> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# AutoML과 MLOps 트렌드

> 이 문서는 **[ML 핵심 개념](/blog/guides/ml-fundamentals/overview)** 섹션의 일부입니다.

AutoML, 앙상블 기법(Stacking), Feature Selection(Boruta, SHAP), 비정형 이상탐지(Anomalib, Foundation Model), MLOps 자동화 트렌드, PoC 적용 로드맵을 다룹니다.

***

## 5. AutoML (자동 머신러닝)

Databricks AutoML은 **코드 없이** 알고리즘 선택, HPO, 피처 엔지니어링을 자동 수행합니다.

```python theme={null}
from databricks import automl
summary = automl.classify(
    dataset=spark.table("lgit_pm_training"),
    target_col="machine_failure",
    primary_metric="f1",
    timeout_minutes=30,
)
```

> **참고**
> **권장 전략**: AutoML로 30분 내 베이스라인을 확보한 후, 생성된 노트북 기반으로 커스터마이징하세요.

***

## 6. 앙상블 기법 — "집단 지성"

### Stacking (스태킹)

여러 기본 모델(XGBoost, CatBoost, LightGBM)의 예측을 **메타 모델(Logistic Regression)** 이 결합합니다.

### 주의점

| 고려사항       | 설명           |
| ---------- | ------------ |
| **다양성 확보** | 서로 다른 계열을 결합 |
| **과적합 위험** | 3\~5개가 적정    |
| **추론 시간**  | 모델 수만큼 증가    |

***

## 7. Feature Selection — "어떤 센서가 중요한가?"

| 기법             | 원리                 |
| -------------- | ------------------ |
| **Boruta**     | 랜덤 포레스트 기반 통계적 검정  |
| **RFE**        | 반복적으로 가장 약한 피처 제거  |
| **SHAP-based** | 각 센서의 기여도와 방향을 정량화 |

> **참고**
> SHAP 기반 피처 선택은 **설비 엔지니어와 데이터 과학자 간의 공통 언어** 가 됩니다.

***

## 8. 비정형 데이터 최신 트렌드 — 이상탐지

### Anomalib 지원 모델 비교

| 모델                       | AUROC | 속도    | 적용 포인트          |
| ------------------------ | ----- | ----- | --------------- |
| **PatchCore**            | 99.1% | 보통    | 정확도 최우선         |
| **EfficientAD**          | 98.8% | 가장 빠름 | 실시간 검사, 엣지 디바이스 |
| **Reverse Distillation** | 98.5% | 빠름    | 속도/정확도 균형       |

### Foundation Model 기반 이상탐지 (2024\~)

| 기술                         | 제조 적용 가치                 |
| -------------------------- | ------------------------ |
| **WinCLIP**                | 학습 데이터 불필요 — 신규 라인 즉시 검사 |
| **AnomalyCLIP**            | 텍스트 설명만으로 탐지             |
| **GPT-4V / Gemini Vision** | 이상 탐지 + 자연어 설명 생성        |

> **주의**
> 신규 제품 라인에서 Zero-shot 모델로 시작하고, 데이터 축적 후 PatchCore/EfficientAD로 전환하는 **2단계 전략** 이 현실적입니다.

***

## 9. MLOps 자동화 트렌드

### Feature Store

| 기능                        | Databricks 지원              |
| ------------------------- | -------------------------- |
| **Offline**               | Unity Catalog 테이블          |
| **Online**                | Online Tables              |
| **Feature Function**      | Python UDF                 |
| **Point-in-Time Lookups** | Feature Engineering Client |

### Model Monitoring

| 기능                          | 제조 적용 가치          |
| --------------------------- | ----------------- |
| **Data Quality Monitoring** | 센서 분포 변화 자동 감지    |
| **Inference Tables**        | 모든 예측 결과 기록       |
| **Alerts**                  | Recall 하락 시 자동 알림 |

### LLMOps / Agent-based MLOps

AI Agent가 드리프트 감지 → 재학습 → 검증 → 배포 **전 과정을 자동화** 합니다.

***

## 10. PoC 적용 로드맵

### Phase 1: 빠른 성과 확보 (1\~2주)

1. 멀티 알고리즘 비교 (2시간)
2. Databricks AutoML (30분)
3. SMOTE-ENN 불균형 처리 (1시간)

### Phase 2: 성능 최적화 (2\~4주)

4. Optuna HPO (반일)
5. Stacking 앙상블 (반일)
6. PatchCore + EfficientAD (1일)

### Phase 3: 운영 안정화 (1\~3개월)

7. Data Quality Monitoring (1일)
8. Feature Store (1주)
9. MLOps Agent (2주)

***

### 핵심 메시지

> **주의**
> **ML 프로젝트 성공의 열쇠는 "최신 알고리즘"이 아니라 "체계적인 실험 관리"입니다.**

***

**다음 단계**: [재학습 전략](retraining-strategies) | [03. 모델 학습](../03-model-training)