초록 ▼

- 기계학습 적용 시스템을 개발할 때 개발자의 부담을 최소화하기 위한 자율 기계학습 플랫폼의 기초 원천기술 개발
- 딥러닝 모델의 그래프 기반 모델링 및 기존 모델의 그래프 변환·수정·코드 생성을 지원하는 GUI 기반 도구 개발
- 자율 기계학습 프레임워크에 대한 요구사항 분석, 구성요소 식별 및 기능 정의
- 자율 기계학습 작업 수행을 위한 작업 표현 언어 및 파서의 요구사항 및 기능 정의, 논리적 기계학습 작업계획에 대한 실행계획 생성을 위한 기존 기계학습 프레임워크를 통한 랩퍼 구현
- 기계학습 작업의 병

- 기계학습 적용 시스템을 개발할 때 개발자의 부담을 최소화하기 위한 자율 기계학습 플랫폼의 기초 원천기술 개발
- 딥러닝 모델의 그래프 기반 모델링 및 기존 모델의 그래프 변환·수정·코드 생성을 지원하는 GUI 기반 도구 개발
- 자율 기계학습 프레임워크에 대한 요구사항 분석, 구성요소 식별 및 기능 정의
- 자율 기계학습 작업 수행을 위한 작업 표현 언어 및 파서의 요구사항 및 기능 정의, 논리적 기계학습 작업계획에 대한 실행계획 생성을 위한 기존 기계학습 프레임워크를 통한 랩퍼 구현
- 기계학습 작업의 병렬 실행을 위한 컴퓨팅 자원 및 가용 기계학습 알고리즘의 관리 기능 기초 기술 개발
- 컴퓨팅 자원 및 기계학습 프레임워크에 대한 원격 활용을 위한 자율 기계학습 플랫폼에 대한 요구사항 분석, 플랫폼 구조 설계 및 컴포넌트별 기능 정의
- 기계학습 알고리즘의 실행을 위한 분산 자원관리 미들웨어 정의, 태스크 원격 실행관리 및 모니터링 기능 설계와 프로토타입 구현
- 플랫폼의 마스터 컴포넌트, 태스크와 이벤트 관계 기반 태스크 관리 기능, 자율 기계학습 프레임워크와 연계 동작을 위한 인터페이스 정의 및 메시징 기능 구현
- 기계학습 알고리즘 수행에 따른 컴퓨팅 자원 수요 및 성능 예측에 기반한 병렬 분산 실행중인 알고리즘의 관리 전략 개발 및 관리 인터페이스 구현
- 인텔리전트 DB의 자율 기계학습 프레임워크 및 플랫폼 연동을 위한 요구사항 및 인터페이스 정의, 자율 기계학습 플랫폼과 기본 인터페이스 정의
- 기계학습 알고리즘 적용 시점 판단을 위한 점진적·반복적 데이터 분석을 통해 관계성 변화 확인, 인메모리 기반 캐시 공유를 통한 효율적 분석 기법
- 작업 품질을 보장을 위한 데드라인 기반의 자원 활용 가능성 및 데이터 접근성을 고려한 태스크 스케쥴링 기법
- 분산 데이터에 대한 기계학습 알고리즘 적용의 효율성 개선을 위한 빅 데이터 분산 저장 관리 및 부하상태를 고려한 동적 분산 데이터 관리 기법

(출처 : 보고서 요약서 3p)

Abstract ▼

Ⅳ. Research Results
[1st Year Work]
ㅇ requirement analysis of autonomic machine learning framework
– characteristics and supporting environment analysis of existing open source machine learning framework
– requirement specification of autonomic machine learning framework utilizing di

Ⅳ. Research Results
[1st Year Work]
ㅇ requirement analysis of autonomic machine learning framework
– characteristics and supporting environment analysis of existing open source machine learning framework
– requirement specification of autonomic machine learning framework utilizing distributed computing resource
ㅇ architecture specification of autonomic machine learning framework
– component identification of autonomic machine learning framework
– functionality definition of framework components and interface APIs
– prototyping of a machine learning design tool of autonomicity level 0
ㅇ interface requirement specification of available computing resource and machine learning algorithm application
– requirement and interface specifications for each autonomicity level using existing machine learning framework
ㅇ multiple parallel execution management of machine learning algorithms
– survey and analysis for multiple parallel execution management methods of machine learning algorithms
– machine learning model deployment strategy and interface specification of learning process monitoring for multiple parallel execution
ㅇ analysis of existing machine learning platforms and requirement analysis for autonomic machine learning platform
– characteristics analysis of existing machine learning platforms
– requirement specification of distributed cluster management
ㅇ distributed resource management middleware design of machine learning algorithm execution
– platform component design of state monitoring service for available resource and node in computing clusters
ㅇ Specification of platform architecture and roles of components
– distributed cluster node management component design of autonomic machine learning
– API specification of platform function usages
ㅇ task and event management component design
– specification of data transfer and processing methods for using existing machine learning platforms
– design of internal dataflow in a clustered computing resource
ㅇ distributed big data storage management architecture design for dynamic data change
– characteristics analysis of data and data change for dynamic machine learning
– analysis of existing big data storage management systems
– distributed storage management architecture design appropriate to data characteristics
ㅇ load-aware dynamic distributed data management for throughput maximization
– load balancing characteristics analysis for online machine learning
– dynamic data management strategy considering node-wise storage space and throughput
ㅇ relation change management for incremental and repetitive data analysis
– analysis of distributed data management methods with consideration of data relationships for training data
– relation change processing method for incremental and repetitive data analysis

[2nd Year Work]
ㅇ component development for autonomic machine learning framework
– specification of machine learning execution job descirption and parser description
– wrapper design and prototyping using existing machine learning frameworks
– logical machine learning job planning and execution plan generation method
– interface specification and prototyping of autonomic machine learning framework integration
– GUI-based tool development that edits graph-based deep learning models, importing existing models into a graph structure, modifying the graph and transforming it into code
ㅇ component development for autonomic machine learning platform
– integration specification and prototyping of platform master component and autonomic machine learning framework
– remote execution and performance monitoring component prototyping of machine learning jobs
– available computing resource and machine learning algorithm management techniques for parallel machine learning job execution
– parallel distributed execution management strategy development with computing resource demand and performance prediction in machine learning algorithm execution
ㅇ distributed caching and data update for incremental machine learning
– relation change detection and in-memory-based cache sharing technique for incremental and repetitive data analysis to determine the time point of machine learning algorithm application
– distributed storage and management technique for training data of machine learning
– API specification for integrating autonomic machine learning framework and platform to intelligent database

(출처 : SUMMARY 11p)

목차 Contents

• 표지 ... 1
• 제출문 ... 2
• 보고서 요약서 ... 3
• 요약문 ... 5
• SUMMARY ... 9
• CONTENTS ... 14
• 목차 ... 15
• 제 1 장 연구개발과제의 개요 ... 17
• 제 1 절 연구의 필요성 ... 17
• 제 2 절 연구개발 목표 및 범위 ... 21
• 1. 최종 연구개발 목표 ... 21
• 2. 단계별 연구개발 목표 ... 22
• 3. 연차별 연구개발 목표 및 범위 ... 23
• 제 2 장 국내・외 기술개발 현황 ... 26
• 제 1 절 국내·외 수준 및 현황 ... 26
• 1. 해외 수준 및 연구 현황 ... 26
• 2. 국내 수준 및 연구 현황 ... 38
• 제 3 장 연구개발 수행내용 및 결과 ... 46
• 제 1 절 연구개발 내용 ... 46
• 1. 연구내용 요약 ... 46
• 2. 연차별 연구내용 ... 53
• 3. 연구단 내 세부과제와 연계활동 ... 153
• 제 2 절 연구 성과 ... 154
• 1. 정성적(기술적)연구 성과 ... 154
• 2. 정량적 연구 성과 ... 163
• 3. 연구 성과 자료 ... 164
• 제 4 장 목표달성도 및 관련분야에의 기여도 ... 182
• 제 1 절 평가의 착안점 및 자체평가 ... 182
• 1. 평가 착안점에 따른 목표 달성도 ... 182
• 2. 목표달성에 대한 자체 평가 ... 183
• 3. 목표달성(연구수행) 중요 변경사항 ... 185
• 제 2 절 관련분야에의 기여도 ... 186
• 1. 경제적/산업적 기여도 ... 186
• 2. 기술 기여도 ... 186
• 3. 인력양성 기여도 ... 187
• 제 5 장 연구개발결과의 활용계획 ... 189
• 제 1 절 연구개발결과의 활용방안 ... 189
• 제 2 절 추가연구의 필요성 ... 192
• 제 6 장 연구개발과정에서 수집한 해외과학기술정보 ... 193
• 제 1 절 연구관련 기술자료 ... 193
• 제 2 절 기타 관련분야 정보기술 ... 193
• 제 7 장 연구시설‧장비 현황 ... 195
• 제 8 장 참고문헌 ... 195
• 제 9 장 연구비 집행실적 ... 197
• 부록 ... 198
• 끝페이지 ... 830