IBM의 AutoAI는 AI Pipeline Optimization 를 지원하는 자동화 AI 기능입니다. 이번 글에서는 Watson Studio 내의 AutoAI Experiments 기능을 통해 IBM AutoAI 경험해 보겠습니다.

(1) IBM Demo에 접속합니다.
(2) Search 탭에서 AutoAI 검색어를 입력합니다.
(3) 스크롤 다운하여 Hands-on Labs 섹션의 IBM Watson Studio AutoAI : Modeling for rest of us 를 클릭합니다.
(4) 여기서는 binary classification hands-on labs을 진행하겠습니다.

단, 진행할 Hands-on은 IBM demo(https://www.ibm.com/demos/) 사이트의 내용을 기반으로 하고 있으나 Labs 자료가 이전 솔루션 버전이라 최신 기능 화면으로 원본과 다소 다를수 있습니다.

Hands-on 데이터 준비

1.hands-on labs 에서 사용할 데이터로 customer_churn.csv를 준비해 둡니다.

2.AutoAI로 생성된 모델을 배포한 이후에 테스트할 데이터 셋을 준비해 둡니다.

AutoAI 실습을 위해 IBM Cloud(cloud.ibm.com) 에서 필요 서비스 생성

1.Watson Studio 서비스 생성
a.1.카탈로그에서 Watson Studio 서비스 선택
b.서비스 작성
1)서비스 이름 : 유일한 서비스 이름으로 작성
2)지역/위치 : 지역/위치 선택 (예)달라스
3)리소스 그룹 : 리소스 그룹 선택 (예)디폴트
4)가격플랜 : 라이트




2.Machine Learning 서비스 생성
a.1.카탈로그에서 Machine Learning 서비스 선택
b.서비스 작성
1)서비스 이름 : 유일한 서비스 이름으로 작성
2)지역/위치 : Watson Studio와 동일한 지역/위치 선택
3)리소스 그룹 : Watson Studio와 동일한 리소스 그룹 선택
4)가격플랜 : 라이트


3.Object Storage 서비스 생성
a.카탈로그에서 Machine Learning 서비스 선택
b.서비스 작성
1)서비스 이름 : 유일한 서비스 이름으로 작성
2)리소스 그룹 : Watson Studio와 동일한 리소스 그룹 선택
3)가격플랜 : 라이트


Watson Service 서비스 시작하기

1.Watson Studio 서비스 시작하기 위해 대시보드 이동
2.리소스 목록에서 조금 전 생성한 Watson Studio 서비스 클릭

3.Get Started 클릭하여 서비스 시작


Watson Service 프로젝트 생성하기

1.첫 화면에서 Create a project 클릭
2.Create an empty project 클릭

3.프로젝트 상세 정보 입력
a.프로젝트명 작성
b.project option 는 미체크. 옵션 체크시 생성한 프로젝트는 정의한 다른 사용자(collaborator)만 접근 가능함
c.앞서 생성한 IBM Cloud Object Storage service 선택

d.생성된 프로젝트 확인


Watson Service 프로젝트에 Machine Learning 서비스 연결하기

이번 작업은 생성한 프로젝트에서 사용할 Machine learning 서비스를 지정합니다. watson studio에서 개발한 AI 모델은 one-click deployment 가 가능합니다.

1.프로젝트의 Setting 탭 이동
2.Associated Service 이동
3.Add service에서 Watson 선택

4.Machine learning 선택
5.Add 클릭
6.Existing 탭 클릭
7.기존 생성한 Machine learning 서비스 선택

8.Select 클릭


AutoAI Experiments 수행

1.Project의 Asset 탭 이동
2.AutoAI experiments 섹션에서 오른쪽 New AutoAI Experiments+ 클릭
3.From Blank 선택
4.Asset name 작성 (예)customer_churn

5.학습데이터 업로드를 위해 Browse 선택
6.업로드된 데이터 확인
7.예측속성 선택 : CHURN
configure source 혹은 configure prediction을 선택하여 필요한 구성정보를 수정할 수 있습니다.
8.Run experiment 클릭

9.이후 부터는 자동으로 AI Model pipeline optimization 자동으로 수행됩니다.

업로드한 데이터 소스의 경우 후보 알고리즘이 LGBM classifier 1개만 적용되었습니다. 데이터 소스에 따라 후보 알고리즘은 1개 이상이 될 수도 있습니다.
각 단계는 데이터 변환이후 모델 정확도 측정, 하이퍼 파라미터 최적화 이후 모델 정확도 측정, 피쳐 엔지니어링이 적용된 후의 모델 정확도 측정, 피쳐 엔지니어링+하이퍼파라미터 최적화 적용된 모델 정확도 측정의 총 4단계의 정확도 결과가 제공됩니다.
10.각 단계마다 상세한 모델 평가 결과를 확인할 수 있습니다.

11.모델 평가 결과를 확인후 확정한 단계의 모델을 저장합니다.





AutoAI Experiments 생성된 저장 모델 배포하기

1.프로젝트 첫 화면으로 이동
2.Models 섹션에서 저장된 모델 확인 후 Deploy 선택

3.Deployments 탭에서 Add Deployment+ 클릭

4.Deployment 명 작성 및 Save
5.배포 결과 확인 위해 customer_churn_deploy 클릭

6.배포모델 테스트 위해 Test 탭에서 json 아이콘 클릭

7.초기에 데이터 준비 단계에서 저장해둔 josn 테스트 데이터 셋을 입력후 predict 클릭 및 결과 확인