Vertex AI Vizier는 복잡한 머신러닝(ML) 모델에서 초매개변수를 미세 조정할 수 있는 블랙박스 최적화 서비스입니다. ML 모델에 다양한 초매개변수가 있는 경우 일일이 미세 조정하기가 어렵고 시간이 오래 걸릴 수 있습니다. Vertex AI Vizier는 초매개변수를 미세 조정하여 모델 출력을 최적화합니다.
일반적으로 시스템의 복잡성으로 인해 목적 함수를 사용하여 평가하기엔 너무 많은 비용이 드는 경우
추가 Vertex AI Vizier 기능
Vertex AI Vizier는 ML 모델의 초매개변수를 최적화하지만 다른 최적화 작업도 수행할 수 있습니다.
매개변수 미세 조정
Vertex AI 를 사용하면 함수에서 매개변수를 효과적으로 조정할 수 있습니다. 예를 들어 Vertex AI Vizier를 사용하여 뉴스 웹사이트의 구독 버튼에 배경색, 글꼴 크기, 링크 색상의 가장 효과적인 조합을 결정할 수 있습니다. 더 많은 예시는 사용 사례를 참조하세요.
Vertex AI Vizier는 폐쇄형 분석 함수로 표현될 수 없는 시스템을 포함하여 평가 가능한 모든 시스템에서 작동합니다.
예를 들어 Vertex AI Vizier를 사용하여 TensorFlow 모델에 가장 적합한 신경망 깊이, 너비, 학습률을 찾습니다.
Vertex AI Vizier 작동 방법
다음 섹션에서는 ML 모델 또는 함수를 최적화하기 위해 Vertex AI Vizier에 사용할 수 있는 용어, 동작, 사용 가능한 값을 정의합니다.
먼저 학습 구성을 결정합니다.
학습 구성
학습 구성은 해결하려는 최적화 문제의 정의입니다. 여기에는 최적화할 결과 혹은 해당 결과에 영향을 미치는 초매개변수 또는 매개변수가 포함됩니다.
학습 및 시도
학습은 학습 구성의 구현입니다. 학습에서는 학습 구성의 목표(측정항목)와 입력 값(초매개변수 또는 매개변수)을 사용하여 시도라는 실험을 수행합니다. 시도는 목표에 대한 측정된 결과를 산출하는 입력 값의 특정한 집합입니다.
Vertex AI Vizier는 각 시도에 사용할 입력 값을 제안하지만 자동으로 시도를 실행하지는 않습니다.
학습은 설정된 시도 한도에 도달하거나 학습을 중단할 때까지 계속됩니다. 시도는 완료되거나 실행 가능하지 않은 것으로 표시될 때까지 계속됩니다.
측정
측정값은 측정된 시도 결과입니다. 각 측정값에는 측정항목이 하나 이상 포함될 수 있으며 각 시도에는 특정 기간 동안 수집된 측정값이 하나 이상 포함될 수 있습니다. 시도가 완료되기 전에 언제든지 시도에 새 측정값을 추가할 수 있습니다.
검색 알고리즘
알고리즘을 지정하지 않으면 Vertex AI Vizier는 기본 알고리즘을 사용합니다. 기본 알고리즘은 매개변수 공간으로 검색이 보다 효율적인 최적 솔루션에 도달할 수 있도록 Bayesian 최적화를 적용합니다.
사용할 수 있는 값은 다음과 같습니다.
ALGORITHM_UNSPECIFIED: 알고리즘을 지정하지 않는 것과 같습니다.
Vertex AI가 가우시안 프로세스 밴딧, 선형 조합 검색, 해당 변형 중에서 최적의 검색 알고리즘을 선택합니다.
GRID_SEARCH: 가능한 공간 내에서 단순 그리드 검색을 수행합니다. 이 옵션은 가능한 공간의 포인트 수보다 큰 시도 수를 지정할 때 유용합니다. 이러한 경우 그리드 검색을 지정하지 않으면 기본 알고리즘이 중복 제안을 생성할 수 있습니다. 그리드 검색을 사용하려면 모든 매개변수는 INTEGER, CATEGORICAL 또는 DISCRETE 유형이어야 합니다.
RANDOM_SEARCH: 가능한 공간 내에서 단순 무작위 검색을 수행합니다.
Vertex AI Vizier와 커스텀 학습의 차이점
Vertex AI Vizier는 여러 매개변수가 포함된 복잡한 모델을 최적화하기 위한 독립형 서비스입니다. ML 및 비ML 사용 사례 모두 사용될 수 있습니다. 학습 작업 또는 다른 시스템(심지어 멀티 클라우드)에서도 사용될 수 있습니다.
커스텀 학습을 위한 초매개변수 조정은 학습 작업을 위해 Vertex AI Vizier를 사용하는 기본 제공 기능입니다. 이 기능은 ML 모델에 대해 최상의 초매개변수 설정을 확인하는 데 도움을 줍니다.
사용 사례
다음 시나리오에서 Vertex AI Vizier는 모델 최적화를 위한 초매개변수 조정 또는 결과 최적화를 위한 매개변수 조정을 도와줍니다.
[[["이해하기 쉬움","easyToUnderstand","thumb-up"],["문제가 해결됨","solvedMyProblem","thumb-up"],["기타","otherUp","thumb-up"]],[["이해하기 어려움","hardToUnderstand","thumb-down"],["잘못된 정보 또는 샘플 코드","incorrectInformationOrSampleCode","thumb-down"],["필요한 정보/샘플이 없음","missingTheInformationSamplesINeed","thumb-down"],["번역 문제","translationIssue","thumb-down"],["기타","otherDown","thumb-down"]],["최종 업데이트: 2025-06-16(UTC)"],[],[],null,["# Vertex AI Vizier overview\n\nVertex AI Vizier is a tool for optimizing any system with configurable\nparameters where evaluating any given parameter settings is an expensive task.\nWhen ML models have many different hyperparameters, it can\nbe difficult and time consuming to tune them manually. Vertex AI Vizier\noptimizes your model's output by tuning the hyperparameters for\nyou.\n\n*Black-box optimization* is the optimization of a system that meets\neither of the following criteria:\n\n- Doesn't have a known [objective\n function](https://developers.google.com/machine-learning/glossary#objective-function)\n to evaluate.\n\n- Is too costly to evaluate by using the objective function, usually due to\n the complexity of the system.\n\nAdditional Vertex AI Vizier functionality\n-----------------------------------------\n\nVertex AI Vizier optimizes hyperparameters of ML models, but it can also\nperform other optimization tasks.\n\n### Tune parameters\n\nYou can use Vertex AI Vizier to effectively tune parameters\nin a function. For example, use Vertex AI Vizier to determine the\nmost effective combination of background color, font size, and\nlink color on a news website's Subscription button. For more examples,\nsee the [use cases](#use-cases).\n\n[Read about the difference between hyperparameters and\nparameters](/vertex-ai/docs/training/hyperparameter-tuning-overview).\n\n### Optimize any evaluable system\n\nVertex AI Vizier works with any\nsystem that you can evaluate, including systems\nthat can't be expressed as a closed-form analytical function.\nFor example, use\nVertex AI Vizier to find the best neural network\ndepth, width, and learning rate for a TensorFlow\nmodel.\n\nHow Vertex AI Vizier works\n--------------------------\n\nThe following sections define terms, behavior, and available values that you\ncan use with Vertex AI Vizier to optimize your ML model or function.\nStart by determining a [study\nconfiguration](/vertex-ai/docs/reference/rest/v1/projects.locations.studies).\n\n### Study configurations\n\nA *study configuration* is the definition of the optimization problem\nthat you are trying to solve. It includes the\nresult you would like to optimize and the\nhyperparameters or parameters that affect that result.\n\n### Studies and trials\n\nA *study* is the implementation of a study configuration. A\nstudy uses the study configuration's goals (metrics) and input values\n(hyperparameters or parameters) to conduct experiments,\ncalled trials. A *trial* is a specific set of input values that produce a\nmeasured outcome relative to your goals.\n\nVertex AI Vizier suggests input values to use for each trial\nbut it does not run trials for you.\n\nA study continues\nuntil it reaches a set limit of trials, or you interrupt the study. A trial\ncontinues\nuntil you indicate that it is either finished or infeasible.\n\n### Measurements\n\nA *measurement* is the measured outcome of your trial. Each measurement can\ncontain one or more metrics, and each trial can contain one or more\nmeasurements taken over a period of time. You can add a new measurement to\nthe trial at any point before the trial is completed.\n\n### Search algorithms\n\nIf you don't specify an algorithm, Vertex AI Vizier uses the default\nalgorithm. The default algorithm applies Bayesian optimization to arrive at\nthe optimal solution with a more effective search over the parameter space.\n\nThe following values are available:\n\n- `ALGORITHM_UNSPECIFIED`: Same as not specifying an algorithm.\n Vertex AI chooses the best search algorithm between Gaussian\n process bandits, linear combination search, or their variants.\n\n- `GRID_SEARCH`: A simple grid search within the feasible space. This option is\n useful if you want to specify a quantity of trials that is\n greater than the number of points in the feasible space. In such cases, if\n you do not specify a grid search, the default\n algorithm can generate duplicate suggestions. To use grid search, all\n parameters must be of type `INTEGER`, `CATEGORICAL`, or `DISCRETE`.\n\n- `RANDOM_SEARCH`: A simple random search within the feasible space.\n\nHow Vertex AI Vizier differs from custom training\n-------------------------------------------------\n\nVertex AI Vizier is an independent service for optimizing complex models\nwith many parameters. It can be used for both ML and non-ML use cases. It can\nbe used with Training jobs or with other systems (even multicloud).\n[Hyperparameter tuning for custom\ntraining](/vertex-ai/docs/training/hyperparameter-tuning-overview) is a built-in feature\nthat uses Vertex AI Vizier for training jobs. It helps determine the best hyperparameter\nsettings for an ML model.\n\nUse cases\n---------\n\nIn the following scenarios, Vertex AI Vizier helps tune hyperparameters\nto optimize a model or tune parameters to optimize an outcome:\n\n- Optimize the learning rate, batch size, and other hyperparameters\n of a neural network recommendation engine.\n\n- Optimize usability of an application by testing different arrangements of\n user interface elements.\n\n- Minimize computing resources for a job by identifying an ideal buffer size\n and thread count.\n\n- Optimize the amounts of ingredients in a recipe to produce the\n most delicious version.\n\nWhat's next\n-----------\n\n- To learn more about how Vertex AI Vizier tunes multi-objective functions, see [Random Hypervolume Scalarizations for Provable Multi-Objective Black Box Optimization](https://arxiv.org/abs/2006.04655)."]]
