본 글에서는 현대 인공지능(AI) 및 머신러닝(ML) 트렌드 속에서 JMP와 JMP Pro가 어떤 역할을 할지에 대한 흥미로운 논의를 제시합니다. AI/ML 환경이 빠르게 변화함에 따라, 다양한 산업 분야의 과학자와 엔지니어들은 데이터 탐색, 모델 구축 및 배포를 위한 직관적인 도구를 필요로 합니다.
JMP와 JMP Pro는 노코드 플랫폼으로서, 시각화 및 인터랙티브 기능을 통해 원시 데이터에서 AI에 이르는 과정을 간소화하고 가속화하여 이해도와 효율성을 향상시킵니다. 본 프레젠테이션에서는 표 형식, 텍스트 및 이미지 데이터에 대한 딥러닝을 포함한 실제 사례를 통해 이러한 도구의 강점을 강조하고, 최소한의 코딩 전문 지식만으로도 AI 기반의 인사이트를 원활하게 도출하고 시간과 에너지를 크게 절약할 수 있는 방법을 보여줍니다.
안녕하세요. 오늘 발표에 오신 것을 환영합니다. 저는 플로리안 뵈글이고, 제 동료인 러스와 함께 이야기를 나누고 있습니다. 독일과 미국에서 화상으로 연결된 오늘, JMP가 인공지능과 머신러닝의 미래에 얼마나 중요한 역할을 할 수 있을지에 대해 이야기해 보려고 합니다. 그렇죠?
좋은 질문이네요, 플로리안.
물론 오늘 답변은 어느 정도 주관적일 수밖에 없겠지만, 몇 가지 중요한 점과 특히 흥미로운 사례들을 여러분과 공유할 수 있을 것 같습니다. JMP는 과학자와 엔지니어에게 유용한 도구로 설계되어 왔으며, 원시 데이터부터 저희가 '공유 가능한 인사이트'라고 부르는 결과물에 이르기까지 엔드 투 엔드 툴셋을 통합하도록 발전해 왔습니다. 이는 인공지능 및 머신러닝 분야에서 중요한 역할을 수행하는 데 필요한 모든 것을 포함한다고 생각합니다.
저도 플로리안을 잘 알고 있습니다. 저희 고객, 과학자, 엔지니어분들은 모두 매우 바쁘신 분들이고, 최신 AIML에 대해서는 코딩을 해야만 접근할 수 있다는 인식이 널리 퍼져 있습니다. 하지만 오늘 저희는 이러한 인식을 바꾸고 JMP Pro를 통해 매우 강력한 메서드에 접근하는 방법을 보여드리겠습니다. 그중 일부는 거의 최첨단 기술에 가까운 기능으로, 매번 코드를 작성해야 하는 번거로움 없이 훨씬 빠르게 원하는 결과를 얻을 수 있습니다.
네. 그건 JMP의 강력한 장점 중 하나이고, 과학자와 엔지니어를 위해 이미 탑재된 강력한 기능들과 결합될 때 더욱 빛을 발합니다. 이제 그만 얘기하고 예시를 들어보죠. 러셀, 시작하기에 좋은 예시를 준비해 주셨네요.
네. 저는 화학 분야에서 구조적 설명, 특히 SMILES 문자열을 통해 [들리지 않는 부분 00:02:06]을 예측하는 연구가 활발히 진행되고 있다는 점을 강조하고 싶었습니다. 아주 좋은 예시를 하나 소개하자면, 몇 달 전에 발표된 얼음 재결정화 연구입니다. 이 연구는 분자에 미치는 동결 효과를 알아보기 위한 것이죠. 몇 년 전에 진행된 이 연구는 모든 출판 절차를 거쳐 Nature Communications에 논문으로 게재되었고, 데이터도 GitHub 저장소를 통해 공개되어 있습니다. 제가 사용한 데이터도 바로 이 저장소에서 가져온 것입니다.
논문에 대해서는 자세히 다루지는 않겠지만, 그들은 매우 꼼꼼하게 연구를 진행했습니다. 그들은 기본적으로 여러 분자의 서로 다른 설명자 세트를 조합하여 고전적인 (Q)SAR 접근 방식을 실행했습니다. 주로 leave-one-out 교차 검증을 사용하고 결과를 제시했습니다. 예를 들어, 첫 번째 데이터 세트는 Glyco2라고 하며, 이 표는 여러 가지 특징 세트에 대한 피어슨 상관계수의 평균 제곱 오차와 같은 성능 지표의 최종 열을 보여줍니다. 또한 앙상블을 통해 상관계수가 약 0.4에서 45,46 이상으로 향상되는 것을 확인할 수 있습니다.
이것은 제가 JMP와 JMP Pro Torch 딥러닝 추가 기능을 사용하여 재분석한 데이터 세트입니다. 이 데이터에는 223개의 분자가 포함되어 있으며, 제가 가장 먼저 한 일은 실제로 실행해 보는 것이었습니다. 최근에 출시된 두 가지 유용한 추가 기능이 있습니다. 첫 번째는 재료 정보학 툴킷(Material Informatics Toolkit)이라고 하는데, 여기서는 SMILES 문자열을 입력하여 여기에 보이는 그림을 생성할 수 있습니다. 또한 RDKit 기반 특징을 생성할 수도 있으며, 개발자들이 제공한 특징 집합도 사용할 수 있습니다.
이미 이 데이터셋은 고전적인 (Q)SAR에 사용하기에 충분히 풍부한 데이터셋입니다. 시간이 부족해서 자세히 설명할 수는 없지만, 이 결과를 예측하는 데에는 여러 가지 경쟁적인 접근 방식이 있습니다. 고전적인 (Q)SAR은 평소처럼 수치형 특징들을 입력으로 받아, 신경망이나 XG 부스트 또는 다른 트리 기반 방법들을 사용하는 방식으로 예측을 수행합니다. 이렇게 입력값을 활용하고, 그들이 했던 것처럼 교차 검증을 설정하는 것이 좋습니다. 일반적으로 5겹 교차 검증을 선호하지만, 최종 결과에는 큰 차이가 없을 것 같습니다.
하지만 이제 정말 흥미로운 점은 이러한 최신 머신러닝 접근 방식을 활용할 수 있다는 것입니다. 오늘 저는 그중 두 가지를 소개하고자 합니다. 첫 번째는 그래프 신경망이라고 불리는 것으로, 최근 널리 알려지게 되었습니다. Chemprop이라는 패키지는 RDKit 기능을 기반으로 하며, 분자를 모방하는 그래프 신경망을 구축하고 설정 후 결과를 예측하는 방식입니다. 이 기능은 Torch Deep Learning Add-in에서 사용할 수 있습니다. 입력은 SMILES 문자열이고, 출력값을 제공하면 됩니다. 설정은 매우 간단하지만, 모델 튜닝에는 다소 시간이 걸릴 수 있습니다. 튜닝을 위한 다양한 옵션도 제공하지만, 오늘은 자세히 다루지는 않겠습니다.
저희가 최근에 개발한 완전히 새로운 모델이 있는데, 바로 트랜스포머 CNN이라는 모델입니다. 이 모델은 아마도 가장 인기 있는 두 가지 신경망 미니 아키텍처 구성 요소인 트랜스포머와 신경망을 하나로 결합한 것입니다.
여기서는 SMILES 문자열 입력을 사용하는 고전적인 BERT 모델을 다시 활용하여 트랜스포머 부분을 구현하고, 그 출력을 일련의 1D 컨볼루션 레이어에 통과시킵니다. 결과적으로 논문의 결과를 약간 개선할 수 있었습니다. 자세한 내용은 생략하겠지만, 논문은 주로 고전적인 (Q)SAR에 초점을 맞췄지만, 이제 이러한 최신 방법들을 결합함으로써 결과를 더욱 향상시킬 수 있습니다. 이 모든 것이 이제 Torch 애드인에서 마우스 클릭 몇 번으로 간단하게 구현 가능합니다. 다음은 모델 중 하나의 예시 출력이며, 앙상블 및 기타 모든 과정도 상당히 간단합니다. 플로리안, 이 특정 응용 프로그램에 대해 정말 기대가 큽니다. SMILES 문자열을 사용한 이 예시 하나만으로도 이미 우리의 주장을 충분히 입증했다고 생각합니다.
제 생각에는 그건 확실히 맞는 말인 것 같아요. 적어도 저는 생명공학자인데, 대학에서 코딩을 처음부터 배운 적은 없거든요. 그래서 모든 게 뭔가 할 수 있을 것 같으면서도 굉장히 어려워 보여요. 덧붙이자면, 그 패키지들은 업계 표준 패키지라고 할 수 있겠죠. 파이썬으로 만들어진, 이미 인정받고 사용되는 방법들을 편리한 인터페이스를 통해 사용할 수 있게 해준 거예요. 코딩을 전혀 하지 않고도 마치 코딩을 한 것처럼 원하는 결과를 구현할 수 있다는 거죠. 특히 우리 같은 사람들에게는 아주 좋은 점이라고 생각해요.
더 나아가, JMP는 모델링과 그래픽을 긴밀하게 통합하는 것을 항상 중요하게 생각하는 저희 철학에 더해, 프로파일러와 같은 기능을 통해 단순히 모델을 맞추는 것을 넘어 모델을 분석하고 예측이나 다양한 시나리오를 만들어낼 수 있게 해줍니다. 이는 과학자와 엔지니어들이 항상 고심하는 부분입니다.
정말 좋은 지적입니다. 제 화면을 잠깐 공유하면서 JMP가 미래에 중요한 역할을 하는 특정 측면에 대한 제 생각을 말씀드리겠습니다. 한편으로는 이러한 고급 기술들이 필수적인 요소이자 반드시 활용해야 할 과제처럼 보이지만, 다른 한편으로는 이러한 기술에 대한 접근성이 중요하다는 점입니다. 특히 말씀하신 것처럼 과학자와 엔지니어들은 단순히 예측에만 관심 있는 것이 아니라, 왜 그런 현상이 발생하는지 이해하려고 노력하기 때문입니다.
특히 연구 개발 분야뿐만 아니라 생산 현장에서도 여러 요소들이 어떻게 상호작용하는지 이해하는 것이 중요합니다. JMP의 정말 멋진 기능 중 하나는 여기에서 볼 수 있는 기능 데이터 탐색기(Functional Data Explorer)와 같은 특수 기법입니다. 이 기능을 사용하면 곡선과 같은 복잡한 출력 결과를 살펴볼 수 있습니다. 이 경우 크로마토그램이 있는데, 여기서 핵심 질문은 빨간색 부분 없이 녹색 부분(제품)을 최대한 많이 얻으려면 어떻게 해야 하는가입니다.
이 플랫폼을 통해 예측을 할 수 있을 뿐만 아니라, 설정들을 살펴보고 프로세스에서 조정할 수 있는 요소들이 원하는 결과와 얼마나 관련이 있는지 확인할 수 있습니다. 나아가, 이를 좀 더 블랙박스 방식의 모델링과 결합하여 "이렇게 실행하면 좋은 결과가 나올 겁니다"라고 알려주는 예측 결과를 얻을 수도 있습니다.
제 생각에는 이것이 한쪽 구석, 그러니까 한쪽 끝부분에 약간 치우친 부분일 수도 있지만, JMP는 대부분의 JMP 사용자들이 알고 있듯이 매우 강력한 기능을 제공합니다. 예를 들어, 여기 발효 배치 데이터가 많이 있는 데이터 테이블을 살펴보면, 이러한 곡선들을 분석하고 입력 요소와 곡선의 형태가 어떻게 관련되는지 확인할 수 있습니다. 또한, 이러한 모든 정보를 하나의 배치 지문으로 결합하는 것도 JMP에서는 매우 쉽습니다.
여기 작은 버튼이 있어요. 다시 정리해야겠네요. 이게 제가 찾던 표예요. 데이터 테이블에 약간의 변환만 하면 되는데, JMP에서는 아주 쉽게 할 수 있고, 보시다시피 이 모든 과정을 자동화할 수도 있어요. 그런 다음 그래프 빌더를 사용해서 지문(fingerprint)을 만들 수 있죠. 정확한 표현은 아닌 것 같지만요. 그리고 나서 색을 입혀 히트맵으로 만들 수도 있어요.
이제 여러분은 모든 배치의 평균값을 나타내는 지문을 갖게 되었습니다. 언뜻 보기에는 모든 배치에 대한 평균값을 보여주는 것처럼 보이지만, 이제 각 배치별로 지문을 생성할 수도 있습니다. 이렇게 하면 각 배치의 특정 값을 강조 표시하는 지문을 즉시 만들 수 있습니다. 어떤 정보를 포함할지는 해당 분야 전문가의 판단에 달려 있지만, 이제 이 지문에 쉽게 접근할 수 있으며, 전체적인 개요를 파악할 뿐만 아니라, 다시 표로 가져와 원래 데이터와 결합할 수도 있습니다.
예를 들어, 최고 수준의 머신러닝 이미지 분류에도 사용할 수 있습니다. 수확량이나 관심 있는 결과를 예측하는 데 활용할 수 있죠. 그래서 이 도구 세트가 매우 강력하다고 생각합니다. 데이터 변환, 시각화부터 이미지 예측기 생성 및 활용까지 얼마나 빠르고 쉽게 할 수 있는지 직접 확인해 보세요. 러셀, 당신도 비슷한 예시를 하나 더 들어주셨죠?
이건 그에게 정말 놀라운 일이에요. 왜냐하면 이 모든 새로운 가능성들이 이제 막 나타나고 있기 때문이죠. JMP는 이미 매우 강력한 프로그램이었고, 많은 사람들이 JMP를 정말 좋아합니다. 이제 우리는 SMILES 문자열 예측에서 보여드린 것처럼 할 수 있을 뿐만 아니라, 이미지를 입력 데이터로 사용할 수 있게 되었어요. 이는 우리가 할 수 있는 일들의 완전히 새로운 세계를 열어주는 거죠. 예를 들어, 방금 보여주신 것처럼, 특히 JMP에서는 생각지도 못할 수도 있지만, 다양한 기능을 가진 데이터를 이미지로 변환하는 것이 가능합니다. 이렇게 하면 이미지 처리를 위한 최신 머신러닝 기법, 특히 Torch 애드인에서 구현할 수 있는 이미지 분류와 같은 고전적인 기법들을 활용할 수 있게 되는 거죠. 바로 이겁니다. 방금 플로리안에게 보여주신 것과 비슷한 예시가 하나 더 있어요. 사실, 저는 Graph Builder를 사용해서 똑같은 이미지를 만들었습니다.
덧붙여 말하자면, 파일 가져오기 기능을 사용하면 JMP에 어떤 종류의 이미지든 직접 쉽게 가져올 수 있습니다. 카메라로 촬영한 이미지 데이터든, 수치적 특징을 조작하여 직접 만든 이미지든 상관없습니다. 결국 이미지는 많은 세부 데이터를 매우 직관적이고 간결하게 표현하는 방법이며, 이러한 데이터는 일반적으로 시간(예: X축)을 기준으로 배열됩니다. 축을 설정하는 방식에는 어느 정도 유연성이 있지만, 축의 순서 또한 중요한 의미를 가집니다. 추가 기능 사용은 매우 간편하며, 이전보다 훨씬 쉬워졌습니다. 이미지를 가져와 입력으로 선택한 다음, 계산하고자 하는 대상을 지정하기만 하면 됩니다.
이 경우, 예를 들어 품질 점수와 같은 지표를 사용할 수 있습니다. 여러 개의 알고리즘을 사용할 수도 있고, 과적합을 방지하기 위해 검증 프레임워크를 활용할 수도 있습니다. 추가 기능은 이러한 고전적이고 현대적인 이미지 분류 아키텍처를 활용할 수 있는 매우 편리한 옵션을 제공하며, 여러 가지 알고리즘을 시도하고 다양한 방법을 빠르게 비교할 수 있습니다. 또한 입력 이미지 크기 조정, 데이터 증강 등 모델을 세밀하게 조정하는 데 도움이 되는 다양한 추가 옵션도 개발 중입니다. 더 나아가 드롭아웃과 같은 기능을 활용하여 특정 애플리케이션에 최적화된 모델을 만들 수도 있습니다. 추가 기능은 이러한 모든 요소를 고려하여 최적의 모델을 구축할 수 있도록 도와줍니다.
또한 최신 하드웨어를 활용할 것입니다. 일반적으로 NVIDIA GPU가 탑재된 Windows 컴퓨터나 Mac의 경우 최신 M 칩 중 하나가 적합합니다. 이러한 계산은 특히 이미지의 개수와 크기가 증가함에 따라 매우 빠르게 부하가 걸리기 때문입니다. 강력한 컴퓨팅 성능이 도움이 됩니다. 다행히 요즘에는 이러한 장비를 비교적 저렴하게 구입할 수 있으며, 이를 통해 이전에는 불가능했던 예측 작업 등을 수행할 수 있습니다. 저는 JMP Pro가 매우 흥미로운 시기를 맞이하고 있다고 생각하며, 이미 많은 고객을 확보하고 있어 매우 기대됩니다.
이미 몇몇 분들이 이미지 기반 모델을 구축하고 파이썬을 이용해 실제 환경에 배포하고 있는 것으로 알고 있습니다. 제 생각에는 파이썬이 실제로 중요한 역할을 할 수 있다는 점은 이미 입증되었고, 이제 막 시작 단계라고 생각합니다. 정말 흥미진진한 시기입니다.
네, 전적으로 동감합니다. 훌륭한 사례들을 공유해 주셔서 감사합니다. 말씀하신 대로, 데이터가 중요한 역할을 한다는 것을 이미 확인했습니다. 다시 한번 정리하자면, 저희는 항상 과학자와 엔지니어들이 일상생활에서 데이터를 더욱 효율적으로 활용할 수 있도록 돕는 데 집중해 왔습니다. 하지만 이들은 일반적으로 데이터에 대한 전문적인 배경지식이 부족합니다. 게다가, 머신러닝 모델을 처음부터 코딩하는 것과 같은 것을 배울 시간적 여유가 없는 경우가 많습니다.
네, 답변드리자면, JMP에는 이미 많은 과학자와 엔지니어들이 익숙해져 있는 모든 도구들이 포함되어 있습니다. 게다가, 매우 직관적이고 완벽한 도구 세트를 갖추게 되었고, 오늘 보신 것처럼 최첨단 방법론까지 활용할 수 있게 되었습니다. 한마디로 요약하자면, JMP는 인공지능과 머신러닝의 미래에 중요한 역할을 할 수 있다고 생각합니다. 동의하시죠?
전적으로 동의합니다. 뿐만 아니라, 코더와 과학자 사이에는 흥미로운 접점이 있다고 생각합니다. 그 간극은 많은 경우 결코 작지 않으며, 양쪽 모두에게 얻을 것이 많습니다. 우리가 그 접점에서 조력자 역할을 한다면, 경우에 따라서는 한계를 뛰어넘을 수도 있을 것입니다. 인터페이스를 설계할 때, 어떤 기본값이 가장 좋을지, 어떻게 구성하는 것이 가장 좋을지 등 여러 가지 질문을 고민해야 합니다. 이러한 모든 요소들이 복잡성을 줄이고 모두가 더 빠르고 질 높은 답을 얻는 데 도움이 될 것이라고 생각합니다.
저도 전적으로 동감합니다. 러셀, 정말 감사합니다. 오늘 이야기는 여기서 마무리되는 것 같지만, 언제든 이 주제에 대해 더 이야기를 나눌 수 있다면 기쁠 겁니다.
감사합니다.
감사합니다. 안녕히 가세요. 잘 가세요.
