베이지안 최적화(Bayesian Optimization, BayesOpt라고도 함)는 JMP Pro 19에 새롭게 추가되는 플랫폼입니다. 이 플랫폼을 사용하면 기존 데이터를 사용하여 모델을 적합하고, 해당 모델을 기반으로 다음 샘플링 위치를 지능적으로 결정할 수 있습니다. 이러한 새로운 관측값은 모델을 업데이트하고 더욱 우수한 샘플을 찾는 데 사용됩니다. 이 프로세스는 최소한의 실행 횟수로 시작할 수 있으므로, 최적이 아닌 샘플에 낭비되는 리소스를 줄이고 새로운 기회를 탐색하는 데 더 많은 시간을 할애할 수 있습니다.
비디오를 선호하시나요? 여기에서 시청하세요.
문제를 쉽게 해결하세요
BayesOpt에는 "표준" 문제에 대한 자동 모드가 내장되어 있습니다. 세부 사항에 얽매이지 않고 다음에 살펴볼 부분을 파악하세요.
광범위하게 적용 가능
또는 보다 복잡한 문제나 세부 사항을 직접 파고들고 싶을 때를 대비해 대화형 사용자 정의 옵션을 사용할 수 있습니다.
신뢰와 투명성
BayesOpt 결과는 이해하고 해석할 수 있습니다. 플랫폼은 탐색 과정을 추적하기 위해 샘플이 어떻게 그리고 왜 선택되었는지 자동으로 감지하고 기록합니다. 플랫폼 내에서 이러한 이유를 직접 편집하여 문서를 맞춤 설정할 수도 있습니다.
또한, 이 플랫폼은 익숙한 예측 프로파일러와 내장된 선호도 함수를 기반으로 구축되어 바로 사용할 수 있습니다. 플랫폼의 제안을 액면 그대로 받아들일 필요는 없습니다! BayesOpt는 자동 제안 외에도 신뢰할 수 있고 해석 가능한 지표를 제공하여 추천을 기반으로 정보에 기반한 의사 결정을 내릴 수 있도록 지원합니다.
진행 상황을 추적하세요
내장된 바람직성 실행 차트를 통해 샘플 반복 과정에서 프로젝트가 얼마나 잘 진행되고 있는지에 대한 즉각적인 피드백을 받으세요.
다시 시작하지 않고도 옵션을 확장하세요
어떤 산업도 오랫동안 정체되지 않습니다. BayesOpt를 사용하면 제품 개발 프로세스 시작 후 옵션이 변경되더라도 옵션을 열어둘 수 있습니다. 연속형 변수의 경우, 프로파일러 축을 사용하여 플랫폼에서 직접 탐색하려는 범위를 확장한 후 선택할 새로운 후보 세트를 생성하세요. 요인 및 제약 조건을 더 복잡하게 변경하는 경우, 사용자 지정 후보 세트를 플랫폼에 로드하세요.
후보 집합에서 샘플 포인트를 선택하는 것 외에도 프로파일러를 사용하여 예측을 탐색하고 거기에서 샘플 포인트를 선택할 수 있습니다.
잠깐 엿보기
BayesOpt의 직관적인 워크플로를 보여주기 위해 간단한 예를 살펴보겠습니다. 아래는 JMP에 포함된 샘플 인덱스의 Tiretread 샘플을 재시뮬레이션한 버전입니다. BayesOpt 플랫폼을 사용하여 Elong과 Hardness에 대한 목표를 일치시키면서 마모 반응을 극대화할 것입니다. BayesOpt는 프로파일러 선호도를 매우 많이 활용하기 때문에 플랫폼을 실행하기 전에 선호도를 설정했습니다.
시작하려면 분석 메뉴에서 플랫폼을 실행하세요.
BayesOpt는 JMP 모델링 플랫폼의 일반적인 시작 대화상자를 제공합니다. BayesOpt 프로세스의 시작 단계이므로 이 시점에서는 Y와 X만 지정하면 됩니다. 여기서 배치 크기를 선택할 수 있는데, 이는 자동 모드에서 추가되는 행 수입니다. 기본값은 1이지만, 이 첫 번째 데모에서는 배치 크기를 2로 설정하겠습니다.
BayesOpt 플랫폼은 탭으로 구성되어 있습니다. 모든 응답에 대한 중요한 정보가 있는 모델 요약 탭부터 살펴보겠습니다. 가장 먼저 확인해야 할 것은 모든 RSq 요약입니다. 자동 모드 알고리즘은 RSq를 보고 모델이 충분히 좋은지 판단합니다. 아래에서 마모 모델의 RSq가 기준에 미치지 못하며 빨간색으로 강조 표시되어 있습니다. 그 아래에는 진행 상황을 지속적으로 보여주는 관찰된 바람직성 실행 차트가 있습니다. 이 경우, 초기 다섯 번의 실행이 좋지 않았음을 알 수 있습니다. 연속적인 반복을 통해 이러한 값이 증가하는 추세를 보이고자 합니다.
이 탭의 나머지 부분은 실제 플롯과 예측 플롯, 그리고 프로파일러를 갖춘 상당히 표준적인 JMP 플랫폼입니다. 하단의 버튼을 사용하면 예측 표준 오차의 추적을 확인할 수 있습니다. 이제 배치 선택 탭으로 넘어가 보겠습니다. 플랫폼의 자동 선택 기능이 실행 대화 상자에서 요청된 두 개의 실행을 찾았습니다. 기본적으로 자동 모드를 유지하도록 설정되어 있으며, 보고서가 매우 간결하게 표시됩니다.
RSq가 낮은 응답이 있으므로 플랫폼은 공간 채우기 탐색 단계를 유지하기로 했습니다. 공간 채우기 기준(MaxPro 공간 채우기)을 사용하여 가우시안 프로세스 모델의 적합도를 높였습니다.
여기에서 "테이블 만들기"를 클릭하면 실행이 자동으로 테이블에 추가되고 이번 라운드는 완료됩니다. 테이블로 돌아가 보면 두 개의 실행이 추가되었고, 반복 열과 추가 이유 열이 추가되어 해당 실행의 이유를 추적합니다.
시뮬레이터를 사용해 새로운 응답을 만들고 플랫폼을 다시 시작합니다.
플랫폼을 재출시한 후, 두 번의 공간 채우기 실행을 통해 응답에 더 잘 맞는 결과를 얻었지만 새로운 응답은 원래 다섯 가지 응답보다 의미 있게 나아지지는 않았습니다.
배치 선택 탭으로 이동해 보면, 두 실행 모두 공간 채우기 실행이 아니라는 것을 알 수 있습니다. 공간 채우기 단계에서 모델 미세 조정 단계로 이동했기 때문입니다. 테이블 만들기를 클릭하고 프로세스를 반복할 수 있습니다.
두 배치를 건너뛰어 보면 모델이 모두 여전히 좋은 것을 다시 확인할 수 있으며, 실행 차트에 따르면 두 번째 배치에서는 응답이 크게 개선되지 않았지만 세 번째 배치에서는 개선되었습니다!
배치 선택 탭을 보면 지금까지 본 것 중 가장 좋은 학습 실행을 복제하고 있는 것을 확인할 수 있습니다. 즉, 베이지안 최적화 알고리즘의 세 번째 단계인 확인/도전 단계로 넘어갔다는 뜻입니다. 이 단계에서는 먼저 최적의 실행을 확보했는지 확인하는 동시에, 해당 최적값에 도전하는 근처 실행을 찾습니다. 여기서 멈출 수도 있지만, 어떤 일이 일어나는지 보기 위해 한 단계 더 나아가 보겠습니다.
한 번 더 반복해 본 결과, 기본적으로 동일한 결과가 도출되고 자동 모드 알고리즘은 확인/챌린지 모드에 머물러 있음을 알 수 있습니다. 개선할 부분이 더 있을 가능성을 배제할 수는 없지만, 이 결과는 이미 최적의 설정을 찾았을 가능성을 시사합니다.
새로운 베이지안 최적화 플랫폼을 이용해 주셔서 감사합니다. 출시가 가까워짐에 따라 이 플랫폼의 더 많은 기능과 세부 정보를 공유해 드리고, 향후 출시를 위한 여러 가지 흥미로운 개선 작업을 진행하고 있습니다.
추가 읽기
Frazier, PI (2018). 베이지안 최적화 튜토리얼. arXiv 사전 인쇄본 arXiv:1807.02811 .
안녕하세요, 단계별 설명 감사합니다. 말씀하신 추가 자료 튜토리얼은 어떻게 볼 수 있나요?
