ML 트렌드 — 알고리즘·불균형 처리·HPO

이 문서는 ML 핵심 개념 섹션의 일부입니다.

제조업 ML의 필요성, 알고리즘 진화(70년의 여정), Gradient Boosting & Foundation Models, 불균형 데이터 처리, 하이퍼파라미터 최적화(HPO)를 다룹니다.

전체 노트북 코드: 03a_ml_trends_and_techniques.py

왜 제조업에 ML이 필요한가?

ML은 온도, 회전수, 토크, 공구 마모량 등 수십 개 센서의 상호작용 패턴 을 자동으로 학습하여, 사람이 발견하기 어려운 고장 전조 징후 를 포착합니다.

1. ML 알고리즘의 진화 — 70년의 여정

시대	핵심 발전
1950s	Perceptron (최초의 학습 가능한 모델)
1990s	SVM, Random Forest
2014	XGBoost — 산업 표준으로 자리잡음
2017	LightGBM, CatBoost
2020s	AutoML, Foundation Models
2024~	TabPFN, CARTE — 정형 데이터용 Foundation Model

제조업에서 알고리즘을 고르는 기준

제조 상황	추천 알고리즘
센서 데이터 기반 고장 예측	XGBoost / LightGBM
범주형 변수 다수	CatBoost
이미지 기반 외관 검사	CNN / Vision Transformer
데이터 부족한 초기 PoC	AutoML + TabPFN

2. 최신 구조화 데이터 기법

Gradient Boosting 앙상블 계열

알고리즘	핵심 혁신	장점
XGBoost	L1/L2 정규화 + 병렬 트리	안정적 성능, 산업 표준
LightGBM	Leaf-wise 성장, GOSS	2~10배 빠른 학습
CatBoost	범주형 자동 인코딩	전처리 불필요, 과적합 방지

정형 데이터용 Foundation Model (2024~)

기술	제조 적용 가능성
TabPFN	소량 데이터에서 XGBoost를 능가
CARTE	유사 설비 데이터를 전이 학습으로 활용

3. 불균형 데이터 처리

제조 예지보전 데이터는 고장률 약 3.4% 의 극심한 클래스 불균형이 특징입니다.

데이터 레벨 기법

기법	원리
SMOTE	소수 클래스 사이에 합성 데이터 생성
SMOTE-ENN	SMOTE 후 모호한 샘플 제거
BorderlineSMOTE	결정 경계 근처만 오버샘플링

권장 전략

1순위: SMOTE-ENN
2순위: scale_pos_weight
3순위: BorderlineSMOTE

주의 제조 예지보전에서는 Recall(고장 탐지율) 이 가장 중요합니다.

4. HPO 최신 기법

기법	장점	Databricks 지원
Grid Search	확실한 최적화	scikit-learn 내장
Optuna	적은 시행으로 최적화, 시각화 내장	MLflow 자동 연동
Hyperopt	Spark 클러스터 분산 HPO	SparkTrials 네이티브
FLAML	알고리즘까지 자동 선택	pip install

Optuna의 핵심 기능 — Pruning

학습 도중 가망 없는 조합을 즉시 중단하여 HPO 시간을 50~80% 절감 합니다.

import optuna

def objective(trial):
    params = {
        "max_depth": trial.suggest_int("max_depth", 3, 10),
        "learning_rate": trial.suggest_float("learning_rate", 0.01, 0.3, log=True),
    }
    return train_and_evaluate(params)

study = optuna.create_study(direction="maximize")
study.optimize(objective, n_trials=50)

GenAI 핵심 개념

RAG (검색 증강 생성)

ML 핵심 개념

MCP (Model Context Protocol)

개요

2026년 4월 핫 키워드

기업별 동향 분석

ML 트렌드 — 알고리즘·불균형 처리·HPO

왜 제조업에 ML이 필요한가?

1. ML 알고리즘의 진화 — 70년의 여정

제조업에서 알고리즘을 고르는 기준

2. 최신 구조화 데이터 기법

Gradient Boosting 앙상블 계열

정형 데이터용 Foundation Model (2024~)

3. 불균형 데이터 처리

데이터 레벨 기법

권장 전략

4. HPO 최신 기법

Optuna의 핵심 기능 — Pruning

​왜 제조업에 ML이 필요한가?

​1. ML 알고리즘의 진화 — 70년의 여정

​제조업에서 알고리즘을 고르는 기준

​2. 최신 구조화 데이터 기법

​Gradient Boosting 앙상블 계열

​정형 데이터용 Foundation Model (2024~)

​3. 불균형 데이터 처리

​데이터 레벨 기법

​권장 전략

​4. HPO 최신 기법

​Optuna의 핵심 기능 — Pruning

왜 제조업에 ML이 필요한가?

1. ML 알고리즘의 진화 — 70년의 여정

제조업에서 알고리즘을 고르는 기준

2. 최신 구조화 데이터 기법

Gradient Boosting 앙상블 계열

정형 데이터용 Foundation Model (2024~)

3. 불균형 데이터 처리

데이터 레벨 기법

권장 전략

4. HPO 최신 기법

Optuna의 핵심 기능 — Pruning