WEBVTT 00:00:14.200 --> 00:00:18.648 고급 분석 글로벌 제품 마케팅 매니저 Lorry Hardt입니다. 00:00:18.648 --> 00:00:23.865 오늘은 SAS의 머신러닝 제품 책임 매니저인 Jonathan Wexler와 함께 뜻 깊은 시간을 가져보려고 합니다. 00:00:23.865 --> 00:00:25.886 오늘 함께 해 주셔서 감사합니다. 00:00:25.886 --> 00:00:28.743 새로운 솔루션 출시에 대한 이야기를 위해 이 자리에 참석하게 되어 기쁩니다. 00:00:28.743 --> 00:00:33.036 아시다시피 머신러닝 같은 고급 모델링 기법을 제공하는 것이 00:00:33.036 --> 00:00:38.778 엔터프라이즈 아키텍처 경영진들이나 최고 분석 책임자들 사이에서 많은 이슈가 되고 있는데요, 00:00:38.778 --> 00:00:42.730 이에 대해 어떻게 생각하시나요? 왜 지금 이렇게 이슈가 된 걸까요? 00:00:42.730 --> 00:00:46.210 사실, 머신러닝은 새로운 개념은 아닙니다. 00:00:46.210 --> 00:00:50.096 신경망 같은 기법들은 오래 전부터 존재했습니다. 00:00:50.096 --> 00:00:56.207 단지, 이런 기술들이 의심스러운 거래 활동, 추천 엔진 같은 대량의 복잡한 데이터 분석과 00:00:56.207 --> 00:01:01.246 복잡한 이미지 분석을 위한 필요성을 마침내 충족시키게 된 것이지요. 00:01:01.246 --> 00:01:05.712 머신러닝에 대한 핵심 포인트 중 하나는 데이터 담당자나 비즈니스 분석가가 아닌 사람들도 00:01:05.712 --> 00:01:09.626 빠르게 데이터를 탐색하고 모델링할 수 있는 능력을 갖출 수 있도록 지원한다는 점입니다. 00:01:09.626 --> 00:01:12.605 최근 출시된 SAS Visual Data Mining and Machine Learning(VDMML)이 00:01:12.605 --> 00:01:15.373 이런 유형의 작업을 어떻게 지원할 수 있다고 보고 계신가요? 00:01:15.373 --> 00:01:22.689 SAS VDMML 은 사용자가 시각적인 대화형 방식으로 모델을 빠르게 확장할 수 있도록 지원합니다. 00:01:22.689 --> 00:01:27.725 이 솔루션의 경우, 사용자는 편안한 환경에서 대화형 방식으로 데이터를 분석할 수 있습니다. 00:01:27.725 --> 00:01:32.613 데이터 준비에서 대화형 모델링, 그리고 고급 파이프라인까지 생성할 수 있습니다. 00:01:32.613 --> 00:01:36.389 가장 중요한 점은 모든 것을 이 솔루션 하나에 적용할 수 있다는 것입니다. 00:01:36.389 --> 00:01:42.751 그럼 이제, 실제로 작동하고 있는 SAS VDMML 을 살펴보도록 할까요? 00:01:42.751 --> 00:01:48.275 저의 경우, 어떤 화학적 인자가 와인의 품질을 예측하는 데 도움을 주었는지 분석하려고 합니다. 00:01:48.275 --> 00:01:53.397 저는 SAS VDMML 의 데이터 준비 영역 기능을 통해 이미 데이터를 준비해 두었고, 00:01:53.397 --> 00:02:00.235 이제 고급 머신러닝 기법을 이용해서 데이터 분석을 탐색하고 확장하는 과정 중에 있습니다. 00:02:00.235 --> 00:02:07.416 이를 통해 빠르게 신경망에 포함시킬 수 있고, 00:02:07.416 --> 00:02:11.613 제가 신경망을 구축하기 전에 시스템은 제가 구축하려는 것에 대한 지시 사항을 제공합니다. 00:02:11.613 --> 00:02:13.271 제가 신경망에 익숙하지 않더라도 00:02:13.271 --> 00:02:18.766 시스템은 무엇을 네트워크 다이어그램과 다양한 평가 지표에 포함시키려고 하는지 보여줍니다. 00:02:18.766 --> 00:02:23.517 게다가 이 신경망을 구축하는 것은 아주 간단해서 00:02:23.517 --> 00:02:31.666 제가 속성을 선택하면 실시간으로 신경망이 자동 구축됩니다. 00:02:31.666 --> 00:02:39.859 저는 은닉층(hidden layer)을 추가해서 신경망과 대화할 수 있고, 00:02:39.859 --> 00:02:46.782 은닉층의 활성화 등 어느 활성화 기능이든 사용할 수 있습니다. 00:02:46.782 --> 00:02:49.526 또 모든 추가 옵션을 편집하는 것도 가능합니다. 00:02:49.526 --> 00:02:58.358 심지어 모델이 최고 성능을 내는 속성을 자동으로 찾아주는 SAS의 고급 오토 튜닝도 활용할 수 있습니다. 00:02:58.358 --> 00:03:02.612 상대적으로 중요한 플롯을 살펴보고 결과를 해석할 수도 있습니다. 00:03:02.612 --> 00:03:04.882 일반적으로 머신러닝 모델은 블랙박스와 같아서 00:03:04.882 --> 00:03:10.235 여러분의 모델을 구동하는 가장 중요한 요소에 대한 정보를 제공하지 않는 것이 보통입니다. 00:03:10.235 --> 00:03:14.622 이번 최신 출시버전에서 사용자가 분석을 빠르게 확장할 수 있다고 말하셨는데, 00:03:14.622 --> 00:03:17.340 그런 유형의 분석 확장에 대한 예를 들어주실 수 있을까요? 00:03:17.340 --> 00:03:25.269 물론이죠. SAS VDMML 을 통해 우리는 다양한 기법들을 조합하고, 고급 분석 방법을 적용하며, 00:03:25.269 --> 00:03:33.693 심지어 프로그래밍을 분석에 통합시켜 사용자들이 대화형 모델을 강화할 수 있는 능력을 제공합니다. 00:03:33.693 --> 00:03:36.169 이제, 신경망으로 한번 되돌아가볼까요? 00:03:36.169 --> 00:03:44.804 SAS VDMML 을 통해 이 신경망을 확장하고 파이프라인을 생성해서 신경망 위에 구축할 수 있습니다. 00:03:44.804 --> 00:03:51.460 그리고 파이프라인 생성을 통해 다양한 고급 머신러닝 기법들을 시험해볼 수도 있습니다. 00:03:51.460 --> 00:03:57.706 여러분은 여기에서, 파이프라인은 탐색 환경 내부에서 진행한 모든 단계를 나타낸다는 것을 알 수 있으실 겁니다. 00:03:57.706 --> 00:04:02.662 그러나 지금 저는 고급 보기로 각 단계를 확인할 수 있기 때문에 고급 기법을 사용할 수 있습니다. 00:04:02.662 --> 00:04:09.472 예를 들어, 이상치(outlier)를 제거하거나 별도로 모델링해서 이상 탐지 기능을 시험해볼 수 있습니다. 00:04:09.472 --> 00:04:12.446 게다가, 다른 고급 기법을 포함시킬 수도 있습니다. 00:04:12.446 --> 00:04:20.169 의사 결정 트리 노드를 포함시킬 수도 있고, 그래디언트 부스팅 노드 같은 것을 포함시킬 수도 있어요. 00:04:20.169 --> 00:04:23.779 뿐만 아니라 시스템이 최고 성능의 모델을 자동으로 선택해줍니다. 00:04:23.779 --> 00:04:29.967 이제 결과를 살펴봅시다. 00:04:29.967 --> 00:04:34.327 이 경우, 시스템은 KS 통계량이 가장 높은 그래디언트 부스팅 모델을 선택했고, 00:04:34.327 --> 00:04:40.889 제가 구축한 대화형 신경망 및 의사 결정 트리와 비교를 수행했습니다. 00:04:40.889 --> 00:04:44.205 시스템은 주어진 조건에서 최상의 모델을 선택해 준 것이지요. 00:04:44.205 --> 00:04:47.770 저는 옵션을 변경해서 이 파이프라인을 맞춤화할 수도 있습니다. 00:04:47.770 --> 00:04:52.812 즉, 저는 고급 분석을 위한 완전한 유연성을 확보한 거죠. 00:04:52.812 --> 00:04:56.389 사용자들이 빠르게 협업하고 그들의 분석을 공유할 수 있다고 말씀하셨는데, 00:04:56.389 --> 00:04:59.303 사용자들이 이런 우수 사례 템플릿을 어떻게 활용할 수 있나요? 00:04:59.303 --> 00:05:05.885 SAS는 SAS 툴박스에 저장된 다수의 우수 사례 템플릿을 제공합니다. 00:05:05.885 --> 00:05:09.871 데이터 담당자들도 자체적인 파이프라인을 생성해 커뮤니티에서 공유할 수 있어요. 00:05:09.871 --> 00:05:16.957 그리고 이는 비즈니스 분석가들에게 신속한 결과를 산출할 수 있는 능력을 부여합니다. 00:05:16.957 --> 00:05:19.472 제가 이미 구축했던 파이프라인을 다시 살펴보면, 00:05:19.472 --> 00:05:23.245 SAS 툴박스에 액세스하면 00:05:23.245 --> 00:05:28.451 이를 통해 SAS 우수 사례 파이프라인을 활용할 수도 있고 00:05:28.451 --> 00:05:34.829 이미 우수 사례로 검증이 완료된 제 동료의 파이프라인을 포함시킬 수도 있습니다. 00:05:34.829 --> 00:05:39.786 이 우수 사례 파이프라인은 그래디언트 부스팅, 오토 튜닝 기능 사용, 00:05:39.786 --> 00:05:44.717 그리고 심층 신경망까지 다양한 고급 기법을 결합했습니다. 00:05:44.717 --> 00:05:48.274 심지어 SAS 코드를 활성화할 수 있는 기능도 있습니다. 00:05:48.274 --> 00:05:58.092 자, 이제 실행시켜 볼까요? 00:05:58.092 --> 00:06:02.459 시스템이 가장 높은 KS 통계량이 있는 그래디언트 부스팅 모델을 여전히 선택했다는 것을 확인할 수 있죠. 00:06:02.459 --> 00:06:04.736 그리고 앙상블 모델도 있어요. 00:06:04.736 --> 00:06:11.615 제 의사 결정 트리에 대해 오토 튜닝을 했고 로지스틱 회귀와 심층 신경망도 포함시켰어요. 00:06:11.615 --> 00:06:15.572 하지만 여전히 최고 모델은 그래디언트 부스팅이었습니다. 00:06:15.572 --> 00:06:20.825 이 파이프라인은 사용자가 자체 코드를 작성할 수 있도록 지원한다는 것도 말씀 드렸는데요. 00:06:20.825 --> 00:06:26.992 이 시스템은 사전 구축된 SAS 노드를 사용할 수 있을 뿐만 아니라 SAS 코드를 포함시킬 수도 있고, 00:06:26.992 --> 00:06:35.050 완전한 SAS 언어를 자유자재로 사용해서 프로시져, 매크로, 데이터 스텝 등을 포함시킬 수 있어요. 00:06:35.050 --> 00:06:39.694 이를 통해 여러분의 데이터를 위한 최고의 모델 구축을 실현할 수 있습니다. 00:06:39.694 --> 00:06:43.129 분석 수명주기는 더 이상 논의 대상이 아니라는 말씀도 하셨는데요, 00:06:43.129 --> 00:06:44.964 이에 대한 보충 설명이 필요할 것 같습니다. 00:06:44.964 --> 00:06:49.304 완전한 모델이란 실행 능력과 함께 기업의 필요시 신속하게 대응할 수 있도록 하며 00:06:49.304 --> 00:06:50.689 조치도 취할 수 있도록 해야 하는 것이지요. 00:06:50.689 --> 00:06:52.685 우리는 개방된 세계에서 살고 있습니다. 00:06:52.685 --> 00:06:57.863 이런 모델을 조직 내에서 내부적으로나 외부적으로 생산 과정에 구축하기 위한 능력에 대해 설명해주실 수 있을까요? 00:06:57.863 --> 00:07:03.098 물론이죠. 이처럼 알맞게 조정된 분석 모델에 대한 요구와 규모가 증가하면서 00:07:03.098 --> 00:07:09.007 효과적인 적용 전략과 아키텍처를 보유하는 것이 분석 수명주기의 핵심 요소가 되었습니다. 00:07:09.007 --> 00:07:12.895 그럼 몇 가지 단계를 살펴볼까요? 00:07:12.895 --> 00:07:18.535 제 파이프라인으로 되돌아가서 이 모델이 어떻게 이렇게 빨리 구축되었는지 살펴 봅시다. 00:07:18.535 --> 00:07:22.289 파이프라인 비교 영역의 검토를 실행하면 00:07:22.289 --> 00:07:27.367 스크린에서는 제가 구축했던 다양한 파이프라인 전체의 모델들을 비교하는 화면이 나타납니다. 00:07:27.367 --> 00:07:30.023 그리고 제게 가장 적합한 모델을 자동적으로 선택해줍니다. 00:07:30.023 --> 00:07:34.153 이제 이 파이프라인 비교를 위해 다른 조건을 추가할 수도 있지만, 00:07:34.153 --> 00:07:42.279 일단 어떤 모델을 적용할 것인지 결정하면 시스템은 적합한 방법을 통해 모델들을 적용할 수 있도록 지원합니다. 00:07:42.279 --> 00:07:47.552 사용자는 이들 모델들을 다시 작성할 필요 없이 단 한번의 클릭으로 데이터베이스나 Hadoop에 저장 및 공유할 수 있습니다. 00:07:47.552 --> 00:07:51.793 모델들이 데이터베이스에 푸싱되면 저는 곧 바로 모델들의 스코어를 매길 수 있습니다. 00:07:51.793 --> 00:07:56.989 이처럼 굉장히 유연하게 모델을 구축하고 테스트할 수 있게 된 것입니다. 00:07:56.989 --> 00:07:59.048 이 외에도 점수 부여 API를 다운로드할 수 있습니다. 00:07:59.048 --> 00:08:07.965 API 호출은 여러 방식으로 사용자에게 제공되는데, SAS 래퍼로 제공되기도 하고 Python과 함께 래핑되기도 합니다. 00:08:07.965 --> 00:08:14.460 따라서 사용자는 본인들이 적합하다고 생각하는 방식과 점수 코드를 호출할 수 있습니다. 00:08:14.460 --> 00:08:19.606 또한 만약 웹 애플리케이션이 있는 경우, REST API 호출도 제공 가능하기 때문에 00:08:19.606 --> 00:08:25.012 사용자들은 자신이 적합한 방식으로 이런 모델들을 호출할 수 있습니다. 00:08:25.012 --> 00:08:29.346 오늘 SAS VDMML에 대해 설명해 주셔서 대단히 감사합니다. 00:08:29.346 --> 00:08:31.521 저도 영광입니다. 00:08:31.521 --> 00:08:33.309 시청해 주셔서 감사합니다. 00:08:33.309 --> 00:08:43.309 문의사항은 SAS 코리아 홈페이지 상단의 Contact Us로 부탁드립니다. 감사합니다.