$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

Azure 클라우드 플랫폼의 가상서버 호스팅을 이용한 데이터 수집환경 및 분석에 관한 연구
A study on data collection environment and analysis using virtual server hosting of Azure cloud platform 원문보기

한국컴퓨터정보학회 2020년도 제62차 하계학술대회논문집 28권2호, 2020 July 15, 2020년, pp.329 - 330  

이재규 (전자부품연구원 지능융합SW연구센터) ,  조인표 (전자부품연구원 지능융합SW연구센터) ,  이상엽 (전자부품연구원 지능융합SW연구센터)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 Azure 클라우드 플랫폼의 가상서버 호스팅을 이용해 데이터 수집 환경을 구축하고, Azure에서 제공하는 자동화된 기계학습(Automated Machine Learning, AutoML)을 기반으로 데이터 분석 방법에 관한 연구를 수행했다. 가상 서버 호스팅 환경에 LAMP(Linux, Apache, MySQL, PHP)를 설치하여 데이터 수집환경을 구축했으며, 수집된 데이터를 Azure AutoML에 적용하여 자동화된 기계학습을 수행했다. Azure AutoML은 소모적이고 반복적인 기계학습 모델 개발을 자동화하는 프로세스로써 기계학습 솔루션 구현하는데 시간과 자원(Resource)를 절약할 수 있다. 특히, AutoML은 수집된 데이터를 분류와 회귀 및 예측하는데 있어서 학습점수(Training Score)를 기반으로 보유한 데이터에 가장 적합한 기계학습 모델의 순위를 제공한다. 이는 데이터 분석에 필요한 기계학습 모델을 개발하는데 있어서 개발 초기 단계부터 코드를 설계하지 않아도 되며, 전체 기계학습 시스템을 개발 및 구현하기 전에 모델의 구성과 시스템을 설계해볼 수 있기 때문에 매우 효율적으로 활용될 수 있다. 본 논문에서는 NPU(Neural Processing Unit) 학습에 필요한 데이터 수집 환경에 관한 연구를 수행했으며, Azure AutoML을 기반으로 데이터 분류와 회귀 등 가장 효율적인 알고리즘 선정에 관한 연구를 수행했다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 Microsoft Azure 클라우드 플랫폼의 가상서버를 기반으로 NPU 학습을 위한 데이터 수집환경 구축과 AutoML을이용한 효율적인 분석방법에 관한 연구를 수행했다. 특히, LAMP를 이용한 데이터 수집 환경 구축에 관한 연구와 Azure AutoML기반 데이터에 최적화된 기계학습 모델 도출 방법에 관한 연구를 수행하고 절차를 기술했다.
  • [2] 임베디드 시스템 및 NPU를 이용한 인공지능 시스템을 설계하기 위해서는 양질의 데이터 확보가 매우 중요하다. 본 논문에서는 NPU 학습에 필요한 데이터 수집 환경 구축에 대한 연구를 수행했으며, Azure AutoML을 이용해 최적 알고리즘을 도출하는 연구를 수행했다. AutoML을 이용하면 실제 임베디드 시스템을 위한 기계학습 알고리즘 설계 및 포팅 (Porting) 이전에 데이터에 적합한 알고리즘을 도출 할 수 있기 때문에 효과적으로 시스템을 구성할 수 있다.
  • 임베디드 플랫폼 기반 인공지능 시스템을 구현하기 위해서는 고수준의 최적화 작업이 필요하며, 수많은 데이터 기반의 시뮬레이션및 테스트가 요구된다. 본 논문에서는 NPU 학습을 위한 데이터 수집 환경과 Azure AutoML기반 범용 기계학습 최적화 모델 분석에 관한 연구를 수행했다.
  • 본 논문에서는 Microsoft Azure 클라우드 플랫폼의 가상서버를 기반으로 NPU 학습을 위한 데이터 수집환경 구축과 AutoML을이용한 효율적인 분석방법에 관한 연구를 수행했다. 특히, LAMP를 이용한 데이터 수집 환경 구축에 관한 연구와 Azure AutoML기반 데이터에 최적화된 기계학습 모델 도출 방법에 관한 연구를 수행하고 절차를 기술했다. 본 논문과 같이 Azure AutoML을 이용해 최적 알고리즘을 도출한 후 기계학습 모델을 설계하고 임베디드 시스템 기반 인공지능 시스템을 구현하면, 보다 빠르고 효율적인 기계학습 솔루션을 설계 및 구현할 수 있을 것이다.
본문요약 정보가 도움이 되었나요?

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로