공부 기록 1일. AutoML 도입 효과 및 학습 목적

 

지난 포스팅에서는 AutoML의 종류와 장단점에 대해 조사한 내용을 정리해보았습니다.

 

 

AutoML 이란? (종류 및 장단점)

 

이후 블로그 포스팅과 공부 의지가 약해져서

패스트캠퍼스 강의를 들으며 배운 내용을

블로그에 정리함으로써 공부습관을 다지고자 합니다.

 

 

패스트캠퍼스에 업무 관련 수많은 강의가 있는데

먼저 업무와 가장 관련이 깊은 AutoML 부터 정복해보고자

 

 

'길스랩' 강사님의

'AutoML 시스템 구축으로 익히는 모델 선택 및 하이퍼파라미터 튜닝'

강의를 수강하게 되었습니다.

 

 

첫 시간은 가볍게 오리엔테이션으로

AutoML 의 도입효과와 공부목적/기대효과에 대해 설명해주셨는데

관련 업무를 하는 입장에서 크게 와 닿는 부분이 있었습니다.

 

---

 

1. AutoML 도입효과

 

데이터 사이언티스트 관점에서는

머신러닝 모델 개발 과정에서 반복적인 업무를 자동화함으로써

창의적인 업무에 보다 집중할 수 있습니다. 

 

즉, AutoML 이 모델 개발 업무를 보조해주는 역할을 합니다.

 

현업 담당자 관점에서는

모델 개발 과정에 전문적인 업무를 대체해줌으로써

전문적인 지식없이 (전문가의 도움없이) 

프로토타입 수준의 모델 개발과 평가가 가능하다.

 

즉, AutoML 이 모델 개발 업무의 허들을 낮춰주는 역할을 합니다.

 

 

2. AutoML 한계

 

하지만,

AutoML 이 데이터 사이언티스트를

완전히 대체할 수는 없습니다.

 

그 이유는,

문제 정의와 도메인지식을 활용한 특징 공학(Feature Engineering) 등

머신러닝 모델 개발 프로세스에서 자동화가 불가능하거나

경험에 의존해야하는 단계가 분명히 존재하기 때문입니다.

 

 

3. AutoML 공부목적=기대 효과

 

그럼에도 불구하고

AutoML 을 배웠을 때 기대할 수 있는 효과가

2가지가 있다고 합니다.

 

첫번째는 기업 관점에서

커스터마이징된 AutoML 시스템 개발을 위해서 입니다.

 

기존의 AutoML 시스템은 범용적으로 개발되었으며,

어느정도 정형화된 데이터 셋, 전처리가 된 데이터셋에 적합하기 때문에

커스터마이징이 필요한 부분이 있습니다.

 

두번째는 실무자 관점에서

실무를 깊게 이해하기 위해 AutoML을 공부해야 한다는 말이

저는 더 와닿았습니다:)

 

실무에서 데이터 특성에 따라

적절한 전처리, 모델선택, 하이퍼파라미터 튜닝을 이해하고 있어야

AutoML을 제대로 활용할 수 있으며

모델 개발 및 학습시간을 단축시킬 수 있기 때문입니다.

 

---

다음시간에는 머신러닝 개발 프로세스와 알고리즘 적용과 같은 기본적인 내용은 건너뛰고,

부족한 부분인 최적화, 그리드 서치, 유전알고리즘, 베이지안 최적화 등에 대해서 먼저 하나씩 알아볼 예정입니다.