머신러닝 모델 관리: 통합 모델링

번역가 | Cui Hao

리뷰어 | Sun Shujuan

오프닝 챕터

기계 학습은 다양한 비즈니스 문제를 해결하기 위해 다양한 비즈니스 시나리오에 적용됩니다. 방법을 배울 때.

많은 조직에서 기계 학습을 적용할 때 고급 및 고전 학습 방법을 사용합니다. 지도 학습과 비지도 학습이라는 친숙한 이분법이 있으며, 대조 학습, 강화 학습, 자기 지도 학습과 같은 새로운 기계 학습 변형도 있습니다.

또한 그래프 분석, 심층 신경망, 세분화, 행동 분석 및 기타 기술이 관련되어 있습니다. 금융 범죄를 근절하기 위한 자금세탁 방지 조치 강화 등 대규모의 복잡한 비즈니스 문제에 직면했을 때 조직에서는 사용할 머신러닝 방법을 어떻게 결정합니까?

통합 모델링을 사용하면 이 문제가 덜 중요해집니다. 이 기계 학습 접근 방식을 통해 조직은 다양한 모델을 활용하고 이를 예측 정확도와 결합하여 최적의 결과를 얻을 수 있습니다.

이 접근 방식은 금융 서비스, 사기 탐지 및 사이버 보안에서 고차원 데이터에 대한 전체 컨텍스트를 제공하는 데 도움이 됩니다. 앙상블 모델링을 사용하는 조직에서는 “앙상블 모델링을 통해 모델 구축에 더 많은 다양성이 가능해집니다”라고 말하며, Resistant AI의 CEO인 Martin Rehak은 “우리는 단일 모델이 눈에 띄는 것을 원하지 않습니다”라고 인정합니다.

모델의 다양성 사용 조직이 다양한 알고리즘을 사용하여 비즈니스 문제의 다양한 측면을 평가하여 충분한 정보를 바탕으로 설명 가능한 일관된 의사 결정 방법을 채택할 수 있습니다.

합의 기반 모델 의사 결정

앞서 언급한 앙상블 모델링의 원칙은 의심의 여지가 없습니다. 데이터 과학자는 비즈니스 사례에 맞는 완벽한 모델을 설계하는 데 많은 시간을 소비할 필요가 없고, 예측을 생성하기 위해 불완전한 모델을 결합하기만 하면 됩니다. . 능력. Rehak은 "앙상블 접근 방식으로 기계 학습을 살펴보면 작은 알고리즘으로 결정을 내립니다."라고 말했습니다. "그리고 우리의 경우 이러한 알고리즘은 최선의 결정을 내리기 위해 각 거래에 대해 동적으로 결합됩니다. 또한 각 모델은 자금 세탁 사건 식별과 같은 특정 분야에 특화될 수 있습니다."

예를 들어, 한 모델은 거래 규모에만 초점을 맞춥니다. 또 다른 모델은 거래 위치에 중점을 둡니다. 다양한 모델에서 거래에 참여한 특정 참가자를 조사할 수 있습니다. 목표는 "급상승이 없는" 상황이라고 Rehak은 설명합니다. "모델의 분포는 매우 평평하며, 모델에 해당하는 증거는 상대적으로 약합니다. 약한 증거 요소를 여러 개 결합하면 더 강력한 결정을 내릴 수 있습니다. 또 다른 이점은 고전적인 기계 학습과 단순한 모델을 통해 훈련량이 적다는 것입니다." 모델을 프로덕션에 적용하려면 데이터(및 주석)가 필요합니다. 이러한 모델은 많은 양의 훈련 데이터가 필요한 심층 신경망보다 해석하기가 더 쉽습니다.

컨텍스트 모델링

Rehak이 설명한 분포 평면 모델링 접근 방식을 다른 앙상블 모델링 기술과 구별하는 것이 중요합니다. 앙상블 모델링의 가장 일반적인 예에는 배깅 또는 부스팅이 포함됩니다(후자는 Xtreme Gradient Boosting이 필요할 수 있음). Random Forest는 다양한 의사결정 트리의 조합을 기반으로 한 부스팅의 예입니다. 이 접근 방식을 사용하면 "컬렉션의 이전 버전을 기반으로 하나씩 컬렉션을 구축할 수 있습니다"라고 Rehak은 말합니다. 예측 정확도가 높은 모델을 구축하는 빠른 방법이지만 과적합의 위험이 있습니다(훈련 데이터 세트가 너무 작기 때문에 모델이 프로덕션 데이터에 덜 적용 가능해짐).

Rehak의 통합 접근 방식은 이러한 이벤트에 영향을 미치는 컨텍스트를 기반으로 하기 때문에 AML 사용 사례에 더 적합합니다. 리학은 “자금세탁 전문가에게 거래가 악의적인지 물어보면 먼저 계좌 이력과 그 사람의 과거 행동을 살펴본다”고 말했다. 그의 접근 방식을 통해 지리적 위치, 시간대, 이해관계자 및 금융 기관과 관련된 요소를 별도의 기계 학습 모델을 사용하여 조사합니다. AI 시스템은 이러한 각 모델의 결과를 결합해야만 범죄 거래가 발생했는지 여부를 판단할 수 있으며 오탐률이 훨씬 적습니다. Rehak은 “머신러닝은 자금세탁 방지 팀을 압도할 수 있는 대부분의 이상값을 설명할 수 있습니다.”라고 말했습니다.

결정 경계

모델링을 위한 사용 사례를 통합할 때 60개 이상의 모델을 사용하여 분석 트랜잭션의 다양한 측면을 모델링하는 것이 일반적입니다. 통합 접근 방식의 실시간 결과는 이 애플리케이션 시나리오에 매우 적합합니다. Rehak은 “60개 알고리즘 중 하나는 모든 것을 세그먼트로 분할한 다음 초당 평균 트랜잭션 크기를 모델링할 수 있습니다.”라고 밝혔습니다. "동시에 업데이트되는 수천 개의 클립을 가질 수 있습니다."

잠재적인 범죄 행위를 발견하기 위해 각각 거래의 다양한 측면을 평가하는 다수의 모델이 앙상블에 통합되어 있으므로 더 포괄적인 접근 방식을 만들 수 없습니다. Rehak은 “우리는 귀하를 매우 다양한 각도에서 바라보므로 귀하의 행동을 형성하는 동시에 이러한 모든 범죄 행위를 피할 수 있도록 허용하기가 매우 어렵습니다. 왜냐하면 신원이 확인되지 않으려면 '범죄자'가 피해야 하기 때문입니다. 하나 이상의 결정 경계가 있지만 다수의 동적 결정 경계가 있습니다. 이러한 알고리즘의 각 모델은 독립적으로 학습된 다음 이를 함께 결합합니다. 첫째, 고급 기계 학습에 너무 많이 의존하지 않고 더 간단하고 해석 가능한 알고리즘(기존 기계 학습 포함)만 포함합니다. 이러한 모델은 거래 범죄를 평가하는 초석이 되었습니다. Rehak은 “무언가가 중요하다고 말할 때 그 이유를 알려줄 수 있습니다.”라고 말했습니다. "우리는 어떤 지표가 이를 나타내는지 알려줄 수 있습니다. 각 결과에 대해 이러한 요인으로 인해 거래 범죄의 위험이 높다는 것을 나타내는 보고서를 작성할 수 있습니다." 모델. 일반적으로 관계를 조사하는 데 좋은 그래프 분석과 관련된 알고리즘에는 다른 모델보다 더 큰 가중치가 부여됩니다.

모델은 의심스러운 행동을 설명할 수 있을 뿐만 아니라 이상값이 발생하는 이유도 알려줍니다. Rehak은 "일반적으로 앙상블에는 4~5개의 주요 알고리즘이 있는데, 이는 내가 그것이 이상치라고 믿을 때 다른 사람들도 그 뒤에 있는 알고리즘 때문에 동의한다는 것을 의미합니다"라고 말했습니다. "또한 4~5개의 트리거가 있어 결과가 이상 현상에 어느 정도 편향되도록 보장합니다." 개별 모델은 거래에서 한 가지 요소만 평가하므로 해석 가능성과 점수 단어 해석 가능성을 제공합니다. "우리는 세트를 알고, 마이크로 세분화를 알고, 볼륨을 알기 때문에 점수 옆에 질문을 사용하여 해당 정보를 쉽게 표시할 수 있으며, 볼륨은 회사의 재무 부서에 매우 중요합니다."라고 Rehak은 덧붙였습니다.

Integrated Patterns

결국 AML 활동에 엄청난 도움이 되긴 하지만 통합 모델링은 어떤 애플리케이션보다 더 많이 사용됩니다. 이 기술을 올바르게 적용하면 해석 가능성을 향상시키는 동시에 비즈니스에 중요한 문제를 해결하는 데 필요한 교육 데이터 및 주석의 양을 줄일 수 있습니다.

앙상블 모델링은 다양한 데이터 과학 기술을 활용하여 문제를 한두 가지로 제한하는 대신 여러 비즈니스 문제를 해결합니다. 결과적으로, 이 통합된 문제 해결 접근 방식은 AI 배포의 대표적인 사례가 될 수 있습니다.

번역가 소개

Cui Hao, 51CTO 커뮤니티 편집자, 선임 설계자는 18년의 소프트웨어 개발 및 아키텍처 경험과 10년의 분산 아키텍처 경험을 보유하고 있습니다. 이전에는 HP의 기술 전문가였습니다. 그는 공유할 의지가 있으며 600,000회 이상 읽힌 많은 인기 기술 기사를 작성했습니다. "분산 아키텍처의 원리와 실제"의 저자입니다.

​

​기계 학습 모델 관리: 앙상블 모델링​​​

위 내용은 머신러닝 모델 관리: 통합 모델링의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!