CWN(CHANGE WITH NEWS) - AI, 수동 코딩보다 AutoML이 도움 되는 4가지 이유

새로운 AI 모델을 개발해야 할 때 데이터 과학자는 새로운 주피터 노트북(Jupyter Notebook)을 찾아 수동으로 프로그래밍을 시작하는 것이 전통적인 방법이었다. 이 접근 방식은 순수한 샌드박스 실험에 적합하다고 평가받는다.

하지만 데이터클라우드를 제공하는 스노우플레이크(snowflake)의 파트너 영업 엔지니어인 마일즈 애드킨스(Miles Adkins)는 “이러한 노트북은 프로덕션 코드를 빌드한 다음 공유 및 확장하려고 시도하는 이상적인 매체가 아니다”라면서 “각 모델이 자체 별도의 노트북에서 개발된 100개의 AI 모델을 배포할 사람은 아무도 없기 때문이다”라고 지적했다. 그의 말에 따르면, 핸드 코딩(수동 코딩)은 AI 성공을 실현하는 데 실질적인 장애물이 될 수도 있다.

반면, 마일즈 애드킨스(Miles Adkins)는 AutoML이 데이터 과학자의 생산성을 훨씬 높일 수 있다고 말했다. 그의 말에 따르면, AutoML은 전문가가 아닌 사람도 동일한 데이터 세트를 수백 또는 수천 개의 서로 다른 알고리즘 조합에 동시 실행하여 최적의 AI 모델을 만들 수 있다.

AutoML은 자동 머신 러닝 도구로, 원시 데이터 정리에서 매개변수 최적화에 이르기까지 기계 학습 모델 개발 및 배포와 관련된 모든 작업을 자동화하는 것을 목표로 한다. 조직이 데이터 과학자에게만 모델을 수동으로 의존하지 않고 운영 전반에 걸쳐 규모에 맞게 머신 러닝 모델을 적용함으로써, 빠르고 정확하게 문제를 해결할 수 있다고.

또한 AutoML은 시나리오를 데이터 과학자 수작업 코딩과 대조하여 데이터 파이프라인을 만들고, 모델을 구축하여 모든 테스트를 수행한 다음, 소수의 알고리즘에 대해 데이터세트를 실행한다. 마일즈 애드킨스(Miles Adkins)는 수동 코딩 대신 AutoML을 사용하는 네 가지 주요 이점에 대해 다음과 같이 요약 설명했다.

첫째, 가치 실현 시간을 단축할 수 있다. AI 모델에서 생성된 결과와 실행 가능한 통찰력에만 관심을 가질 수 있기 때문이다. 자동화는 또한 인간 프로그래머가 수행한 동일한 평가와 비교하여 AI 모델을 배포하기 좋은 시기를 명확하게 제시하기도 한다.

둘째, 조직이 자동화에 의존함으로써 수동 데이터 모델링 중에 발생할 수 있는 인적 오류를 피할 수 있다.

셋째, 운영 우수성을 실현할 수 있다. 예를 들어 데이터 과학자가 AutoML을 채택한 회사를 떠나는 경우 교체 직원은 이전 직원이 수동 코딩한 모델을 재해석할 필요가 없다. 신입 사원은 AutoML에 지원하거나 재교육을 받기만 하면 된다. 다시 말하면, AutoML 도구는 관리자와 직원이 모델에 대해 협업하고 결과를 해석할 수 있는 중앙 저장소인 훌륭한 기록 시스템이기도 하다.

넷째, AI의 민주화를 실현할 수 있다. AutoML 도구를 사용하면 비즈니스 분석가와 주제 전문가가 표준 데이터 과학 모범 사례를 모델에 포함하는 가드레일 안전 방식으로 모델을 생성할 수 있다. 이러한 역할은 더 이상 모델을 생성하기 위해 데이터 과학자 동료에게만 의존할 필요가 없음을 의미한다. AutoML 도구는 조직이 데이터 과학을 더 광범위한 사용자 커뮤니티에 개방하고 AI를 주류로 만드는 데 도움이 될 수 있다.

마일즈 애드킨스(Miles Adkins)는 “주피터(Jupyter) 노트북은 조직의 전체 소프트웨어 엔지니어링 프로세스에 대한 이상 값으로 작동하지만 AutoML 생성 모델은 기존 작업에 포함된 다음 소프트웨어 및 ML 엔지니어와 쉽게 공유할 수 있다”고 덧붙였다.

[저작권자ⓒ CWN(CHANGE WITH NEWS). 무단전재-재배포 금지]