음과 같은 작업을 위한 고급 모델 학습을 간소화할 예정입니다. 포즈 추정 및 이미지 세분화와 같은 작업을 위한 고급 모델 학습을 간소화하여 모든 개발자가 최첨단 AI 을 모든 기술 수준의 개발자가 이용할 수 있게 됩니다.