최근 AI 모델 개발이 점점 더 쉬워지고 있다. 기존에는 머신러닝과 딥러닝 모델을 만들려면 복잡한 코드를 작성하고, 데이터 전처리와 모델 학습 과정에서 수많은 파라미터를 조정해야 했다. 하지만 로우코드 AI는 이러한 복잡성을 줄이고, 코드 작성 없이도 AI 모델을 만들 수 있도록 돕는다. 이 책은 바로 그런 로우코드 AI의 개념과 실제 활용 방법을 설명하는 책이다.
 

로우코드 AI(Low-Code AI)는 적은 코딩(little coding) 또는 코드 없이(no coding) AI 모델을 개발하고 배포할 수 있는 플랫폼이나 툴을 의미한다. 즉, 궁극적으로는 프로그래밍 지식이 없어도 드래그 앤 드롭(Drag & Drop) 또는 간단한 설정만으로 AI 모델을 만들고 활용할 수 있는 방식이다. 따라서 비전문가도 전문 지식 없이 기존 코드 기반 AI 개발보다 빠르게 머신러닝에 대한 데이터 수집, 학습, 배포 등을 수행할 수 있는 것이다. 그리고 이 책에서 그 방법을 알려주고 있다.
 

"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다."

이 책은 카공하면서 쭉 읽어보았다. 도서의 앞 부분은 일반적인 머신러닝을 다시 한번 복습하고 상기할 수 있는 내용으로 이루어져 있다. 책의 초반부에서는 머신러닝이 의사결정 과정에서 어떻게 활용될 수 있는지를 다룬다. 기업에서는 데이터를 기반으로 의사 결정을 내리는데, 데이터를 단순히 수집하는 것이 아니라 어떤 유형인지 이해하는 것이 중요하다. 데이터의 특성을 파악하고 문제 정의부터 시작하는 것이 효과적인 머신러닝 프로젝트의 핵심이라는 점을 강조한다. 특히, 비즈니스 문제를 해결하기 위해서는 노코드, 로우코드, 그리고 일부 코드를 추가하는 방식까지 다양한 접근이 가능하다는 점을 설명하며, 로우코드가 그 중간 지점에 위치함을 보여준다.
 

책에서는 배치 데이터(batch data)와 스트리밍 데이터(streaming data)의 차이를 설명하는 부분도 인상적이었다. 과거의 데이터를 분석하는 것과 실시간 데이터를 처리하는 것은 다르며, 로우코드 AI를 활용하면 실시간 데이터도 비교적 쉽게 다룰 수 있다는 점이 흥미로웠다. 단순히 데이터 분석을 하는 것이 아니라, 데이터의 흐름을 이해하고 이를 비즈니스 인사이트로 변환하는 것이 중요하다는 점을 여러 사례를 통해 강조한다.

책에서는 데이터 분석을 위한 기본적인 파이썬 라이브러리인 판다스(pandas)의 활용법도 소개한다. 판다스를 사용하면 데이터를 불러오고 정리하는 과정을 효율적으로 수행할 수 있으며, 로우코드 AI 환경에서도 여전히 중요한 역할을 한다. 또한, 데이터 시각화를 위해 바이올린 플롯(violin plot)과 같은 차트 유형을 소개하며, 이를 활용하면 데이터 분포를 더 직관적으로 이해할 수 있음을 설명한다.

책의 후반부에서는 구글 코랩(Google Colab)과 같은 클라우드 기반 개발 환경을 활용하는 방법을 설명한다. 과거에는 머신러닝 모델을 학습시키기 위해 로컬에 파이썬 환경을 설치하고 여러 패키지를 설정해야 했지만, 이제는 웹 브라우저에서 바로 코드를 실행하고 실험할 수 있다. 특히, 구글 코랩에서 협업 기능을 활용하면 버전 관리, 풀 리퀘스트(PR), 이슈 트래킹 등을 통해 여러 사람이 함께 AI 모델을 개선할 수 있는 장점이 있다.

이 책은 로우코드 AI에 대한 개념을 배우고 싶은 사람들에게 좋은 입문서다. 머신러닝에 대한 깊은 이해가 없어도 AI 모델을 만들고 활용할 수 있는 방법을 체계적으로 설명하며, 비즈니스 사례와 함께 적용 방안을 제시한다. 다만, 로우코드 AI가 모든 문제를 해결할 수 있는 만능 도구는 아니며, 복잡한 모델을 다룰 때는 여전히 커스텀 코드가 필요하다는 점도 언급된다.

로우코드 AI는 AI 개발의 문턱을 낮추는 중요한 기술이며, 앞으로 더욱 발전할 가능성이 크다. 이 책을 통해 로우코드 AI의 개념을 익히고, 실제로 활용해 볼 기회를 가져보는 것도 좋을 것 같다.

한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다.

고객 유지율을 높이고 고객 이탈율을 줄이려면 어떻게 해야할지 궁금한 경우가 많다. 이것은 '이탈한 고객'과 '이탈하지 않은 고객'이라는 두 범주로 나누어지는 분류 문제는 지도학습에 속하는 문제이다. 이와 같은 문제들을 해결하기 위해서 다양한 오픈소스 ML 라이브러리들을 활용해서 모델의 평가를 수행할 수 있다. 

탐색적 데이터 분석을 위해 데이터의 분포를 여러가지 차트를 통해서 살펴보고, AutoML을 통해 선형 회귀 모델을 학습시키는 과정들이 책에 잘 정리 되어 있어서, 머신러닝을 새로 배우는 사람들도 무리없이 따라할 수 있을 것이다. 

이 책의 챕터 6에는 전력생산량 예측을 예로 들어, 빅쿼리 ML을 통해 모델을 학습시켜 시간당 전기 에너지 순생산량을 예측하는 과정이 정리되어 있다. 빅쿼리의 IF 함수를 통해 널값의 유무를 확인하고, MIN과 MAX 함수를 사용하여 모든 값이 예상 범위내에 있는지 확인한다. 코랩에서 상관계수 행렬을 만들어 에너지 생산을 예측하는데 사용할 수 있는 특징들을 걸러내고, 빅쿼리에서 선형회귀 모델을 학습시키고 평가를 해볼 수 있다. 마지막으로, 변수가 주어졌을 때의 전력생산량을 예측하는 서비스를 제공하게 된다.
 
이 책에서 사용된 코드와 연습문제들은 모두 깃허브 저장소를 통해 다운로드할 수 있어서 학습에 큰 도움이 된다. 문제 해결 중심의 ML 학습방법에 대해 공부할 수 있어서 좋았다. 로우코드 솔루션에 관심있는 분들에게 이 책을 추천한다.

로우코드 AI 는 노코드 및 로우코드 솔루션을 활용해 머신러닝을 쉽게 배우고, 비즈니스 문제 해결에 적용할 수 있도록 안내하는 실용적인 책이다. AutoML, 빅쿼리 ML, 텐서플로우 등 다양한 도구를 활용하여 초보자도 쉽게 ML 모델을 구축할 수 있으며, 고급 사용자를 위한 커스텀 트레이닝까지 다룬다. 실전 프로젝트 중심의 설명이 인상적이며, ML을 배우고 싶은 비전공자나 실무자에게 추천할 만한 책이다.

"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다."

이 책은 "AI를 배우고 싶은 비전공자 및 입문자", "코딩 없이 AI를 활용하고 싶은 직장인", "데이터 과학이나 ML 분야로 진로를 고려하는 사람" 들에게 추천드립니다.

특히 프로그래밍이 부담스럽지만 머신러닝을 배우고 싶은 사람들에게 이 책이 좋은 입문이 될 것 같아요. AI 초보자들에게는 자신감을, 전문가들에게는 다양한 접근법에 대한 통찰을, 그리고 기업 관리자들에게는 실질적인 비즈니스 가치 창출 방법을 제공하는 균형 잡힌 가이드북입니다.

한 달이라는 짧은 기간 동안 AI 기능을 적용한 웹서비스를 구현하는 과정에서 시간적 한계에 대한 부담이 컸고 복잡한 코딩 없이도 AI를 학습하고 활용할 수 있는 방법의 필요성을 느꼈다.

이러한 상황에서, 한빛미디어 출판사의 '로우코드 AI'라는 책을 접하게 되었다.

책을 읽기 전, 뒷표지의 소개말을 보고 AutoML, BigQuery ML, Scikit-learn과 Keras 등의 다양한 도구를 활용하여 학습하고 적용할 수 있도록 소개해 준다는 설명을 보고 기대하며 책을 펼쳤다.

이 책은 첫 부분에서 데이터를 활용해 머신러닝 모델로 의사결정을 내리는 과정을 먼저 설명해 준다.
AI에 대해 처음 접하는 사람도 이 과정을 통해 전반적인 흐름을 익히는 데 큰 도움이 될 것 같다는 생각이 들었다.

이어서 AutoML과 빅쿼리 ML을 활용한 프로젝트 중심의 학습이 이어지는데,

친절한 워크플로 차트와 데이터 설명 표, 그리고 실습을 따라 하기 편하도록 꼼꼼하게 추가된 화면 캡처가 인상적이었다. 정말 AI를 아예 처음 접하는 사람도 무리 없이 이해하고 실습을 따라 할 수 있을만한 구성이었다.

마지막으로 Scikit-learn과 Keras를 사용해 직접 모델을 구현해 볼 수 있는 내용도 포함되어 있다.
앞부분을 충분히 학습한 뒤 실제 파이썬 코드로 모델을 만들어보고 싶은 독자들에게 매우 유익할 것 같다.

이 책은 AI를 처음 학습하려고 마음먹었지만 막막함을 느끼는 사람들,

제한된 시간과 인력으로 빠르게 AI 서비스를 구축해야 하는 스타트업 개발자들,

또는 로우코드로 모델 개발하는 방법이 궁금한 이들에게 큰 도움이 될 것이다.
 

한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다.

항상 느끼는게 특정 주제의 내용을 기본서로 공부한 후 실제로 필드에서 적용시킬때 고생을 굉장히 많이 한다. 과거 개발자 일때도, 현재 연구자 일때도 동일하게 벌어지는 일이라 더 갸우뚱했고, 결국 시중에 '기본서'는 많지만 '응용서'는 거의 없기 때문이 아닐까 하는 결론을 내렸다.

예를 들어, AI에 대한 기본서는 서점에서 수백권의 책을 찾을 수 있지만 AI를 실제로 내 분야에서 적용하기 위한 '응용서'는 어디에서도 찾을 수 없다. 실제 현업에서는 기초적인 내용보단 심화있는 내용을 바로 적용할 수 있는 스킬이 필요하다. 이 책은 다양한 산업에서 AI를 어떻게 적용시킬지에 대한 내용을 담고 있어 더욱 추천!

"한빛미디어 서평단 <나는 리뷰어다> 활동을 위해서 책을 협찬받아 작성된 서평입니다."

​

데이터 수집과 분석에 관심이 많았다. 이유는 농업 분야에서 ML Model을 설계하고자 하여도 제대로 수집되거나 분석된 정형 비정형 데이터가 거의 없다 보니, 연구과제를 진행해도 데이터 수집에 70~80% 에너지와 시간을 할애하곤 하였다. 농업은 여전히 데이터 수집과 정제에 대한 표준화 및 기초조차 마련되지 않아 난감한 경우가 많은데, 어렵사리 데이터를 수집하고 정제 한 후에 모델링을 구현하는 일은 이제, 노코드, 로우코드를 통해서 일괄처리하는 방식이 아니더라도 ML 모델링을 구현해 보면서 진행하는 방식도 가능할 것 같다. 이전에는 플랫폼을 이용하여 코딩을 하고 모델을 구현하여도 딥러닝의 경우는 은닉층의 하이퍼 파라미터 설정이나 가중치 값에 대한 고민이 깊었는데, 이 책은 노코드, 로우코드를 통해서 실시간 수집된 데이터를 일괄 처리하는 방식까지는 아니더라도 좀 더 데이터를 쉽게 다루거나 모델 구현을 도와준다.

AI에서 가장 중요한 요소도 들어있다.

데이터의 중요성, 라이브러리의 효율성, 플랫폼을 활용한 코딩 및 프레임워크 기능으로 모델 구축, 학습 및 최적화에 대한 실용적 접근 방식을 제안하면서 프로세스를 간소화하여 속도를 내고 있다. 노코드, 로우코드 AI를 완벽하게 설명하고 있고 더 나아가 XAI에 대한 개념까지 포함하면서 앞으로 진행될 AI의 단계로 밝힌다.

다양한 플랫폼과 언어를 사용할 수 있도록 모델 유형, 설계, 구현, 배포에 이르기까지 AI에 대한 기초지식과 실무지식을 한꺼번에 배울 수 있는 장점이 이 책에 있다. 코딩 기초가 없어 복잡한 요구사항이 별도로 필요하지 않은 노코드 플랫폼이나 로우코드 플랫폼을 사용하면서 신속한 프로젝트 개발과 데이터 분석에 이롭게 하려는 실무적인 책이다.

​

데이터를 다뤄보고 싶은 사람, 데이터를 활용하여 애플리케이션 구현을 위한 모델을 만들고 싶은 사람, 코딩에 대한 실무가 없더라도 책을 읽고 따라서 코드를 구현하다 보면 제시된 사례를 반복 학습하는 것만으로도 모델 학습을 할 수 있을 것 같다.

데이터의 품질과 중요성은 ML 모델의 정확성과 신뢰성에 영향을 끼치므로, 데이터를 훈련하고 수집하고 특징을 다루는 부분들에 대한 방법들이 사례별로 다양하게 나온다. 사전 구축된 모듈과 플랫폼을 사용함으로써 복잡한 워크플로나 알고리즘이 없는 간단한 애플리케이션을 개발, 사용자가 유연적인 제어기능을 함께 사용하면서 데이터를 다룰 수 있는 로우코드, 커스터마이징 모델 개발에 이르기까지. 목표가 무엇인지에 따라 가져올 수 있는 데이터와 데이터가 보여줄 수 있는 잠재적 상관관계에 대해서 볼 수 있는 통찰은 기본적으로 요구된다. 데이터 과학자, 데이터를 다루고 싶은 사람은 수학을 잘하는 것이 아니라 학제적 관점의 인사이트를 가진 사람들이 창의적 ML 모델을 만드는 것 같다. scikit-learn 및 Keras와 같은 머신 러닝 라이브러리에 이미 구축된 함수와 알고리즘을 충분히 사용함으로써 개발자가 전문적 코딩 지식 없이도 복잡한 머신 러닝 작업을 쉽게 수행할 수 있는 방법을 A-Z까지 순차적으로 설명한다.

노코드, 로우코드 AI로 분류 평가 지표도 실행함으로써 모델 정밀도, 재현율 쉽게 알 수 있다.

ML에서 사용되는 용어는 각 챕터별 사례와 코드를 통해서 적절한 시점에 설명해 줘 쉽게 이해가 가능하다. 불편추정량 Unbiased estimator, 손실함수, 가중치, 경사하강법 Gradient descent, 불량상태 ill-conditioned 등등.

구글이 제공하는 주피터 노트북(구글 코랩)으로 데이터 전처리를 실시하고 깃허브 저장소를 만들어 사용할 수 있는 사례. EDA(explanatory data analysis)는 ML 모델을 학습시키기 위한 특징 Feature를 선별하는 법, 수학이나 알고리즘 기반이 아니라 이해하고 직관적으로 이해가 되기 쉽게 서술되어 있다. 가벼운 컨테이너로 만들어진 구글 코랩을 사용하자.

​

각 분야별 목적에 따른 로우코드 모델 구현 사례가 있다. 따라 하다 보면 전문가?

소매: 제품 가격 – 매출 증대가 목표라면 우산 제작회사의 마케팅 담당자는 어떤 데이터를 수집할 것인가?

헬스케어: 심장질환 예방 캠페인 사망률을 예측하기 위한 필드 요소들은 무엇인가? 에너지: 공익 캠페인 – 데이터와 ML을 모르는 담당자가 AutoML 사용하여 기여 요소를 알 수 있을까? 보험 : 광고 미디어 채널의 매출 예측 – 채널 광고 지출에 기반한 매출 예측 ML 모델 개발은 어떻게 해야 하나? 금융 : 사기 탐지 – ML 배경지식이 없고 프로그래밍을 할 줄 몰라 AutoML을 사용하기로 결정했을 때, 어떤 데이터가 기여할 것인가? 에너지 : 전력 생산량 예측 - 시계열 데이터가 없는 상태에서 SQL 기본 지식으로 구글 빅쿼리 ML을 사용할 수 있을까? 통신 : 고객 이탈 예측 - 파이썬을 조금 다룰 줄 안다면 모델 제어가 가능한 로우코드 솔루션으로 사이킷런과 케라스를 사용하여 데이터를 다루는 것이 쉬울까? 자동차 : 사용자 정의 모델 성능 향상 -선형회귀 모델로 성능 개선을 하는 방법에 사용되는 다양한 학습도구들에 대한 요소.

​

가장 흥미로운 부분은 노코드 AutoML . 구글 버텍스AI 플랫폼 사용법이다.

구글 AutoML, 마이크로소프트 애저 Azure AutoML, AWS 세이지메이커 AutoML 등의 솔루션 중에서 쉽게 사용할 수 있으니, 독자들도 따라 해보았으면 좋겠다. 데이터의 스케일링, 목표에 맞는 데이터 특징을 찾는 방법, 모델 학습, 평가 튜닝 그리고 이후의 평가와 검증을 거쳐 모델을 배포하는 일까지 하나의 플랫폼에서 할 수 있는 손쉬운 노코드, 로우코드!

로우코드 프레임워크

구글 빅쿼리 기반 오픈소스 / 오토케라스

아마존 오로라, 레드시프트 기반 오픈소스 / 오토 사이킷런

마이크로소프트 애저 SQL 서버 오토 파이토치

AutoML로 선형회귀 모델 학습하는 사례 중 회귀의 평가지표에 대한 부분은 R제곱, 조정된 R제곱, 평균제곱오차, 평균제곱근 오차 등이 사용되는데, 최근 논문에서는 R 제곱보다는 모델의 독립변수 개수를 고려해 R 제곱을 수정한 조정된 R 제곱 값을 많이 쓰는 경향이 있다. 이는 모델이 너무 많은 독립변수를 사용함으로써 발생하는 과대적합의 문제를 해결하기 위한 방법이다. 조정된 R 제곱 값은 R 제곱 값보다 독립변수의 개수에 덜 민감하므로 모델의 성능을 더 공정하게 평가할 수 있다.

빅쿼리ML 개념에 대해서도 살펴보는 좋은 계기가 되었다. ML 모델 기본은 데이터셋을 이해하고 품질을 지켜야 한다. 이 과정에서 SQL과 빅쿼리라는 도구를 활용하여 데이터를 구글 빅쿼리에 빠르게 저장하고 SQL로 데이터를 분석할 수 있는 방법을 제시한다. AutoML 도구와 달리 빅쿼리에서는 직접 특징을 선택해야 한다.

​

설명 가능한 AI explainable AI(XAI)가 개념이 등장하는데 XAI의 목표는 모델의 행동을 사람이 이해할 수 있는 형태로 섦여하는 것으로 모델의 성능 개선, 문제 파악 등 다양한 방식으로 사용할 수 있단다.

​

Reminder!

노코드 솔루션 : ML 모델 구축해야 하지만 ML 전문 지식이 부족한 경우. 또 하나는 모델의 빠른 프로토타이핑이 필요한 경우 AutoML과 같은 노코드 도구를 사용하여 모델을 학습할 수 있고 버텍스 AI 등과 같이 손쉽게 배포할 수 있다.

로우코드 솔루션 : 도구의 제약 조건에 맞추어 데이터를 다루고자 하는 경우나, 사용자 정의가 필요한 경우, 사용이 가능하며 모델 구축 시간을 단축할 수 있는 장점이 있다.

가장 유연성 있는 커스터마이징 모델링이 구현될 수 있는 데이터를 다루는 일은 AutoML, Low Code에서 시작한다.

​

머신러닝 추론이란 ML 모델로 새로운 데이터를 예측하는 과정을 의미한다. 예측 성능은 지속해서 개선해야 한다.

​

"코딩 없이도 AI를 적용할 수 있을까?"
"AutoML과 로우코드 AI 기술을 어떻게 활용할 수 있을까?"
"비전공자도 AI 모델을 개발하고 운영할 수 있을까?"

이런 질문을 던져본 적이 있다면, "로우코드 AI"는 여러분에게 꼭 필요한 책입니다.

AI는 이제 기업의 경쟁력을 결정하는 중요한 요소입니다. 하지만 AI 모델을 구축하고 운영하려면 높은 수준의 프로그래밍 기술과 데이터 분석 역량이 필요해 비전공자들에게는 큰 장벽이 존재합니다. "로우코드 AI"는 이러한 장벽을 허물고, 비전공자도 AI를 활용할 수 있도록 돕는 가이드북입니다.

이 책은 AutoML, BigQuery ML, Vertex AI, Scikit-learn, Keras 등 로우코드/노코드 머신러닝 도구를 활용해 데이터 수집 → 전처리 → 모델 학습 → 평가 → 배포 및 운영(MLOps)을 어떻게 진행할 수 있는지를 설명합니다.

즉, "머신러닝을 배우고 싶지만 프로그래밍이 부담스러운 사람"에게 꼭 맞는 책이라고 할 수 있습니다.