한빛미디어

"한빛미디어 서평단 <나는 리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다."

​

데이터 수집과 분석에 관심이 많았다. 이유는 농업 분야에서 ML Model을 설계하고자 하여도 제대로 수집되거나 분석된 정형 비정형 데이터가 거의 없다 보니, 연구과제를 진행해도 데이터 수집에 70~80% 에너지와 시간을 할애하곤 하였다. 농업은 여전히 데이터 수집과 정제에 대한 표준화 및 기초조차 마련되지 않아 난감한 경우가 많은데, 어렵사리 데이터를 수집하고 정제 한 후에 모델링을 구현하는 일은 이제, 노코드, 로우코드를 통해서 일괄처리하는 방식이 아니더라도 ML 모델링을 구현해 보면서 진행하는 방식도 가능할 것 같다. 이전에는 플랫폼을 이용하여 코딩을 하고 모델을 구현하여도 딥러닝의 경우는 은닉층의 하이퍼 파라미터 설정이나 가중치 값에 대한 고민이 깊었는데, 이 책은 노코드, 로우코드를 통해서 실시간 수집된 데이터를 일괄 처리하는 방식까지는 아니더라도 좀 더 데이터를 쉽게 다루거나 모델 구현을 도와준다.

AI에서 가장 중요한 요소도 들어있다.

데이터의 중요성, 라이브러리의 효율성, 플랫폼을 활용한 코딩 및 프레임워크 기능으로 모델 구축, 학습 및 최적화에 대한 실용적 접근 방식을 제안하면서 프로세스를 간소화하여 속도를 내고 있다. 노코드, 로우코드 AI를 완벽하게 설명하고 있고 더 나아가 XAI에 대한 개념까지 포함하면서 앞으로 진행될 AI의 단계로 밝힌다.

다양한 플랫폼과 언어를 사용할 수 있도록 모델 유형, 설계, 구현, 배포에 이르기까지 AI에 대한 기초지식과 실무지식을 한꺼번에 배울 수 있는 장점이 이 책에 있다. 코딩 기초가 없어 복잡한 요구사항이 별도로 필요하지 않은 노코드 플랫폼이나 로우코드 플랫폼을 사용하면서 신속한 프로젝트 개발과 데이터 분석에 이롭게 하려는 실무적인 책이다.

​

데이터를 다뤄보고 싶은 사람, 데이터를 활용하여 애플리케이션 구현을 위한 모델을 만들고 싶은 사람, 코딩에 대한 실무가 없더라도 책을 읽고 따라서 코드를 구현하다 보면 제시된 사례를 반복 학습하는 것만으로도 모델 학습을 할 수 있을 것 같다.

데이터의 품질과 중요성은 ML 모델의 정확성과 신뢰성에 영향을 끼치므로, 데이터를 훈련하고 수집하고 특징을 다루는 부분들에 대한 방법들이 사례별로 다양하게 나온다. 사전 구축된 모듈과 플랫폼을 사용함으로써 복잡한 워크플로나 알고리즘이 없는 간단한 애플리케이션을 개발, 사용자가 유연적인 제어기능을 함께 사용하면서 데이터를 다룰 수 있는 로우코드, 커스터마이징 모델 개발에 이르기까지. 목표가 무엇인지에 따라 가져올 수 있는 데이터와 데이터가 보여줄 수 있는 잠재적 상관관계에 대해서 볼 수 있는 통찰은 기본적으로 요구된다. 데이터 과학자, 데이터를 다루고 싶은 사람은 수학을 잘하는 것이 아니라 학제적 관점의 인사이트를 가진 사람들이 창의적 ML 모델을 만드는 것 같다. scikit-learn 및 Keras와 같은 머신 러닝 라이브러리에 이미 구축된 함수와 알고리즘을 충분히 사용함으로써 개발자가 전문적 코딩 지식 없이도 복잡한 머신 러닝 작업을 쉽게 수행할 수 있는 방법을 A-Z까지 순차적으로 설명한다.

노코드, 로우코드 AI로 분류 평가 지표도 실행함으로써 모델 정밀도, 재현율 쉽게 알 수 있다.

ML에서 사용되는 용어는 각 챕터별 사례와 코드를 통해서 적절한 시점에 설명해 줘 쉽게 이해가 가능하다. 불편추정량 Unbiased estimator, 손실함수, 가중치, 경사하강법 Gradient descent, 불량상태 ill-conditioned 등등.

구글이 제공하는 주피터 노트북(구글 코랩)으로 데이터 전처리를 실시하고 깃허브 저장소를 만들어 사용할 수 있는 사례. EDA(explanatory data analysis)는 ML 모델을 학습시키기 위한 특징 Feature를 선별하는 법, 수학이나 알고리즘 기반이 아니라 이해하고 직관적으로 이해가 되기 쉽게 서술되어 있다. 가벼운 컨테이너로 만들어진 구글 코랩을 사용하자.

​

각 분야별 목적에 따른 로우코드 모델 구현 사례가 있다. 따라 하다 보면 전문가?

소매: 제품 가격 – 매출 증대가 목표라면 우산 제작회사의 마케팅 담당자는 어떤 데이터를 수집할 것인가?

헬스케어: 심장질환 예방 캠페인 사망률을 예측하기 위한 필드 요소들은 무엇인가? 에너지: 공익 캠페인 – 데이터와 ML을 모르는 담당자가 AutoML 사용하여 기여 요소를 알 수 있을까? 보험 : 광고 미디어 채널의 매출 예측 – 채널 광고 지출에 기반한 매출 예측 ML 모델 개발은 어떻게 해야 하나? 금융 : 사기 탐지 – ML 배경지식이 없고 프로그래밍을 할 줄 몰라 AutoML을 사용하기로 결정했을 때, 어떤 데이터가 기여할 것인가? 에너지 : 전력 생산량 예측 - 시계열 데이터가 없는 상태에서 SQL 기본 지식으로 구글 빅쿼리 ML을 사용할 수 있을까? 통신 : 고객 이탈 예측 - 파이썬을 조금 다룰 줄 안다면 모델 제어가 가능한 로우코드 솔루션으로 사이킷런과 케라스를 사용하여 데이터를 다루는 것이 쉬울까? 자동차 : 사용자 정의 모델 성능 향상 -선형회귀 모델로 성능 개선을 하는 방법에 사용되는 다양한 학습도구들에 대한 요소.

​

가장 흥미로운 부분은 노코드 AutoML . 구글 버텍스AI 플랫폼 사용법이다.

구글 AutoML, 마이크로소프트 애저 Azure AutoML, AWS 세이지메이커 AutoML 등의 솔루션 중에서 쉽게 사용할 수 있으니, 독자들도 따라 해보았으면 좋겠다. 데이터의 스케일링, 목표에 맞는 데이터 특징을 찾는 방법, 모델 학습, 평가 튜닝 그리고 이후의 평가와 검증을 거쳐 모델을 배포하는 일까지 하나의 플랫폼에서 할 수 있는 손쉬운 노코드, 로우코드!

로우코드 프레임워크

구글 빅쿼리 기반 오픈소스 / 오토케라스

아마존 오로라, 레드시프트 기반 오픈소스 / 오토 사이킷런

마이크로소프트 애저 SQL 서버 오토 파이토치

AutoML로 선형회귀 모델 학습하는 사례 중 회귀의 평가지표에 대한 부분은 R제곱, 조정된 R제곱, 평균제곱오차, 평균제곱근 오차 등이 사용되는데, 최근 논문에서는 R 제곱보다는 모델의 독립변수 개수를 고려해 R 제곱을 수정한 조정된 R 제곱 값을 많이 쓰는 경향이 있다. 이는 모델이 너무 많은 독립변수를 사용함으로써 발생하는 과대적합의 문제를 해결하기 위한 방법이다. 조정된 R 제곱 값은 R 제곱 값보다 독립변수의 개수에 덜 민감하므로 모델의 성능을 더 공정하게 평가할 수 있다.

빅쿼리ML 개념에 대해서도 살펴보는 좋은 계기가 되었다. ML 모델 기본은 데이터셋을 이해하고 품질을 지켜야 한다. 이 과정에서 SQL과 빅쿼리라는 도구를 활용하여 데이터를 구글 빅쿼리에 빠르게 저장하고 SQL로 데이터를 분석할 수 있는 방법을 제시한다. AutoML 도구와 달리 빅쿼리에서는 직접 특징을 선택해야 한다.

​

설명 가능한 AI explainable AI(XAI)가 개념이 등장하는데 XAI의 목표는 모델의 행동을 사람이 이해할 수 있는 형태로 섦여하는 것으로 모델의 성능 개선, 문제 파악 등 다양한 방식으로 사용할 수 있단다.

​

Reminder!

노코드 솔루션 : ML 모델 구축해야 하지만 ML 전문 지식이 부족한 경우. 또 하나는 모델의 빠른 프로토타이핑이 필요한 경우 AutoML과 같은 노코드 도구를 사용하여 모델을 학습할 수 있고 버텍스 AI 등과 같이 손쉽게 배포할 수 있다.

로우코드 솔루션 : 도구의 제약 조건에 맞추어 데이터를 다루고자 하는 경우나, 사용자 정의가 필요한 경우, 사용이 가능하며 모델 구축 시간을 단축할 수 있는 장점이 있다.

가장 유연성 있는 커스터마이징 모델링이 구현될 수 있는 데이터를 다루는 일은 AutoML, Low Code에서 시작한다.

​

머신러닝 추론이란 ML 모델로 새로운 데이터를 예측하는 과정을 의미한다. 예측 성능은 지속해서 개선해야 한다.

​