1️⃣ Introduction

AutoML과 Prescriptive AI를 활용하여 고객이 제공한 데이터를 분석하고, 최적의 추천 값을 제안하는 AI 솔루션을 개발하였습니다.

1.1 Key Objectives

• 자동화된 의사결정 최적화

  AutoML을 활용하여 최적의 모델을 자동 학습하고 데이터 분석을 효율적으로 수행합니다.

• 비용 절감 및 생산성 향상

  분석 시간 단축 및 파이프라인 자동화를 통해 운영 비용을 절감하고 효율성을 높입니다.

• 다양한 산업 적용 가능

  헬스케어, 금융, 제조 등 다양한 산업에 적용할 수 있는 유연한 AI 솔루션을 제공합니다.

---

2️⃣ Model Architecture

본 프로젝트에서는 유전 알고리즘 기반 AutoML 라이브러리를 구축하여 가장 예측력이 높은 Surrogate Model을 찾고, Bayesian Optimization을 활용하여 고객의 목적에 맞는 최적의 의사결정을 도출하였습니다.

전체 서비스는 Streamlit을 통해 구현하였습니다.

2.1 AI Solution Architecture

2.2 Project Tree

level4-cv-finalproject-hackathon-cv-02-lv3
│  ├─ Service
│  │  ├─ Home.py
│  │  ├─ pages
│  │  │  ├─ 1_Data_Analysis.py
│  │  │  ├─ 2_AI_Solution.py
│  │  │  ├─ 3_Model_Training.py
│  │  │  ├─ 4_Results.py
│  │  ├─ utils
│  │  │  ├─ data_utils.py
│  ├─ Search
│  │  ├─ search.py
│  │  ├─ custom_bayes.py
│  │  ├─ search_concave.py
│  ├─ Surrogate
│  │  ├─ aisolution.py
│  ├─ autoML
│  │  ├─ autoML.py
│  │  ├─ metrics.py
│  │  ├─ pipeline_utils.py
│  ├─ assets
│  ├─ README.md
│  ├─ requirements.txt

---

3️⃣ Model Components

3.1 Surrogate Model

• AutoML 기반 모델 학습
  • 데이터 전처리, 피처 선택, 모델 선택, 하이퍼파라미터 최적화 자동 수행
  • 다양한 데이터셋에서 일관된 성능을 보장하는 모델 구축

3.2 Search Model

• Gaussian Process Regression
  • 주어진 데이터로부터 확률적 예측 모델을 생성
• Acquisition Function
  • 최적의 x를 찾기 위해 평가해야 할 데이터 포인트를 결정
  • Bayesian Optimization을 통해 효율적인 탐색 진행

---

4️⃣ How to Run

4.1 Install Required Libraries

pip install -r requirements.txt

4.2 Run Streamlit

Streamlit을 활용하여 UI를 제공하며, 사용자는 CSV 파일을 업로드하여 데이터를 분석하고 최적의 AI 솔루션을 탐색할 수 있습니다.

아래 Service Architecture를 통해 전체적인 프로세스를 확인할 수 있습니다.

How to Run:

streamlit run Service/Home.py

---

5️⃣ Demo

---

6️⃣ Memebers

LuckyVicky🍀

김소정	이동진	정지환	유정선	신승철	서정연
팀장, Search 모델 실험, 웹 구현	AutoML 구현, 벤치마크 데이터셋 분석	Search 모델 구현, 목적함수 개발	Search 모델 구현, 목적함수 개발	웹 구현, 전체 프로세스 연결 및 최적화	AutoML 구현, 벤치마크 데이터셋 분석

© 2025 LuckyVicky Team.

Supported by Naver BoostCamp AI Tech 7th.