AutoML로 머신 러닝이 발전을 하고 있으며, 하이퍼파라미터의 튜닝도 기계에게 넘기는 기술의 발전을 목도하고 있습니다. 사실 하이퍼파라미터의 의미를 이해하고, 튜닝하는 영역이 데이터 사이언티스트 혹은 AI 전문가의 영역인데 이를 비전문가도 손쉽게 할 수 있도록 도와주는 기술이라고 이해하면 됩니다.

물론 Python을 활용한 코딩이 가능한 사람이어야 한다는 장벽은 존재합니다.

여기서 소개하는 AutoKeras와 KerasTuner와 같은 도구들을 통해 하이퍼파라미터를 신경 쓰지 않은 채 머신러닝을 더욱 쉽게 활용할 수 있고 여러 모델 작업이 효율적으로 가능합니다. 책에 대한 소개를 간략히 하면, AutoML 에 대한 개념 소개를 합니다.

그리고 ML에서 중요한 파이프라인에 대한 설명을 합니다. 파이프라인에 대한 개념이 잡혀 있어야 AutoML과 그 이후에 이루어질 MLOps까지 이해를 할 수 있기 때문입니다. 

또한 Keras 기반의 AutoML 라이브러리를 다루기 때문에 친절하게 딥러닝에 대한 기본적인 내용을 설명하고 있어 딥러닝을 공부하고 싶은 독자에게 상당히 친절하게 알려주고 있습니다.

이후 자동화된 엔드투엔드 머신러닝을 위해 AutoKeras를 이용한 설정 및 파이프라인 작업을 설명합니다.

그래프 구조, 블록 구조의 Auto ML 설계 방법 및 오토인코더 모델을 이용한 방법을 설명하고 있으며, 딥러닝을 다룰 때 중요한 요소인 GPU 기반의 AutoML까지 설명하고 있습니다.

또한 분류 예제까지 제공을 하고 있어 이해를 높이는데는 상당히 도움이 됩니다.

다만, ML에 대한 개념이 전무한 상태에서 이 책을 접하기엔 어려울 수 있으며, 전문가 수준은 아니어도 최소한 ML에 대한 이해는 하고 있는 사람이어야 이 책의 효과를 접할 수 있어 보입니다.

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

"한빛미디어 ＜2023 나는 리뷰어다＞ 에서 제공받은 책을 바탕으로 쓴 글입니다."

"

AutoML 인 액션

저자

칭취안 송,하이펑 진,시아 후

출판

한빛미디어

발매

2023.09.28.

아주 오랜만에 10월의 서평으로 돌아왔슴둥!

빅콘테스트 할 때, 이것저것 모델 다 실험해보다가

결국 AutoML 돌려서 제출했었는데

정말 우연찮게 AutoML에 관한 책이 걸려서 신기했어요!!

서평 시작해볼까유~~

.

.

.

'AutoML 인 액션'은 머신 러닝과 AutoML의 실전적인 측면을 다루는 책으로, 머신 러닝 모델을 개발하고 향상시키는 과정을 자동화하는 방법에 대해 다룹니다.

AutoML의 핵심 개념과 구체적인 응용에 관한 풍부한 정보를 제공합니다.

이 책을 읽으면 AutoML을 사용하여 복잡한 머신 러닝 프로젝트를 간편하게 진행할 수 있을 것으로 기대됩니다.

AutoML의 기본 원리와 개념에 대한 감을 잡고, AutoML이 무엇이며 왜 중요한지에 대한 기반 지식을 얻을 수 있습니다.

머신 러닝의 기초부터 시작하여 머신 러닝 프로젝트를 완성하기 위한 엔드투엔드 파이프라인을 구축하는 방법을 설명합니다. 데이터 수집, 전처리, 피처 엔지니어링, 알고리즘 선택, 그리드 탐색을 통한 모델 튜닝 등에 대한 내용을 포괄적으로 다룹니다.

딥러닝의 중요한 측면을 간결하게 요약하고 텐서플로와 케라스와 같은 딥러닝 프레임워크를 활용하여 다층 퍼셉트론, 합성곱 신경망, 순환 신경망과 같은 다양한 딥러닝 모델을 다룹니다.

실전 AutoML을 다루는 부분에서는 AutoML 도구인 AutoKeras를 활용하여 이미지 분류 및 다중 입/출력 문제를 해결하는 방법을 설명합니다. 또한 AutoML 파이프라인을 구축하고 탐색 공간을 조정하는 방법을 자세하게 다루며 사용자 정의 AutoML 블록과 같은 고급 주제도 다룹니다.

AutoML 검색 기법과 규모 확장에 대한 내용도 다루며, AutoML을 사용하여 대규모 데이터셋을 다루고 병렬화 및 검색 속도를 높이는 방법을 다룹니다.

마지막 장에서는 주요 개념을 되돌아보고 AutoML 도구와 플랫폼을 살펴보며 AutoML의 미래 동향과 빠르게 변화하는 분야에서 최신 상태를 유지하는 방법에 대해 논의합니다.

이 은 AutoML에 대한 실전 지식을 탐구하고 실제 프로젝트에서 적용하는 데 도움이 되는 풍부한 내용을 제공합니다. AutoML을 통해 머신 러닝 프로젝트의 생산성을 향상하고 복잡성을 줄이려는 머신 러닝 엔지니어, 데이터 과학자, 및 관련 분야의 전문가들에게 이 책을 추천합니다 :)

이 책은 AutoKeras의 창시자 그룹에 속해있는 텍사스 A&M 대학교와 관련이 깊은 청취안 송, 하이펑 진과 시아 후 교수님이다. 번역자는 etri의 박찬성역자님이다. 사실 이 책을 보기전에 AutoKeras 처음 오픈될 때 사용을 해봤는 데 코드는 짧게 작성하는 반면 실행시간이 너무 오래 걸렸던 기억(그 때 출장중인 모텔에서 아주 간단한 모델을 실행하는 데만 3일 이상) 이 있다. 그리고 아직은 적용하기 힘들겠다고 생각했었다. 하드웨어 성능은 더 비약적으로 발전하는 상황에서 모델 크기가 더 이상 커지지 않을 때 더 관심을 가져야 겠다고 생각했으나 시간이 흐르고 보니 현실은 반대였다.

이 책을 일독하고 나니 2장의 내용에서 부록B를 먼저 보라고 여러번 강조한 이유를 알겠다. 2~3장의 내용과 부록B의 내용은 서로가 상호참조하는 식으로 선수과정 형태의 내용이어서 꼭 숙지하고 다음으로 넘어가는 것이 좋다.

이 책의 장점은 엄청나게 많은 내용을 두껍지도 않은 한 권의 책에 다 담았다는 것이다. 따라서 기존에 머신러닝/딥러닝을 공부하던 사람은 복습을 하면서 최신API도 학습할 수 있다는 장점이 있다.

이 책의 단점은 번역이 매끄럽지 못한 느낌적인 느낌이 있다. 물론 역자분은 실력자이시니까 원서보다 백배 천배 이해하기 쉽게 번역한 것이겠지만 여전히 어순이나 단어선택이 영어 원문이 생각나는 느낌이 많고 은/는 이나 을/를 등의 조사가 잘못 연결된 경우가 꽤 자주 보인다.

이 책을 다 읽고 난 소감은 딥러닝의 내부 동작 알고리즘이 생물학적인 뉴런과 크게 벗어나서 자세히 알 필요가 없는 것처럼 (물론 다른 분야도 그렇지만) " API가 내부 구현이 어떻게 되어 있는지 알 필요가 없이 사용법만 익히면 되는 세상이 되고 있구나 "라는 점이다.

당연한 얘기일 수 있으나 도메인 지식이 속속들이 꿰고 있고 딥러닝에 대한 지식이 출중하다면 자동화된 메타러닝이 필요가 없다. 대부분의 경우에 그렇지 못하기 때문에 하이퍼파라미터 튜닝에 상당히 불필요한 시간을 소모하고 있는 경우가 종종 있고 이럴 때 튜닝 작업을 메타러닝을 통해 AI가 해결해 준다면 그 튜닝시간으로 소모할뻔한 시간을 다른 작업시간에 투자할 수 있다는 관점에서 자동머신러닝은 필요하다.

하지만 이 책에서도 계속 강조하는 것처럼 수동튜닝보다 결과가 안 좋을 확률이 높다는 것은 항상 감안하고 적용하면서 수동튜닝도 병행해야 하는 것은 어쩔 수 없는 현실이다.

AI에 의해서 기존 일자리가 사라지고 프롬프트 엔지니어나 RAG생성/관리 엔지니어가 필요하게 되는 것처럼 메타러닝을 진행하는 엔지니어 일자리도 계속적으로 생겨날 것이고 이 때 머신러닝/딥러닝에 sklarn/ keras를 적용한다면 이 책을 통해서 큰 그림뿐만 아니라 세밀한 접근방법과 실전에서의 pain point가 무엇이 더 있을 수 있는 지 생각하게 해 주는 책이기 때문에 많은 개발자들에게 이 책을 추천한다.

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