머신 러닝이란 무엇인가요?What is machine learning?

머신 러닝은 컴퓨터에서 기존 데이터를 사용하여 미래 동작, 결과 및 추세를 예측하는 데이터 과학 기술입니다.Machine learning is a data science technique that allows computers to use existing data to forecast future behaviors, outcomes, and trends. 머신 러닝을 사용하면 컴퓨터에서 명시적으로 프로그래밍하지 않고 학습합니다.By using machine learning, computers learn without being explicitly programmed. 기계 학습 도구는 패턴을 식별 하 고 데이터 환경에서 연결을 만드는 기능을 제공 하는 AI 시스템을 사용 합니다.Machine learning tools use AI systems which provide the ability to identify patterns and create associations from experience with the data.

자동화 된 기계 학습 예측 또는 예측을 통해 응용 프로그램 및 장치를 보다 효율적으로 만들 수 있습니다.Automated machine learning forecasts or predictions can make applications and devices smarter. 온라인 쇼핑을 예로 들면, 머신 러닝은 사용자가 구매한 제품에 따라 좋아할 만한 다른 제품을 추천하는 데 도움이 됩니다.For example, when you shop online, machine learning helps recommend other products you might want based on what you've bought. 또는 신용 카드를 읽을 때 머신 러닝은 해당 거래를 거래 데이터베이스와 비교하여 부정 행위를 검색하는 데 도움을 줍니다.Or when your credit card is swiped, machine learning compares the transaction to a database of transactions and helps detect fraud. 또한 로봇 진공 청소기가 방을 청소할 때, 머신 러닝은 작업이 완료되었는지 여부를 판단하도록 해줍니다.And when your robot vacuum cleaner vacuums a room, machine learning helps it decide whether the job is done.

각 작업에 적합한 기계 학습 도구Machine learning tools to fit each task

Azure Machine Learning은 개발자와 데이터 과학자에게 다음을 비롯한 기계 학습 워크플로에 필요한 모든 도구를 제공합니다.Azure Machine Learning provides all the tools developers and data scientists need for their machine learning workflows, including:

Mlflow를 사용 하 여 메트릭을 추적 하 고 모델 또는 kubeflow 를 배포 하 여 종단 간 워크플로 파이프라인을 빌드할 수도 있습니다.You can even use MLflow to track metrics and deploy models or kubeflow to build end-to-end workflow pipelines.

Python 또는 R에서 기계 학습 모델 빌드Build machine learning models in Python or R

Azure Machine Learning Python SDK 또는 R SDK를 사용하여 로컬 머신에서 학습을 시작한 다음,Start training on your local machine using the Azure Machine Learning Python SDK or R SDK. 클라우드로 확장할 수 있습니다.Then, you can scale out to the cloud. 계산 및 Azure DatabricksAzure Machine Learning와 같은 사용 가능한 여러 계산 대상과 고급 하이퍼 매개 변수 튜닝 서비스를 사용 하면 클라우드의 기능을 사용 하 여 더 나은 모델을 더 빠르게 빌드할 수 있습니다.With many available compute targets, like Azure Machine Learning compute and Azure Databricks, and with advanced hyperparameter tuning services, you can build better models faster by using the power of the cloud. SDK를 사용하여 모델 학습 및 튜닝을 자동화할 수도 있습니다.You can also automate model training and tuning using the SDK.

코드 없는 도구를 사용 하 여 기계 학습 모델 빌드Build machine learning models with no-code tools

코드를 작성할 필요가 전혀 또는 거의 없는 학습 및 배포를 위해 다음 도구를 사용해 보세요.For code-free or low-code training and deployment, try:

  • Azure Machine Learning 디자이너(미리 보기)Azure Machine Learning designer (preview)

    이 디자이너를 사용하면 코드를 전혀 작성하지 않고도 기계 학습 모델의 데이터 준비, 교육, 테스트, 배포, 관리 및 추적을 수행할 수 있습니다.Use the designer to prep data, train, test, deploy, manage, and track machine learning models without writing any code. 프로그래밍이 필요하지 않으며, 데이터 세트와 모듈을 시각적으로 연결하여 모델을 구성할 수 있습니다.There is no programming required, you visually connect datasets and modules to construct your model. 디자이너 자습서를 사용해 보세요.Try out the designer tutorial.

    자세한 내용은 Azure Machine Learning 디자이너 개요 문서를 참조하세요.Learn more in the Azure Machine Learning designer overview article.

  • AutoML (자동화 된 기계 학습) UIAutomated machine learning (AutoML) UI

    사용 하기 쉬운 인터페이스에서 Automl 실험 을 만드는 방법에 대해 알아봅니다.Learn how to create AutoML experiments in the easy-to-use interface.

MLOps: 배포 및 수명 주기 관리MLOps: Deploy and lifecycle management

MLOps (Machine learning operations)는 워크플로의 효율성을 높이는 Devops 원칙 및 사례를 기반으로 합니다.Machine learning operations (MLOps) is based on DevOps principles and practices that increase the efficiency of workflows. 예를 들어 지속적인 통합, 배달 및 배포입니다.For example, continuous integration, delivery, and deployment. MLOps는 다음과 같은 목표를 사용 하 여 이러한 원칙을 기계 학습 프로세스에 적용 합니다.MLOps applies these principles to the machine learning process, with the goal of:

  • 모델의 실험 및 개발 속도 향상Faster experimentation and development of models
  • 프로덕션 환경에 더 빠르게 모델 배포Faster deployment of models into production
  • 품질 보증Quality assurance

적합한 모델이 있는 경우 웹 서비스, IoT 디바이스 또는 Power BI에서 해당 모델을 쉽게 사용할 수 있습니다.When you have the right model, you can easily use it in a web service, on an IoT device, or from Power BI. 자세한 내용은 Azure Machine Learning를 사용 하 여 모델 배포를 참조 하세요.For more information, see Deploy models with Azure Machine Learning.

그런 다음 Python, Azure Machine Learning studio또는 Machine Learning CLI 용 Azure Machine Learning SDK를 사용 하 여 배포 된 모델을 관리할 수 있습니다.Then you can manage your deployed models by using the Azure Machine Learning SDK for Python, Azure Machine Learning studio, or the Machine learning CLI.

이러한 모델을 사용 하 여 실시간 으로 예측을 반환 하거나 많은 양의 데이터에 대해 비동기적 으로 예측할 수 있습니다.These models can be consumed and return predictions in Real time or asynchronously on large quantities of data.

또한 고급 기계 학습 파이프라인을 사용하여 데이터 준비부터 모델 학습, 평가 및 배포까지 각 단계에서 공동 작업을 수행할 수 있습니다.And with advanced machine learning pipelines, you can collaborate on each step from data preparation, model training and evaluation, through deployment. 파이프라인을 통해 다음을 수행할 수 있습니다.Pipelines allow you to:

  • 클라우드에서 엔드투엔드 기계 학습 프로세스 자동화Automate the end-to-end machine learning process in the cloud
  • 구성 요소를 다시 사용하고 필요한 경우에만 단계를 다시 실행Reuse components and only rerun steps when needed
  • 각 단계에서 다른 컴퓨팅 리소스 사용Use different compute resources in each step
  • 일괄 처리 점수 매기기 작업 실행Run batch scoring tasks

스크립트를 사용 하 여 기계 학습 워크플로를 자동화 하려는 경우 machine LEARNING CLI 는 학습 실행 또는 모델 배포와 같은 일반적인 작업을 수행 하는 명령줄 도구를 제공 합니다.If you want to use scripts to automate your machine learning workflow, the Machine learning CLI provides command-line tools that perform common tasks, such as submitting a training run or deploying a model.

Azure Machine Learning을 시작하려면 다음 단계를 참조하세요.To get started using Azure Machine Learning, see Next steps.

자동화된 Machine LearningAutomated Machine Learning

데이터 과학자 실험 단계 동안 모델을 반복 해 서 과도 합니다.Data scientists spend an inordinate amount of time iterating over models during the experimentation phase. 허용 되는 모델이 빌드될 때까지 다른 알고리즘 및 하이퍼 매개 변수 조합을 사용 하는 전체 프로세스는 단조로운 및 비 까다로운 작업으로 인 한 데이터 과학자에 매우 처리 시간이 소모.The whole process of trying out different algorithms and hyperparameter combinations until an acceptable model is built is extremely taxing for data scientists, due to the monotonous and non-challenging nature of work. 이는 모델 효율성 측면에서 큰 이득을 얻는 연습 이지만 시간 및 리소스 측면에서 비용이 많이 듭니다. 따라서 ROI (투자 수익률)가 음수가 될 수 있습니다.While this is an exercise that yields massive gains in terms of the model efficacy, it sometimes costs too much in terms of time and resources and thus may have a negative return on investment (ROI).

자동 기계 학습 (AutoML)이 제공 되는 위치입니다.This is where automated machine learning (AutoML) comes in. 확률 matrix 인수분해의 연구 백서에 있는 개념을 사용 하 고 제공 된 문제 또는 시나리오를 고려 하 여 제공 되는 데이터 추론을 기반으로 지능적으로 선택 된 알고리즘 및 hypermeter 설정 시도의 자동화 된 파이프라인을 구현 합니다.It uses the concepts from the research paper on probabilistic matrix factorization and implements an automated pipeline of trying out intelligently-selected algorithms and hypermeter settings, based on the heuristics of the data presented, keeping into consideration the given problem or scenario. 이 파이프라인의 결과는 지정 된 문제 및 데이터 집합에 가장 적합 한 모델 집합입니다.The result of this pipeline is a set of models that are best suited for the given problem and dataset.

AutoML에 대 한 자세한 내용은 Azure Machine Learning을 참조 하세요.For more information on AutoML, see AutoML and MLOps with Azure Machine Learning.

Responsible MLResponsible ML

AI 시스템을 개발하고 사용하는 동안에는 신뢰가 중심이 되어야 합니다.Throughout the development and use of AI systems, trust must be at the core. 플랫폼, 프로세스 및 모델을 신뢰하세요.Trust in the platform, process, and models. AI와 자치 시스템은 모두 사회의 패브릭에 통합 되므로 이러한 기술의 의도 하지 않은 결과를 예측 하 고 완화 하는 작업을 사전에 수행 하는 것이 중요 합니다.As AI and autonomous systems integrate more into the fabric of society, it's important to proactively make an effort to anticipate and mitigate the unintended consequences of these technologies.

  • 모델을 이해 하 고 공평 하 게 빌드: 모델 동작을 설명 하 고 예측에 가장 많은 영향을 주는 기능을 파악 합니다.Understand your models and build for fairness: Explain model behavior and uncover features that have the most impact on predictions. 모델 학습 및 유추 중에 투명 상자와 블랙 박스 모델 모두에 기본 제공 explainers를 사용 합니다.Use built-in explainers for both glass-box and black-box models during model training and inference. 대화형 시각화를 사용 하 여 모델을 비교 하 고 what-if 분석을 수행 하 여 모델 정확도를 향상 시킵니다.Use interactive visualizations to compare models and perform what-if analysis to improve model accuracy. 최신 알고리즘을 사용 하 여 모델을 공평 하 게 테스트 합니다.Test your models for fairness using state-of-the-art algorithms. 기계 학습 수명 주기 전체에서의 공평도를 완화 하 고, 완화 된 모델을 비교 하 고, 필요에 따라 의도적으로 균형을 유지 해야 합니다.Mitigate unfairness throughout the machine learning lifecycle, compare mitigated models, and make intentional fairness versus accuracy trade-offs as desired.
  • 데이터 개인 정보 보호 및 기밀성: 중요 한 정보가 공개 되는 것을 제한 하기 위해 데이터에 정확한 통계 노이즈 수준을 삽입 하는 차등 개인 정보에 대 한 최신 혁신을 통해 개인 정보를 유지 하는 모델을 작성 합니다.Protect data privacy and confidentiality: Build models that preserve privacy using the latest innovations in differential privacy, which injects precise levels of statistical noise in data to limit the disclosure of sensitive information. 데이터 누수를 식별 하 고 반복 쿼리를 지능적으로 제한 하 여 노출 위험을 관리 합니다.Identify data leaks and intelligently limit repeat queries to manage exposure risk. 기밀 데이터를 사용 하 여 모델을 안전 하 게 작성 하기 위해 machine learning을 위해 특별히 설계 된 암호화 및 기밀 machine learning (출시 예정) 기법을 사용 합니다.Use encryption and confidential machine learning (coming soon) techniques specifically designed for machine learning to securely build models using confidential data.
  • 기계 학습 프로세스의 모든 단계를 제어 하 고 제어 합니다. 기계 학습 수명 주기 전반에 걸쳐 자동으로 계보를 추적 하 고 감사 평가판을 만들기 위한 기본 제공 기능에 액세스 합니다.Control and govern through every step of the machine learning process: Access built-in capabilities to automatically track lineage and create an audit trial across the machine learning lifecycle. 데이터 집합, 모델, 실험, 코드 등을 추적 하 여 기계 학습 프로세스를 완벽 하 게 파악할 가능성이 있습니다.Obtain full visibility into the machine learning process by tracking datasets, models, experiments, code, and more. 사용자 지정 태그를 사용 하 여 모델 데이터 시트를 구현 하 고, 주요 모델 메타 데이터를 문서화 하 고, 책임을 늘리고, 책임이 있습니다.Use custom tags to implement model data sheets, document key model metadata, increase accountability, and ensure responsible process.

담당 ML을 구현 하는 방법에 대해 자세히 알아보세요.Learn more about how to implement Responsible ML.

다른 서비스와 통합Integration with other services

Azure Machine Learning은 Azure platform의 다른 서비스와 함께 작동 하며 Git 및 MLflow와 같은 오픈 소스 도구와도 통합 됩니다.Azure Machine Learning works with other services on the Azure platform, and also integrates with open-source tools such as Git and MLflow.

다음 단계Next steps