Earticle

현재 위치 Home

digo: 생산성 향상을 위한 딥러닝 실험 관리 시스템
digo: Deep Learning Experiment Management System for Productivity Improvement

첫 페이지 보기
  • 발행기관
    한국차세대컴퓨팅학회 바로가기
  • 간행물
    한국차세대컴퓨팅학회 논문지 KCI 등재 바로가기
  • 통권
    Vol.16 No.6 (2020.12)바로가기
  • 페이지
    pp.66-75
  • 저자
    김경민, 박진호
  • 언어
    한국어(KOR)
  • URL
    https://www.earticle.net/Article/A388536

원문정보

초록

영어
Recently, advanced service using artificial intelligence has become a necessity, not an option. As a result, research on artificial intelligence has been accelerated, drawing attention to methods for efficient artificial intelligence research. A typical method is to use tools to effectively manage experiments in the course of the study. Existing deep learning studies have been inefficient due to collaboration based on fragmentary work methods and repetitive tasks for optimizing learning results. To improve these problems, this work designs and implements Digo(a combination of words that represent repetitive deep learning research as a compound word of dig and go), a collaborative-based deep learning experiment management tool that can provide a convenient and productive research environment, focusing on deep learning among artificial intelligence. Experiments and surveys were conducted on machine learning researchers to validate the performance of deep learning experimental management tools, and to confirm the convenience of hyperparameter automatic optimization and learning result visualization features.
한국어
최근 인공지능을 활용한 서비스 고급화는 선택이 아닌 필수가 되었다. 그에 따라 인공지능의 연구도 가속화되어 효 율적인 인공지능 연구를 위한 방법 또한 주목 받고 있다. 대표적인 방법으로는 연구 과정에서 효과적으로 실험을 관 리할 수 있는 도구를 사용하는 것이다. 기존의 딥러닝 연구는 파편적인 작업 방식을 기반으로 한 협업과 학습 결과 최적화를 위한 반복 작업으로 인해 비효율적이었다. 본 연구는 이러한 문제점을 개선하기 위해 인공지능 분야 중 딥 러닝에 초점을 맞추어 편리하고 생산적인 연구 환경을 제공할 수 있는 협업 기반의 딥러닝 실험 관리 도구인 digo(dig와 go의 합성어로 반복적인 딥러닝 연구를 표현하는 단어를 조합)를 설계 및 구현하였다. 기계학습 연구자 들을 대상으로 실험 및 설문조사를 실시하여 딥러닝 실험 관리 도구의 성능을 검증하였고, 하이퍼 파라미터 자동 최 적화 및 학습 결과 시각화 기능의 편의성을 확인하였다.

목차

요약
Abstract
1. 서론
1.1 파편적인 작업방식
1.2 단조로운 반복작업
1.3 데이터 유출위험
2. 관련연구
3. 생산성 향상을 위한 딥러닝 실험 관리 시스템 개발
3.1 협업 중심의 통합형 도구
3.2 하이퍼 파라미터 자동 최적화
3.3 클라우드/설치형 선택 서비스
4. 실험
5. 실험 결과
6. 향후 계획 및 응용분야
참고문헌

키워드

기계학습 시각화 실험 관리 협업 자동 최적화 딥러닝 Machine Learning Visualization Experiment Management Auto Optimization Deep Learning

저자

  • 김경민 [ Gyeongmin Kim | 숭실대학교 글로벌미디어학부 ]
  • 박진호 [ Jinho Park | 숭실대학교 글로벌미디어학부 ] Corresponding Author

참고문헌

자료제공 : 네이버학술정보

간행물 정보

발행기관

  • 발행기관명
    한국차세대컴퓨팅학회 [Korean Institute of Next Generation Computing]
  • 설립연도
    2005
  • 분야
    공학>컴퓨터학
  • 소개
    본 학회는 차세대 PC 및 그 관련분야의 학술활동을 통하여 차세대 PC의 학문 및 기술발전을 도모하고 산업발전 및 국제협력 증진을 목적으로 한다.

간행물

  • 간행물명
    한국차세대컴퓨팅학회 논문지 [THE JOURNAL OF KOREAN INSTITUTE OF NEXT GENERATION COMPUTING]
  • 간기
    격월간
  • pISSN
    1975-681X
  • 수록기간
    2005~2026
  • 등재여부
    KCI 등재
  • 십진분류
    KDC 566 DDC 004

이 권호 내 다른 논문 / 한국차세대컴퓨팅학회 논문지 Vol.16 No.6

    피인용수 : 0(자료제공 : 네이버학술정보)

    함께 이용한 논문 이 논문을 다운로드한 분들이 이용한 다른 논문입니다.

      페이지 저장