| 1 |
1
자동 기계학습 서비스 제공 시스템에서 사용자 단말로 자동기계 학습 지원을 가능하게 하는 자동 기계학습 서비스 제공 방법으로서,상기 사용자 단말로부터 학습 태스크 및 기계학습 자원 구성 정보를 수신하는 단계,상기 기계학습 자원 구성 정보에 기초하여, 기계학습 자원을 구성하는 단계, 그리고상기 학습 태스크에 따라 상기 구성된 기계학습 자원을 이용하여 수행된 기계학습 결과를 상기 사용자 단말로 전송하는 단계를 포함하는 자동 기계학습 서비스 제공 방법
|
| 2 |
2
제1항에서,상기 구성하는 단계는 상기 기계학습 자원 구성 정보에 기초하여, 기계학습을 진행할 기계학습 플랫폼과 상기 기계학습에 사용할 학습 데이터가 저장된 데이터 저장 장치와 연결을 설정하는 단계를 포함하는 자동 기계학습 서비스 제공 방법
|
| 3 |
3
제2항에서,상기 전송하는 단계는 상기 데이터 저장 장치로부터 수집한 학습 데이터의 특성을 도출하는 단계, 상기 학습 태스크에 적합한 학습 모델 및 하이퍼파라미터를 도출하는 단계, 상기 학습 데이터의 특성, 상기 학습 모델 및 하이퍼파라미터를 상기 기계학습 플랫폼으로 전송하는 단계, 상기 기계학습 플랫폼으로부터 상기 학습 데이터의 특성, 상기 학습 모델 및 하이퍼파라미터를 토대로 수행된 학습 결과를 수신하는 단계, 그리고상기 사용자 단말로 학습 진행 정보를 전송하는 단계를 포함하는 자동 기계학습 서비스 제공 방법
|
| 4 |
4
제3항에서,상기 학습 결과를 수신하는 단계는 상기 학습 결과를 토대로 상기 학습 모델의 학습을 검증하는 단계, 그리고학습 이상이 발생하는 경우, 학습 중지를 상기 기계학습 플랫폼으로 전송하는 단계를 포함하는 자동 기계학습 서비스 제공 방법
|
| 5 |
5
제3항에서,상기 전송하는 단계는 상기 사용자 단말로부터 입력된 목표 성능 값에 도달할 때까지 상기 학습 모델 및 하이퍼파라미터를 도출하는 단계, 상기 기계학습 플랫폼으로 전송하는 단계, 상기 학습 결과를 수신하는 단계, 그리고 상기 학습 진행 정보를 전송하는 단계를 반복 수행하는 단계를 포함하는 자동 기계학습 서비스 제공 방법
|
| 6 |
6
제1항에서,상기 구성하는 단계는 상기 학습 데이터의 특성 도출을 위한 AFE(Automatic Feature Engineering) 알고리즘, 상기 학습 모델의 도출을 위한 NAS(Neural Architecture Search) 알고리즘 및 상기 하이퍼파라미터의 도출을 위한 HPO(Hyperparameter Optimization) 알고리즘의 조합을 분석하는 단계, 그리고 분석 결과를 토대로 최적의 AFE 정책, NAS 정책 및 HPO 정책을 상기 사용자 단말로 제공하는 단계를 포함하는 자동 기계학습 서비스 제공 방법
|
| 7 |
7
제6항에서,상기 구성하는 단계는 상기 사용자 단말로부터 수집되는 학습 결과 로그 정보를 토대로 상기 최적의 AFE 정책, NAS 정책 및 HPO 정책을 업데이트하는 단계를 더 포함하는 자동 기계학습 서비스 제공 방법
|
| 8 |
8
제1항에서,상기 사용자 단말의 요청에 따라 상기 기계학습 자원의 구성을 변경하는 단계를 더 포함하는 자동 기계학습 서비스 제공 방법
|
| 9 |
9
제1항에서,상기 사용자 단말의 요청에 따라 상기 학습 데이터의 특성 도출, 상기 학습 모델의 도출 및 상기 하이퍼파라미터의 도출을 위해 사용되는 알고리즘을 업데이트하는 단계를 더 포함하는 자동 기계학습 서비스 제공 방법
|
| 10 |
10
사용자 단말로 자동기계 학습 지원을 가능하게 하는 자동 기계학습 서비스 제공 시스템으로서,상기 사용자 단말로부터 입력되는 기계학습 자원 구성 정보에 따라 기계학습을 진행할 기계학습 플랫폼과 기계학습에 사용할 학습 데이터가 저장된 데이터 저장 장치를 구성하는 자원 구성부, 상기 사용자 단말로부터 입력되는 학습 태스크에 따라 상기 기계학습에서 수행할 태스크를 설정하는 태스크 설정부, 그리고상기 기계학습 자원 구성 정보 및 상기 학습 태스크에 기초하여, 상기 데이터 저장 장치로부터 수집한 학습 데이터의 특징과 학습 모델 및 하이퍼파라미터를 도출하고, 상기 기계학습 플랫폼으로부터 상기 학습 데이터의 특징, 상기 학습 모델 및 하이퍼파라미터를 토대로 수행된 학습 결과를 모니터링하는 자동 기계학습 코어를 포함하는 자동 기계학습 서비스 제공 시스템
|
| 11 |
11
제10항에서,상기 자동 기계학습 코어는 상기 데이터 저장 장치로부터 수집된 학습 데이터의 특성 분석을 수행하는 AFE(Automatic Feature Engineering) 처리부, 상기 기계학습에서 학습을 제어하는 하이퍼파라미터를 최적화하는 HPO(Hyperparameter Optimization) 처리부, 상기 기계학습에서 사용되는 학습 모델을 도출하는 NAS(Neural Architecture Search) 처리부, 그리고상기 학습 모델의 학습 결과를 검증하고 상기 학습 모델의 학습을 가속화하는 학습 검증 및 가속화부를 포함하는 자동 기계학습 서비스 제공 시스템
|
| 12 |
12
제11항에서,상기 학습 검증 및 가속화부는 상기 기계학습 플랫폼에서 수행된 상기 학습 모델의 학습 결과를 토대로 상기 기계학습 플랫폼으로 상기 학습 모델의 학습 중단을 요청하는 자동 기계학습 서비스 제공 시스템
|
| 13 |
13
제11항에서,상기 자동 기계학습 코어는 상기 학습 데이터의 특성 도출을 위한 AFE 알고리즘, 상기 학습 모델의 도출을 위한 NAS 알고리즘 및 상기 하이퍼파라미터의 도출을 위한 HPO 알고리즘의 조합을 분석하여 최적의 기계학습 정책을 상기 사용자 단말로 제공하는 최적 정책 추천부를 더 포함하는 자동 기계학습 서비스 제공 시스템
|
| 14 |
14
제13항에서,상기 AFE 알고리즘, 상기 NAS 알고리즘 및 상기 HPO 알고리즘을 관리하는 코어 관리부를 더 포함하는 자동 기계학습 서비스 제공 시스템
|
| 15 |
15
제13항에서,상기 자동 기계학습 코어는 상기 사용자 단말로부터 학습 결과 로그 정보를 수집하는 로그 수집부를 더 포함하고,상기 최적 정책 추천부는 상기 학습 결과 로그 정보를 토대로 상기 최적의 기계학습 정책을 업데이트하는 자동 기계학습 서비스 제공 시스템
|
| 16 |
16
제10항에서,상기 자원 구성부는 상기 사용자 단말의 요청에 따라 기계학습 플랫폼을 변경하는 구성을 변경하는 자동 기계학습 서비스 제공 시스템
|
