웨비나속 Q&A

SAS플랫폼이 생성한 모델에 대해 셀프러닝을 위한 배치 API가 제공해 주므로 적용을 위한 기술적인 장벽을 낮출 수 있습니다.

셀프러닝 과정은 여러개의 분석 파이프라인 및 오토튜닝 등이 적용되므로 단순한 분석프로세스으로만 학습되는 것이 아니기 때문에 모델링을 하기위한 여러가지 Trial & error를 거칠 수 있도록 다양한 파이프라인을 거쳐서 최적의 모델을 재선정하는 과정이므로 충분히 여러개의 모델을 적용하므로 어렵지 않게 적용 할 수 있습니다.

SAS AI플랫폼은 특정비즈니스 영역에만 한정되는 비즈니스 솔루션이 아니라 다양한 업무에 활용이 가능한 범용 플랫폼입니다. 사용자가 적절하게 활용 할 수 있도록 SAS전문 교육센터를 통한 오프라인 교육과 온라인 교육이 모두 제공됩니다.

피처머신노드는 파이프라인으로도 사용가능하고 프로그램방식으로도 사용 가능합니다. 또한 SAS 플랫폼에서는 이러한 모든 기능들이 내장되어 있어 이러한 결과를 운영할 때도 DBMS나 하둡 그리고 배치 프로세스나 실시간 스코어링에도 적용 가능합니다.

Selflearning 과정을 수동으로 선택할 수도 있고 일정한 시간간격에 따라 수행되도록 (Batch형태)로 지정 할 수 있습니다. 모델을 재학습하기 위해서는 어느정도 데이터가 축적이 된후에 하는 것이 효과적이므로 실시간 학습 보다는 일정간격의 배치형태의 셀프러닝이 효과적입니다. 다만 스코어링의 경우는 실시간으로 가능합니다.

SAS의 AutoML은 한번 생성후 분석가가 개입할 수 있는 white box입니다. 자동파이프라인 생성 등을 통해서 ML모델의 프로트타입을 생성후 다양한 옵션 조정 및 비즈니스 관점에 따른 수정보완이 가능합니다.

SAS AutoML은 Selflearning 이 가능하므로 새로운 데이터 유입시 이를 반영하여 지속적으로 자동으로 모델을 업데이트하도록 할 수있습니다.

결과에 대한 만족도는 정확도와 모형 개발에 들이는 노력의 정도로 생각할 수 있습니다. 이때 AutoML은 들이는 노력은 가장 적지만 정확도가 가장 높은 모델이라고 할 수는 없습니다. 따라서 AutoML과 Data Scientist가 코웍할 때 가장 좋은 모형을 손쉽게 만들고 쉽게 운영할 수 있게 됩니다.

물론 대용량 데이터에 머신러닝을 적용하는데 하드웨어 성능도 중요한 요소입니다. 비용의 관점에서 보면 처음엔 비교적 작은 인프라 환경에서 시작하고, 향후 데이터나 사용자가 증가했을 때 서버의 노드나 GPU 증설을 통해 성능 확장성이 보장되는 플랫폼을 도입하는 것이 중요합니다.

금융업에서 마케팅이나 리스크에서 일반적으로 사용하는 모델 전반에 적용할 수 있습니다. AutoML을 이용하면 모델을 손쉽게 만들고 유지 운영할 수 있기 때문에 효율적입니다.

모델의 성능이나 시간은 데이터 및 주제에 따라 다르지만 SAS AutoML을 통해 모델링에 소요되는 시간을 수개월에서 수일로 단축할 수 있습니다. 실제 기존 오픈소스로 개뱔된 모델을 SAS AutoML을 적용하여 모델링 한 결과 모델 성능이 30% 에서 크게는 2배 가까이 향상된 사례가 있습니다.

화상기반접속이 어려운 환경에서는 이미 많은 서비스에서 활용하고 있는 카카오톡 서비스 연계 등을 병행하고 계십니다