자동화된 머신 러닝(AutoML)은 머신 러닝(ML)을 실제 문제에 적용하는 엔드투엔드 파이프라인을 자동화하는 프로세스를 의미합니다. AutoML의 주요 목표는 ML 모델 개발을 간소화하고 가속화하여 데이터 과학이나 ML에 대한 깊은 전문 지식이 없는 사람도 고급 기술을 이용할 수 있도록 하는 것입니다. AutoML은 반복적이고 시간이 많이 걸리는 작업을 자동화함으로써 개발자와 연구자가 고성능 모델을 보다 효율적으로 구축할 수 있도록 지원하여 광범위한 수동 구성과 실험의 필요성을 줄여줍니다. 이러한 자동화는 원시 데이터 준비부터 최적화된 모델 배포에 이르기까지 다양한 단계를 포괄합니다.
AutoML의 주요 자동화된 작업
AutoML 시스템은 일반적인 ML 워크플로우의 여러 핵심 구성 요소를 자동화합니다:
AutoML의 이점
AutoML을 도입하면 상당한 이점이 있습니다:
- 효율성: ML 모델을 개발하고 미세 조정하는 데 필요한 시간과 컴퓨팅 리소스를 대폭 줄입니다.
- 접근성: ML의 진입 장벽을 낮추어 ML 경험이 적은 도메인 전문가와 개발자도 강력한 예측 기능을 활용할 수 있습니다. Ultralytics 허브는 이 프로세스를 더욱 간소화하는 것을 목표로 합니다.
- 성능: 방대한 검색 공간을 탐색하여 높은 정확도와 견고성을 달성하는 모델과 구성을 종종 식별하며, 때로는 수동으로 설계된 모델을 능가하기도 합니다.
- 편향성 감소: AutoML은 모델 선택 및 튜닝을 자동화함으로써 수동 선택으로 인해 발생할 수 있는 AI의 인적 편향을 완화하는 데 도움을 줄 수 있지만, 데이터 세트 편향성에 대한 세심한 감독이 여전히 중요합니다.
실제 애플리케이션
AutoML은 다양한 분야에 걸쳐 애플리케이션을 찾습니다:
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 특히 신경망(NN)의 아키텍처를 자동으로 설계하는 데 초점을 맞춘 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:
KO
EN
ZH
JA
RU
DE
FR
ES
PT
IT
AR
TR
VI
