자동화된 기계 학습 소개

Qlik AutoML을 사용하여 분석 팀을 위한 기계 학습을 자동화하십시오. 코드가 없는 간단한 인터페이스를 사용하면 기계 학습 실험을 쉽게 만들어 모델을 만들고 예측할 수 있습니다.

기계 학습이란

기계 학습은 기록 데이터의 패턴을 인식하여 미래 결과를 예측하는 데 중점을 둔 인공 지능 및 데이터 과학의 한 분야입니다. 알고리즘은 명시적으로 프로그래밍하지 않고 예측 모델을 구축하기 위해 데이터에 대해 교육됩니다. 기계 학습 모델은 다음과 같은 질문에 답하는 데 도움이 될 수 있습니다.

체육관 고객이 구성원 자격을 취소합니까?
주어진 고객에 대해 예상되는 수명 가치는 어떻게 됩니까?

기계 학습 이해에서 기본 개념에 대해 자세히 읽어보십시오. 또한 기계 학습 질문을 정의하고 데이터 집합을 준비하기 위한 구조화된 프레임워크에 대해서도 알아봅니다.

자동화된 기계 학습으로 무엇을 할 수 있습니까?

Qlik Sense에서 자동화된 기계 학습 실험을 만듭니다. 분석 활동 센터에서 다른 사용자와 함께 실험에 공동 작업하고 카탈로그에서 데이터를 쉽게 로드하여 모델을 교육할 수 있습니다.

예측 분석을 Qlik Sense 앱과 통합하여 결과를 공유하십시오. 다양한 매개 변수를 변경하면 원하는 결과에 어떤 영향을 미칠 수 있는지 이해하기 위해 시각화 및 대화형 가상 시나리오를 통해 더 자세히 탐색합니다.

카탈로그에 저장된 데이터 집합에 대한 예측을 수행하거나 Qlik Sense API를 사용하여 실시간으로 운영 예측을 수행할 수 있습니다.

실험 작동 방식

실험은 특정 대상을 가진 특정 데이터 집합에 대한 기계 학습 알고리즘을 교육합니다. 교육은 예측에 사용할 수 있는 기계 학습 모델을 생성합니다.

대부분의 프로세스는 자동화된 기계 학습에서 자동화됩니다. 실험을 만들고 데이터 집합을 로드하면 데이터 집합이 자동으로 분석되고 데이터가 기계 학습에 사용할 수 있도록 사전 처리됩니다. 대상을 선택하는 데 도움이 되도록 각 열에 대한 통계 및 기타 정보가 표시됩니다. 교육을 시작하면 여러 알고리즘이 데이터에서 패턴 검색을 시작합니다. 실험 만들기 및 교육에 대한 자세한 내용은 실험 작업을 참조하십시오.

교육이 완료되면 점수와 순위를 통해 생성된 기계 학습 모델을 평가할 수 있습니다. 매개 변수를 변경하고 교육을 반복하면 여러 버전을 생성할 수 있습니다. 데이터 집합에 가장 적합한 모델을 선택하고 배포하여 예측을 시작하십시오. 자세한 내용은 ML 배포 작업을 참조하십시오.

다음 이미지에서 볼 수 있듯이 실험에는 각각 하나 이상의 알고리즘을 사용하는 여러 버전이 있을 수 있습니다. 가장 성능이 좋은 알고리즘이 있는 모델을 배포하여 예측할 수 있습니다. 즉, 하나의 실험으로 여러 ML 배포가 발생할 수 있습니다.

실험, 버전, 알고리즘, 모델 및 예측이 어떻게 관련되어 있는지에 대한 개요.

AutoML에 대한 사용자 액세스

사용자가 Qlik AutoML에 액세스하는 방법에 대한 자세한 내용은 Qlik AutoML을 사용할 수 있는 사용자를 참조하십시오.

AutoML 제한 사항 및 라이센스 관리 용량

AutoML은 추가 요금이 있는 용량입니다. 해당 구독에는 일부 제한된 기능이 포함되어 있습니다. 특정 기능 및 용량은 구독 계층에 따라 다릅니다.

제한 사항

Qlik AutoML의 API 속도 제한은 분당 요청 300개입니다.
데이터 집합의 최대 열 수: 500

이는 실험 교육 및 예측 생성에 사용되는 데이터 집합에 적용됩니다. 제한은 실험 버전에서 기능으로 사용되는 열의 수입니다. 데이터 집합에 더 많은 열이 있을 수 있으며 열이 데이터 집합에 포함될 때 제한이 계산됩니다.

라이센스 관리 용량

고객 라이센스에 따라 Qlik AutoML 사용 방법을 결정하는 다양한 메트릭의 용량이 결정됩니다. 사용 메트릭은 AutoML 사용자 인터페이스, Qlik Sense 앱의 키 드라이버 분석 및 공개 API를 통한 AutoML 서비스 사용의 조합으로 측정됩니다.

비즈니스 요구 사항에 따라 여러 계층의 AutoML을 사용할 수 있습니다. 계층에는 다음과 같은 두 가지 유형이 있습니다.

포함 계층: 이는 제한된 기능을 갖춘 기본 AutoML 기능입니다. Qlik Sense Enterprise SaaS, Qlik Cloud Analytics 표준, Qlik Cloud Analytics 프리미엄, Qlik Cloud 엔터프라이즈 또는 Qlik Talend Cloud(Standard, Premium 또는 Enterprise) 구독에 포함됩니다. 포함 계층은 평가판용으로 사용하여 Qlik AutoML이 비즈니스 요구 사항을 어떻게 충족할 수 있는지 평가하는 데 적합합니다. 프로덕션으로 사용하기에는 적합하지 않습니다. 보다 포괄적인 기능은 유료 계층의 Qlik AutoML을 사용하는 것이 좋습니다.
유료 계층: 프로덕션 사용 사례에 필요한 포괄적인 AutoML 기능을 제공하는 다양한 패키지가 있습니다. Qlik Cloud 구독에 대한 추가 유료 추가 기능으로 사용할 수 있습니다.

다음 기능은 Qlik AutoML의 유료 계층에서만 사용할 수 있습니다.

하이퍼 매개 변수 최적화
예약된 예측
실시간 예측
Qlik AutoML 커넥터

각 유형의 AutoML 계층에 포함된 항목에 대한 자세한 내용은 아래 표를 참조하십시오.

Qlik 계층 유형별 AutoML 메트릭 및 가용성
미터법	설명	포함 계층에서 사용 가능	유료 계층으로 이용 가능
배포된 모델	Qlik Cloud 구독에 포함된 계층은 라이센스 내에서 만들어진 모든 테넌트에 만들어질 수 있는 배포 모델의 최대 수를 정의합니다. 이 소비 제한은 모델별로 정의됩니다. 즉, 단일 모델에서 만들어진 여러 ML 배포가 단일 배포 모델로 계산됩니다.	예	예
동시 교육	이는 테넌트가 병렬로 교육할 수 있는 모델 수입니다. Qlik AutoML의 포함 계층에서는 각 모델이 차례로 실행됩니다. 유료 계층에는 테넌트가 여러 모델을 동시에 교육할 수 있는 용량이 포함됩니다.	아니요	예
데이터 집합 크기 증가	유료 계층은 모델 교육을 위해 데이터 집합 크기를 증가하여 제공합니다.	아니요	예
수동 일괄 예측	데이터 집합의 모든 행을 수동으로 예측합니다.	예	예
예약된 일괄 예측	예측을 수동으로 시작하는 대신 일정에 따라 실행되도록 구성합니다. 예약된 예측은 Qlik AutoML의 유료 계층에서만 사용할 수 있습니다. 자세한 내용은 예측 예약를 참조하십시오.	아니요	예
실시간 예측	ML 배포를 사용하여 실시간으로 예측을 실행하려면 이 API를 사용합니다. 자세한 내용은 실시간 예측 만들기를 참조하십시오.	아니요	예
Qlik Cloud 분석의 Qlik AutoML 커넥터	이 분석 커넥터를 사용하면 통합된 Qlik AutoML 플랫폼의 데이터를 Qlik Cloud에 로드할 수 있습니다. 자세한 내용은 Qlik AutoML 분석 소스를 참조하십시오.	아니요	예
하이퍼 매개 변수 최적화	하이퍼 매개 변수 최적화를 사용하면 AutoML 모델을 세부 조정하여 학습 프로세스에 대한 제어력을 높일 수 있습니다. 자세한 내용은 하이퍼 매개 변수 최적화를 참조하십시오.	아니요	예
배포된 모델 모니터링	기본 제공 모니터링 도구를 사용하여 ML 배포에 배포된 모델을 평가합니다. 시간 경과에 따른 기능 드리프트를 모니터링할 수 있을 뿐만 아니라 예측을 위한 모델 사용에 대한 세부 정보도 모니터링할 수 있습니다. 자세한 내용은 배포된 모델의 성능 및 사용량 모니터링을 참조하십시오.	아니요	예

Qlik AutoML에서 만든 ML 배포는 만료되지 않습니다. 배포된 모델의 최대 수에 도달한 경우 하나 이상의 기존 배포 모델을 삭제하거나 구독을 더 높은 계층으로 업그레이드하십시오.

라이센스 메트릭에 대한 자세한 내용은 Qlik Cloud® 구독 제품 설명을 참조하십시오. 관리자는 관리 활동 센터에서 라이센스 정보를 보고 배포된 모델 수를 모니터링할 수 있습니다. 자세한 내용은 리소스 소비 모니터링을 참조하십시오.

자세한 정보

이 페이지가 도움이 되었습니까?

이 페이지 또는 해당 콘텐츠에서 오타, 누락된 단계 또는 기술적 오류와 같은 문제를 발견하면 개선 방법을 알려 주십시오!

여기에 피드백을 남겨주십시오.