TensorMSA User Guide

TensorMSA Easy to Use UI/UX

우리의 프레임웍은 크게 두가지 형태로 서비스를 제공하는데 기본적으로 대부분의 기능을 Rest API 형태로 구축하여 서버간의 연동을 통한 사용방법과 지금 설명하고자 하는 UI/UX 기반의 서비스 제공이다. 서버간의 데이터 수집 및 모델 갱신 과정을 연동을 통해 자동화 하고자 할때는 Rest API 를 통해 서비스를 구성하는 것이 효과적일 것이고, 사용자가 분석을 하려는 목적을 가지고 있다면 UI/UX 기능을 사용하는 것이 효과적일 것이다. 우리의 UI/UX 는 대표적인 파이프 라인에 대해서 데이터를 넣고 자동으로 최적의 하이퍼 파라메터를 탐색하는 프로세스를 지원하도록 되어 있으며, 커스텀 형태의 기능들은 현재는 지원하지 않고 있다.

Main Page

로그인 후 화면에 처음들어 오면 위와 같은 메인 페이지를 볼수가 있다. 우리가 제공하는 주요한 메뉴는 화면의 상단에서 확인 할 수 있는데 간략하게 설명하면 다음과 같다.

(1) Net Info : 우리는 알고리즘을 비지니스 단위-파이프라인 구성단위-데이터훈련 단위로 나누어 각각 Network – Version -Batch 라고 명명하여 관리하고 있는데, 본 화면은 비지니스 관리 단위로 현재 서버에 등록된 대상들을 출력합니다.
(2) Net Detail : 정의되어 훈련된 모델의 상세 정보를 출력합니다.
(3) Net Create : 새로운 신경망을 정의합니다.
(4) Monitoring : 전체 시스템에 수행중인 Task 와 서버의 부하를 모니터링
(5) Setting : 서버 정보, 권한 정보 등을 세팅합니다.
(6) Apps : Deep Learning Layer 와 연동하여 서비스 가능한 Plugin 관리

(1) Defined Neural Network List

정의된 신경망을 출력하여 보여주고 있습니다. 관리자 권한으로 로그인한 경우가 아니면 자신이 권한을 가지고 있는 신경망에 대해서만 조회가 가능합니다. 정의된 신경망의 그룹, 서브그룹, 제목, 요약 사용여부, 최종 정확도와 같은 정보들을 출력하고 있으며, 여기에서 신경망을 선택하면 상세 화면으로 이동할 수 있다.

(2) Detail Information Page

(1)번에서 신경망을 선택하면 위와 같은 화면이 나온다. 위의 화면에서 출력되는 내용은 크게 3가지  “버전 요약정보”, “Genetic Algorithm 진행 정보”, “버전별 상세 결과 정보” 로 구성된다.
(가) 버전 요약 정보 : 제네틱 알고리즘을 수행한 결과는 버전별로 성능이 평가가 되는데, 이러한 결과를 정확도 역순으로 출력하여 성능이 좋은 모델순으로 요약 정보를 조회 할 수 있도록 합니다. 이 정보는 AutoML 이 진행되면서 실시간으로 업데이트 됩니다.
(나) AutoML 정보 : 전체 지정한 세대에 대해서 진행중인 정보를 세대, 구성원 단위로 나눠서 진행 정보를 이해할 수 있도록 그래프 형태로 표현하여 줍니다.
(다) 버전별 상세 결과 정보 : Genetic Algorithm 입장에서 보면 각 세대의 구성원, 프레임웍의 관리 단위에서 보면 신경망 버전단위의 훈련 결과를 상세히 출력합니다. 좌측의 그래프의 경우 카테고리별 정확도를 출력하고 있으며, 우측의 그래프는 각 카테고리의 상세 예측 결과를 보여주고 있습니다.

(3) Create New Network Page

새로운 신경망을 정의하기 위해 사용하는 화면으로 다음과 같은 내용들을 정의하고 있다. “신경망에 대한 비지니스 관점의 정의”, “알고리즘의 선택”, “선택한 알고리즘 동작을 위한 파라메터 정의” 크게 3가지로 나눌 수가 있다.
(1) 비지니스 관점의 정의 : 비지니스 명, 비지니스 설명, 그룹, 서브그룹 등 정보
(2) 알고리즘 선택 :  우리는 아래와 같이 3개의 카테고리의 알고리즘을 제공한다.

알고리즘을 선택하면 크게 6개의 노드로 구성된 파라메터 구성을 볼 수 있는데, 그 구성은 아래와 같다.  “데이터 추출”, “데이터 전처리”, “알고리즘 하이퍼 파라메터”, “평가 데이터”, “평가 방법” 등을 입력하여 주어야 한다.  우리의 프레임웍은 AutoML 을 적용하고 있어 정확한 파라메터 값이 아닌 탐색하기를 원하는 범위만 지정하면 내부적으로 Genetic Algorithm 을 활용하여 최적의 값을 탐색한다.

Application Layer – ChatBot Builder

우리가 제공하는 Deep Learning Layer 는 데이터 기반 모델을 훈련하고 서비스하는 것에 중점을 두고 있지만, 우리가 해결해야 하는 문제들이 모델만 가지고 해결되는 간단한 문제만 있는 것은 아니다. 대부분의 경우 Rule Base 시스템이나 각종 스케줄 로직 등을 딥러닝 모델과 연결하여 앙상블할 필요가 있을 수 있다. 대표적인 예가 챗봇인데 우리는 Frame Based ChatBot 어플리케이션 레이어를 제공하고 있으며 이 레이어를 통해서 챗봇 서비스를 제공할 수 있도록 지원한다.

위의 화면이 챗봇을 정의하는 화면을 보여주고 있다. 향후 다양한 어플리케이션이 추가되면 우리가 생성한 딥러닝 레이어와의 연동을하는 다양한 서비스를 사용할 수 있게 될 것이다.

Plugin Application – ChatBot Service

위의 화면은 챗봇을 구성하고 실제로 클라이언트 서비스를 통해서 테스틀르 하는 화면을 보여주고 있다.

Leave a Reply

Your email address will not be published. Required fields are marked *