ㅁ 자동화

ㅇ 정의:
반복적이거나 복잡한 AI 모델 개발 과정을 최소한의 인적 개입으로 수행하도록 지원하는 기술 및 프로세스.

ㅇ 특징:
– 데이터 전처리, 특징 추출, 모델 선택, 하이퍼파라미터 튜닝, 검증까지 자동화.
– 비전문가도 모델 개발 가능.
– 클라우드 기반 서비스와 결합 시 확장성 높음.

ㅇ 적합한 경우:
– AI 개발 인력이 부족한 경우.
– 빠른 프로토타입 제작이 필요한 경우.
– 다양한 알고리즘을 시험해 최적 모델을 찾고자 할 때.

ㅇ 시험 함정:
– AutoML이 모든 문제에서 최적 성능을 보장하지 않음.
– 데이터 품질이 낮으면 자동화 성능도 저하됨.
– 완전 무코딩이 가능하다고 오해하기 쉬움.

ㅇ 시험 대비 “패턴 보기” 예시:
O: AutoML은 모델 선택과 하이퍼파라미터 튜닝을 자동화할 수 있다.
X: AutoML은 데이터 품질이 낮아도 항상 최적의 성능을 낸다.

================================

1. AutoML

ㅇ 정의:
머신러닝 모델 개발의 전 과정을 자동화하여 비전문가도 쉽게 모델을 설계, 학습, 배포할 수 있게 하는 기술.

ㅇ 특징:
– 데이터 전처리, 특징 엔지니어링, 모델 탐색, 하이퍼파라미터 최적화까지 자동으로 수행.
– 다양한 알고리즘 후보를 병렬로 테스트.
– 클라우드 서비스(Google AutoML, Azure AutoML 등)와 연계 가능.

ㅇ 적합한 경우:
– 모델 개발 속도를 높이고 싶은 스타트업.
– 도메인 전문가는 있지만 데이터 과학자가 부족한 조직.
– 다양한 모델을 비교·평가해야 하는 프로젝트.

ㅇ 시험 함정:
– AutoML이 데이터 전처리 품질 문제를 해결해 주지 않음.
– 결과 해석(Explainability)이 제한될 수 있음.
– 모든 경우에 딥러닝보다 뛰어난 결과를 보장하지 않음.

ㅇ 시험 대비 “패턴 보기” 예시:
O: AutoML은 하이퍼파라미터 튜닝을 자동으로 수행한다.
X: AutoML은 모델 해석력을 항상 향상시킨다.

ㅁ 추가 학습 내용

AutoML 학습 정리

1. 관련 세부 기술 개념
– NAS(Neural Architecture Search): 신경망 구조를 자동으로 탐색하는 기술
– HPO(Hyperparameter Optimization): 모델의 하이퍼파라미터를 자동으로 최적화하는 기술

2. AutoML의 한계점
– 데이터 편향(Bias) 문제
– 모델 해석성 부족
– 비용 문제(특히 클라우드 사용료)

3. AutoML 적용이 어려운 사례
– 실시간 초저지연 응답이 필요한 경우
– 데이터가 극도로 제한적인 경우

4. 시험에서 자주 묻는 내용
– AutoML과 MLOps의 차이
– AutoML이 포함하는 단계와 순서
1) 데이터 전처리
2) 특징 추출
3) 모델 선택
4) 하이퍼파라미터 튜닝
5) 검증