![Glass Box Approach to AutoML](/en-website-assets/static/c1bc0637232403b32d11da3a927b3a4b/Glass-Box-Approach-to-AutoML-1-light1678318359.png)
Databricks AutoML을 사용하면 기준 모델과 노트북을 빠르게 생성할 수 있습니다. ML 전문가는 일반적인 시행착오를 빠르게 수정하고 도메인 지식을 사용한 맞춤화에 집중하여 워크플로를 가속화할 수 있으며, 일반 데이터 사이언티스트는 로우코드 접근 방식으로 유용한 결과를 빠르게 얻을 수 있습니다.
![Jump-start new ML projects](/en-website-assets/static/1f59e140f9cfddb367109daab5de895a/Graphic-21678318424.png)
새로운 ML 프로젝트를 순조롭게 시작
Databricks AutoML은 데이터 사이언티스트가 개발을 순조롭게 시작할 수 있도록 모든 체험 실행에 트레이닝 코드를 제공합니다. 데이터 사이언티스트는 이 코드를 사용하여 머신 러닝(ML)용 데이터 세트 사용의 타당성과 ML 프로젝트의 방향성을 빠르게 평가할 수 있습니다.
다양한 ML 문제 해결
AutoML을 활용하면 분류부터 회귀, 예측에 이르는 다양한 머신 러닝 문제를 해결할 수 있습니다. AutoML은 각 문제 유형에 대해 다양한 머신 러닝 라이브러리의 여러 알고리즘을 사용하므로, 문제에 가장 적합한 옵션을 선택할 수 있습니다.
![Automate the grind of machine learning](/en-website-assets/static/045cff7b21a28e1ddba1203d4a681acc/Graphic-31678319032.png)
머신 러닝 작업 자동화
트레이닝 라이브러리, Experiment 추적을 위한 MLflow 통합, ML 모범 사례(예: 트레이닝 및 테스트 분할, 기능 정규화, 초매개변수 조정)를 사용하여 머신 러닝 프로젝트를 자동으로 설정합니다.
AutoML에 대한 "글래스박스(glass box)" 접근 방식
생성된 편집 가능한 노트북에서 도메인 전문 지식으로 기준 모델을 쉽게 맞춤화할 수 있습니다. 또한 이러한 노트북을 활용하여 AutoML 모델이 어떻게 감사 및 규정 준수 요구 사항을 충족하도록 트레이닝되는지 이해할 수 있습니다.