AutoML

기계 학습과 데이터 마이닝
패러다임 지도 학습 비지도 학습 준지도 학습 자기 지도 학습 강화 학습 메타 학습 온라인 기계 학습 배치 학습 커리큘럼 학습 규칙 기반 기계 학습 신경-기호 AI 뉴로모픽 엔지니어링 양자 기계 학습
문제 분류 생성 모델링 회귀 군집화 차원 축소 밀도 추정 이상 탐지 데이터 정제 AutoML 연관 규칙 의미 분석 구조적 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모달 학습
지도 학습 (분류 • 회귀) 도제 학습 결정 트리 앙상블 배깅 부스팅 랜덤 포레스트 k-NN 선형 회귀 나이브 베이즈 인공 신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신 (RVM) 서포트 벡터 머신 (SVM)
군집화 BIRCH CURE 계층적 k-평균 퍼지 기댓값 최대화 (EM) DBSCAN OPTICS 평균 이동
차원 축소 인자 분석 CCA ICA LDA NMF PCA PGD t-SNE SDL
구조적 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형
이상 탐지 RANSAC k-NN 국소 특이점 요인 고립 포레스트
인공 신경망 오토인코더 딥 러닝 순방향 신경망 순환 신경망 LSTM GRU ESN 리저버 컴퓨팅 볼츠만 머신 제한된 GAN 확산 모델 SOM 합성곱 신경망 U-Net LeNet 알렉스넷 딥드림 신경장 신경 방사장 물리정보 신경망 트랜스포머 비전 맘바 스파이킹 신경망 멤트렌지스터 ECRAM
강화 학습 Q 러닝 정책 경사법 SARSA 시간차 학습 (TD) 다중 에이전트 셀프 플레이
인간 참여 학습 액티브 러닝 크라우드소싱 휴먼인더루프 기계적 해석 가능성 RLHF
모델 진단 결정계수 혼동 행렬 러닝 커브 ROC 곡선
수학적 이론 커널 머신 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 오캄 학습 PAC 러닝 통계적 학습이론 VC 이론 위상 수학적 딥 러닝
회의/저널 AAAI ECML PKDD NeurIPS ICML ICLR IJCAI ML JMLR
관련 문서 인공지능 용어집 기계 학습 연구를 위한 데이터 세트 목록 컴퓨터 비전 및 이미지 처리 데이터 세트 목록 기계 학습 개요
v t e

AutoML(Automated machine learning)은 실제 문제에 기계 학습을 적용하는 작업을 자동화하는 프로세스이다.

AutoML에는 원시 데이터 세트부터 시작하여 배포 준비가 된 기계 학습 모델 구축까지 모든 단계가 포함될 수 있다. AutoML은 머신러닝 적용에 대한 점점 커지는 과제에 대한 인공지능 기반 솔루션으로 제안되었다. AutoML의 높은 수준의 자동화는 비전문가가 기계 학습 전문가가 될 필요 없이 기계 학습 모델 및 기술을 사용할 수 있도록 하는 것을 목표로 한다. 기계 학습을 엔드투엔드에 적용하는 프로세스를 자동화하면 더 간단한 솔루션을 생성하고 해당 솔루션을 더 빠르게 생성하며 종종 수동으로 설계한 모델보다 성능이 뛰어난 모델을 생성할 수 있는 이점도 제공된다.

AutoML에 사용되는 일반적인 기술에는 초매개변수 최적화, 메타 학습, 신경 아키텍처 검색이 포함된다.

일반적인 머신러닝 애플리케이션에서는 전문가들이 학습에 사용되는 입력 데이터 집합을 보유하고 있습니다. 원시 데이터는 모든 알고리즘을 적용할 수 있는 형태가 아닐 수 있습니다. 데이터를 머신러닝에 적합하게 만들기 위해 전문가에게는 적절한 데이터 전처리, 특성 설계, 특성 추출, 특성 선택 기법을 적용해야 할 수 있습니다.^[1] 이러한 단계 이후에는 모델의 예측 성능을 극대화하기 위해 알고리즘 선택과 하이퍼파라미터 최적화를 수행해야 합니다. 딥러닝이 사용되는 경우에는 신경망 아키텍처 역시 머신러닝 전문가가 수동으로 선택해야 합니다. 이 각각의 단계는 복잡할 수 있으며, 이는 머신러닝 활용에 상당한 장벽을 만듭니다. AutoML은 비전문가를 위해 이러한 단계를 단순화하고, 머신러닝 기법을 정확하고 효율적으로 적용할 수 있도록 돕는 것을 목표로 합니다.^[2][3][4]

AutoML은 데이터 공학, 데이터 탐색, 모델 해석 및 예측과 같은 복잡한 작업도 포함하는 더 넓은 범위의 데이터 과학 자동화 접근법에서 중요한 역할을 합니다.^[5]

가상 비서는 자연어 처리(NLP)를 사용하여 사용자의 텍스트 또는 음성 입력을 실행 가능한 명령과 매칭합니다. 그중 일부는 머신러닝과 앰비언트 인텔리전스를 포함한 인공지능 기법을 통해 지속적으로 학습합니다. 대표적인 예로는 Google Translate와 같은 머신러닝 기반 번역 도구가 있으며, 이는 사람들이 서로 다른 언어로 소통할 수 있게 해 주고 전 세계적으로 10억 건이 넘는 설치 수를 기록할 정도로 대규모로 사용되고 있습니다.^[6]

자동화된 머신러닝 분야에서는 여러 핵심 과제가 다루어집니다. 그중 하나는 에서 “수공업적 생산으로서의 개발”이라고 불리는 문제입니다. 이 표현은 개발이 수작업 의사결정과 전문가의 편향에 의존하는 머신러닝 문제를 가리킵니다. 이는 시스템이 자체 사용과 데이터 분석을 바탕으로 학습하고 개선할 수 있도록 하는 머신러닝의 목표와 대조됩니다. 본질적으로 이것은 시스템 학습에 전문가가 어느 정도까지 관여해야 하는지, 그리고 기계에 어느 정도의 자율성을 부여해야 하는지에 관한 갈등입니다. 그러나 전문가와 개발자는 이러한 기계가 스스로 학습할 수 있도록 준비시키기 위해, 그것을 만들고 올바른 방향으로 이끌어야 합니다. 이러한 시스템을 구축하려면 머신러닝 알고리즘과 시스템 설계에 대한 지식을 바탕으로 한 많은 수작업이 필요합니다. 또한 다른 문제로는 메타학습^[7] 과 계산 자원 분배가 있습니다.

• 모델옵스