인공지능(AI)은 이제 우리 삶 곳곳에 자리하고 있습니다. 넷플릭스와 유튜브 콘텐츠 추천 기능 역시 인공지능이 사용되고 있죠. 자율주행 차량 또한 운전자의 제어 없이 운행하기 위해 AI 기술이 사용됩니다. 이렇듯 인공지능이 비약적으로 발전할 수 있던 배경에는 머신러닝을 빼놓고 말할 수 없는데요. 인공지능을 구현하기 위해서 컴퓨터 스스로 학습하는 과정인 머신러닝이 필요하기 때문입니다. 이런 추세에 따라, 머신러닝 기술을 활용한 서비스들도 출시 되고 있고 관련 교육도 활발히 일어나고 있습니다. 하지만 여전히 머신러닝 기술을 구사하는 것은 어려운 일입니다.
일반적으로 머신러닝 모델링은 랜덤 포레스트, 로지스틱 회귀 등의 알고리즘 중 적절한 알고리즘을 선택하는 과정을 거칩니다. 이 과정에서 데이터의 특징에 따라 적합한 모델이 다르기 때문에 여러 모델들로 시도해 보고 성능이 높은 것을 채택하게 됩니다.
하지만 머신러닝 구축을 위해서는 많은 인력이 필요하며, 도메인 전문 분야에 적용하기에는 진입 장벽이 높습니다. 머신러닝 모델링은 문제 정의 과정에서부터 데이터 수집, 전처리, 모델 학습 및 평가를 거쳐 서비스 적용에 이르기까지 많은 시간이 필요하다는 한계점이 있기 때문입니다. 이러한 가운데, 기존 머신러닝의 한계를 해결해 줄 방법이 큰 주목을 받기 시작했습니다. 바로, 자동화 머신러닝 시스템인 ‘AutoML’입니다.
왜 AutoML가 주목 받을까요? AutoML은 일반적인 머신러닝 모델링 과정인 다양한 알고리즘을 실험하고 비교하여 최상의 모델링을 찾는 과정을 자동화한다는 점 때문입니다. 자동화된 머신러닝은 데이터 전처리, 모델링, 하이퍼 파라미터 튜닝 등 여러 단계의 복잡한 머신러닝 프로세스를 단순화하여 최상의 모델을 식별하고, 최적화된 하이퍼 파라미터를 찾아 좋은 머신 러닝 모델을 구축할 수 있습니다.
여기서 ‘파라미터’란 무엇일까요? 어떤 시스템이나 함수의 성질을 나타내는 변수를 뜻하며, 매개변수라고도 불립니다. 좋은 예측을 하기 위해서 꼭 업데이트가 되어야 하는 변수이죠. 최적의 모델을 구현하기 위해 사용자가 직접 모델에 설정하는 값을 ‘하이퍼 파라미터’라고 합니다. 사용자가 늘 개입해서 하이퍼 파라미터를 모델 학습에 사용하는 게 어렵기 때문에 사람의 개입 없이 하이퍼 파라미터 튜닝을 자동으로 수행할 수 있는 AutoML이 주목받게 된 이유입니다.
또, AutoML은 인공 신경망 기술을 활용하여 적합한 아키텍처를 찾는 과정을 자동화한다는 장점이 있습니다. 이를 신경망 아키텍처 탐색(Neural Architecture Search; NAS)라고 합니다. 인공지능 연구는 대부분 사람이 각 데이터마다 목적에 맞게 신경망 구조를 디자인합니다. 하지만, 데이터가 바뀌거나 목적이 달라질 때마다 매번 그에 적합한 구조를 찾는 것은 어려운 일이겠죠? 그래서 최적의 구조를 찾는 과정도 AI로 해결하려는 시도가 바로 NAS입니다.
AutoML을 활용하면 훨씬 직관적으로 간단한 코드만으로도 작업할 수 있습니다. AutoML은 모든 과정을 자동으로 진행하기 때문에 코드 몇 줄만 적어내면, 모든 머신러닝 작업을 간단하게 끝낼 수 있습니다. 기존에 10개의 코드가 필요했다면, 1개의 코드로 자동화할 수 있게 되는 것이죠.
AutoML이 좋은 성능의 학습모델을 얻기 위해서는 하이퍼 파라미터를 최적화해야 합니다. 하이퍼 파라미터를 최적화하는 방법은 크게 3가지가 있습니다.
먼저, ‘그리드 서치(격자 탐색법)’는 하이퍼 파라미터에 넣을 수 있는 값들을 순차적으로 입력한 뒤에 가장 높은 성능을 보이는 하이퍼 파라미터 값을 찾는 탐색 방법인데요. 즉, 관심 있는 매개변수들을 대상으로 가능한 모든 조합을 시도하여 최적의 매개변수를 찾는 방법으로 매개변수를 튜닝하여 성능을 개선해 줍니다.
‘랜덤 리서치(랜덤 탐색법)’은 하이퍼 파라미터 값을 랜덤하게 넣어보고 그중 우수한 값을 보인 하이퍼 파라미터를 활용해 모델을 생성하는 방법인데요. 랜덤 리서치는 그리드 서치에 비해 공간 정보를 활용하기 때문에 불필요한 실험을 하지 않아 좀 더 효율적이며 최적의 하이퍼 파라미터 값을 더 빨리 찾을 수 있습니다.
마지막으로 메타 모델과 베이지안 최적화를 통해 최적의 하이퍼 파라미터 조합을 찾는 튜닝 방법이 있습니다. 메타 모델은 기계 스스로 문제에 적합한 알고리즘을 선택하여 알고리즘을 해당 데이터 분포 구조에 맞게 수정 및 변경하는 방법입니다. 베이지안 최적화는 사전 정보를 탐색 과정에 반영해 효율적으로 최적값을 찾아내는 방법입니다. 그리드 서치와 랜덤 리서치에 비해 효율적인 방법이죠.
이렇게 AutoML 시스템을 구축하는 과정에서 실무자들은 효과적인 시스템 구축을 위해 여러 고민을 하게 됩니다. 데이터 선택, 모델링 선택 및 최적화 방법, 하이퍼 파라미터 조정 방법 등을 고민하고 해결하는 역량이 이제는 머신러닝 실무자들에게 꼭 필수역량이 되어버렸습니다. 이 역량은 최근 주목받고 있는 AutoML 시스템을 직접 구축하면서 경험을 통해 길러질 수 있습니다.
AutoML 시스템을 실제로 구축하면서 발생될 수 있는 문제에 대해 문제해결능력을 기를 수 있도록 도와주는 강의가 있습니다. 바로 [올인원 패키지 : AutoML 시스템 구축으로 익히는 모델 선택 및 하이퍼 파라미터 튜닝]인데요.
실제로 단계별 AutoML 시스템을 함께 구축해 보면서, 데이터가 주어졌을 때 어떤 전처리 기법을 사용할지, 어떤 모델을 선택할지, 어떤 하이퍼 파라미터를 조정할지 등 발생할 수 있는 문제에 대해 어떤 기준으로 의사결정하는지 배울 수 있습니다. 또한, AutoML의 하이퍼 파라미터를 최적화하는 방법인 그리드 서치, 랜덤 리서치, 메타 모델 및 베이지안 최적화를 활용한 머신러닝 자동화 방법 모두 강의 내에서 학습할 수 있습니다.
머신러닝 모델 개발 입문자를 위한 과정도 수록되어 있습니다. 초보자를 위해 데이터의 특성을 이해하고 각 데이터 특성에 따른 적절한 전처리 모델을 선택할 수 있도록 기초적인 머신러닝 모델 개발 프로세스부터 차근차근 알려드립니다. 그뿐만 아니라, 파이썬을 이용한 머신러닝 모델 학습, 선형모델, 결정 나무, 앙상블 등 주요 지도 학습 모델에 대해 배울 수 있습니다.
주요 지도 학습 모델을 배운 뒤엔 머신러닝 자동화를 위한 최적화 알고리즘을 배울 수 있습니다. 최적화 문제부터 그리드 서치와 랜덤 서치, 유전 알고리즘, 베이지란 최적화까지 주요 최적화 알고리즘을 제대로 배우실 수 있습니다.
이론을 배웠다면 실제로 머신러닝 자동화 시스템을 구축해 보는 것이 좋겠죠? [올인원 패키지 : AutoML 시스템 구축으로 익히는 모델 선택 및 하이퍼 파라미터 튜닝] 강의에서는 함께 AutoML을 처음부터 개발해 보면서 실무 머신러닝에서 모델 선택 및 하이퍼 파라미터 튜닝을 어떻게 하는지 확실하게 정립하고 갈 수 있습니다. 머신러닝 실무자 혹은 머신러닝에 관심 있는 분이라면, 머신러닝에 대한 탄탄한 기초지식과 배경을 갖춰 효율적으로 머신러닝을 구축해 보세요!