- AutoML: 최소한의 기술 지식과 노력으로 모델을 만들고 학습시킵니다. AutoML에 대한 자세한 내용은 AutoML 초보자 가이드를 참조하세요.
- 커스텀 학습: ML 프레임워크를 사용하여 규모에 맞게 모델을 만들고 학습합니다. Vertex AI에서 커스텀 학습에 대한 자세한 내용은 커스텀 학습 개요를 참조하세요.
사용할 방법을 결정하는 데 도움이 필요하면 학습 방법 선택을 참조하세요.
AutoML
머신러닝(ML) 모델은 학습 데이터를 사용하여 모델이 미학습 데이터의 결과를 추론하는 방법을 배웁니다. Vertex AI에서 AutoML을 사용하면 제공한 학습 데이터에 따라 코드가 없는 모델을 빌드할 수 있습니다.
AutoML을 사용하여 빌드할 수 있는 모델 유형
빌드할 수 있는 모델 유형은 보유한 데이터 유형에 따라 달라집니다. Vertex AI는 다음 데이터 유형 및 모델 목표에 대한 AutoML 솔루션을 제공합니다.
| 데이터 유형 | 지원되는 목표 |
|---|---|
| 이미지 데이터 | 분류, 객체 감지 |
| 동영상 데이터 | 동작 인식, 분류, 객체 추적 |
| 텍스트 데이터 | 분류, 항목 추출, 감정 분석 |
| 테이블 형식 데이터 | 분류/회귀, 예측 |
AutoML 모델 학습 및 사용 워크플로는 데이터 유형 또는 목표에 관계없이 동일합니다.
- 학습 데이터를 준비합니다.
- 데이터 세트를 만듭니다.
- 모델 학습
- 모델을 평가하고 반복합니다.
- 모델에서 예측을 수행합니다.
- 예측 결과를 해석합니다.
이미지 데이터
AutoML은 머신러닝을 사용하여 이미지 데이터의 콘텐츠를 분석합니다. AutoML을 사용하여 ML 모델을 학습시켜 이미지 데이터를 분류하거나 이미지 데이터에서 객체를 찾을 수 있습니다.
Vertex AI를 사용하면 이미지 기반 모델에서 온라인 예측 및 일괄 예측을 수행할 수 있습니다. 온라인 예측은 모델 엔드포인트에 수행되는 동기식 요청입니다. 애플리케이션 입력에 대한 응답으로 요청하거나 적시의 추론이 필요한 상황에서 요청하는 경우에 온라인 예측을 사용하세요. 일괄 예측은 비동기식 요청입니다. 모델을 엔드포인트에 배포할 필요 없이 모델 리소스에서 직접 일괄 예측을 요청합니다. 이미지 데이터의 경우 즉각적인 응답이 필요하지 않고 단일 요청을 사용하여 누적된 데이터를 처리하고 싶은 경우 일괄 예측을 사용하세요.
이미지 분류
분류 모델은 이미지 데이터를 분석하고 이미지에 적용되는 콘텐츠 카테고리 목록을 반환합니다. 예를 들어, 고양이를 포함하는 이미지와 포함하지 않는 이미지를 분류하도록 모델을 학습시키거나 품종별로 고양이의 이미지를 분류하도록 모델을 학습시킬 수 있습니다.
문서: 데이터 준비 | 데이터 세트 만들기 | 모델 학습 | 모델 평가 | 예측 가져오기 | 결과 해석
이미지 객체 감지
객체 감지 모델은 이미지 데이터를 분석하고 이미지에서 발견된 모든 객체에 대한 주석을 반환합니다. 이때 각 객체의 라벨 및 경계 상자 위치로 구성됩니다. 예를 들어 이미지 데이터에서 고양이의 위치를 찾도록 모델을 학습시킬 수 있습니다.
문서: 데이터 준비 | 데이터 세트 만들기 | 모델 학습 | 모델 평가 | 예측 가져오기 | 결과 해석
테이블 형식 데이터
Vertex AI를 사용하면 간단한 프로세스와 인터페이스를 사용하여 테이블 형식의 데이터로 머신러닝을 수행할 수 있습니다. 테이블 형식 데이터 문제의 경우 다음 모델 유형을 만들 수 있습니다.
- 바이너리 분류 모델은 이진 결과(2개 클래스 중 하나)를 예측합니다. 예 또는 아니요로 답할 수 있는 질문인 경우 이 모델 유형을 사용하세요. 예를 들어 고객이 구독을 구매할지 여부를 예측하는 이진 분류 모델을 빌드할 수 있습니다. 일반적으로 이진 분류 문제는 다른 모델 유형에 비해 적은 데이터가 필요합니다.
- 다중 클래스 분류 모델은 3개 이상의 개별 클래스 중 하나를 예측합니다. 분류에 이 모델 유형을 사용합니다. 예를 들어 소매업체의 경우 다중 클래스 분류 모델을 빌드하여 고객을 여러 페르소나로 구분할 수 있습니다.
- 회귀 모델은 연속된 값을 예측합니다. 예를 들어 소매업체의 경우 회귀 모델을 빌드하여 고객이 다음 달에 지출할 비용을 예측할 수 있습니다.
- 예측 모델은 일련의 값을 예측합니다. 예를 들어 소매업체의 경우 앞으로 3개월 동안 일일 제품 수요를 예측하여 제품 인벤토리에 재고를 사전에 공급할 수 있습니다.
자세한 내용은 표 형식 데이터 개요를 참조하세요.
테이블 형식 데이터가 BigQuery ML에 저장된 경우 BigQuery ML에서 직접 AutoML 테이블 형식 모델을 학습시킬 수 있습니다. 자세한 내용은 AutoML 테이블 형식 참고 문서를 참조하세요.
텍스트 데이터
AutoML은 머신러닝을 사용하여 텍스트 데이터의 구조와 의미를 분석합니다. AutoML을 사용하여 ML 모델을 학습시켜 텍스트 데이터를 분류하거나 정보를 추출하거나 작성자의 감정을 이해할 수 있습니다.
Vertex AI를 사용하면 텍스트 기반 모델에서 온라인 예측 및 일괄 예측을 수행할 수 있습니다. 온라인 예측은 모델 엔드포인트에 수행되는 동기식 요청입니다. 애플리케이션 입력에 대한 응답으로 요청하거나 적시의 추론이 필요한 상황에서 요청하는 경우에 온라인 예측을 사용하세요. 일괄 예측은 비동기식 요청입니다. 모델을 엔드포인트에 배포할 필요 없이 모델 리소스에서 직접 일괄 예측을 요청합니다. 텍스트 데이터의 경우 즉각적인 응답이 필요하지 않고 단일 요청을 사용하여 누적된 데이터를 처리하고 싶은 경우 일괄 예측을 사용하세요.
텍스트 분류
분류 모델은 텍스트 데이터를 분석하고 데이터에서 찾은 텍스트에 적용되는 카테고리 목록을 반환합니다. Vertex AI는 단일 라벨 및 멀티 라벨 텍스트 분류 모델을 모두 제공합니다.
문서: 데이터 준비 | 데이터 세트 만들기 | 모델 학습 | 모델 평가 | 예측 가져오기 | 결과 해석
텍스트 항목 추출
항목 추출 모델은 데이터에서 참조된 알려진 항목의 텍스트 데이터를 검사하고 텍스트의 해당 항목에 라벨을 지정합니다.
문서: 데이터 준비 | 데이터 세트 만들기 | 모델 학습 | 모델 평가 | 예측 가져오기 | 결과 해석
텍스트 감정 분석
감정 분석 모델은 텍스트 데이터를 검사하고 텍스트 데이터 내의 주도적인 감정적 상태를 식별하여 작성자의 태도가 긍정적인지, 부정적인지 또는 중립적인지를 판단합니다.
문서: 데이터 준비 | 데이터 세트 만들기 | 모델 학습 | 모델 평가 | 예측 가져오기 | 결과 해석
동영상 데이터
AutoML은 머신러닝을 사용하여 동영상 데이터를 분석하고 장면과 세그먼트를 분류하거나 동영상 데이터의 여러 객체를 감지하고 추적합니다.
동영상 동작 인식
동작 인식 모델은 동영상 데이터를 분석하고 동작이 발생한 순간과 함께 분류된 동작 목록을 반환합니다. 예를 들어 동영상 데이터를 분석하여 축구 득점, 골프 스윙, 터치다운 또는 하이파이브 등이 발생한 동작 순간을 식별하도록 모델을 학습시킬 수 있습니다.
문서: 데이터 준비 | 데이터 세트 만들기 | 모델 학습 | 모델 평가 | 예측 가져오기 | 결과 해석
동영상 분류
분류 모델은 동영상 데이터를 분석하고 분류된 장면 및 세그먼트 목록을 반환합니다. 예를 들어 동영상 데이터를 분석하여 동영상이 야구, 축구, 농구, 미식축구 경기 중 어떤 것인지 식별하도록 모델을 학습시킬 수 있습니다.
문서: 데이터 준비 | 데이터 세트 만들기 | 모델 학습 | 모델 평가 | 예측 가져오기 | 결과 해석
동영상 객체 추적
객체 추적 모델은 동영상 데이터를 분석하고 이러한 객체가 감지된 장면 및 세그먼트 목록을 반환합니다. 예를 들어, 축구 경기 동영상 데이터를 분석하여 공을 식별하고 추적하도록 모델을 학습시킬 수 있습니다.
문서: 데이터 준비 | 데이터 세트 만들기 | 모델 학습 | 모델 평가 | 예측 가져오기 | 결과 해석
커스텀 학습
AutoML 솔루션으로 요구가 해결되지 않으면 자체 학습 애플리케이션을 만들고 이를 사용해서 Vertex AI에서 커스텀 모델을 학습시킬 수도 있습니다. 원하는 ML 프레임워크를 사용하고 다음을 포함하여 학습에 사용할 컴퓨팅 리소스를 구성할 수 있습니다.
- VM 유형 및 개수
- 그래픽 처리 장치(GPU)
- Tensor Processing Unit(TPU)
- 부팅 디스크의 유형 및 크기
Vertex AI에서 커스텀 학습에 대한 자세한 내용은 커스텀 학습 개요를 참조하세요.