쪽지발송 성공
Click here
재능넷 이용방법
재능넷 이용방법 동영상편
가입인사 이벤트
판매 수수료 안내
안전거래 TIP
재능인 인증서 발급안내

🌲 지식인의 숲 🌲

🌳 디자인
🌳 음악/영상
🌳 문서작성
🌳 번역/외국어
🌳 프로그램개발
🌳 마케팅/비즈니스
🌳 생활서비스
🌳 철학
🌳 과학
🌳 수학
🌳 역사
해당 지식과 관련있는 인기재능

안녕하세요!!!고객님이 상상하시는 작업물 그 이상을 작업해 드리려 노력합니다.저는 작업물을 완성하여 고객님에게 보내드리는 것으로 거래 완료...

30년간 직장 생활을 하고 정년 퇴직을 하였습니다.퇴직 후 재능넷 수행 내용은 쇼핑몰/학원/판매점 등 관리 프로그램 및 데이터 ...

#### 결재 먼저 하지 마시고 쪽지 먼저 주세요. ######## 결재 먼저 하지 마시고 쪽지 먼저 주세요. ####안녕하세요. C/C++/MFC/C#/Python 프...

개인용도의 프로그램이나 소규모 프로그램을 합리적인 가격으로 제작해드립니다.개발 아이디어가 있으시다면 부담 갖지 마시고 문의해주세요. ...

베이지안 최적화를 이용한 하이퍼파라미터 튜닝

2024-09-27 22:36:34

재능넷
조회수 42 댓글수 0

🎯 베이지안 최적화로 하이퍼파라미터 튜닝 마스터하기 🚀

 

 

안녕하세요, 여러분! 오늘은 머신러닝 세계에서 꼭 알아야 할 초강력 스킬, 베이지안 최적화를 이용한 하이퍼파라미터 튜닝에 대해 알아볼 거예요. 이거 진짜 대박인 거 아시죠? ㅋㅋㅋ 머신러닝 모델 성능 업그레이드하는 비밀 무기라고 할 수 있어요! 😎

우리가 이 주제를 파헤치다 보면, 여러분도 모르는 사이에 AI 전문가로 거듭날 수 있을 거예요. 마치 재능넷에서 새로운 재능을 발견하는 것처럼 말이죠! 자, 그럼 이 흥미진진한 여정을 함께 떠나볼까요? 🚀

💡 Pro Tip: 이 글을 끝까지 읽으면, 여러분도 하이퍼파라미터 튜닝의 달인이 될 수 있어요! 그럼 여러분의 AI 프로젝트가 쑥쑥 자라날 거예요. 마치 재능넷에서 여러분의 재능이 꽃피우는 것처럼요! 🌸

🤔 하이퍼파라미터가 뭐길래?

자, 먼저 하이퍼파라미터가 뭔지 알아볼까요? 이거 진짜 중요해요! 🧐

하이퍼파라미터는 머신러닝 모델의 학습 과정을 조절하는 설정값이에요. 쉽게 말해서, 요리할 때 불의 세기나 조리 시간을 조절하는 것과 비슷하다고 생각하면 돼요. 적절한 하이퍼파라미터 설정은 모델의 성능을 극대화하는 데 꼭 필요하답니다!

예를 들어볼까요? 🤓

  • 학습률 (Learning Rate)
  • 배치 크기 (Batch Size)
  • 에포크 수 (Number of Epochs)
  • 은닉층의 수와 크기 (Number and Size of Hidden Layers)
  • 정규화 강도 (Regularization Strength)

이런 것들이 바로 하이퍼파라미터예요. 이걸 잘 조절해야 모델이 제대로 작동한다니까요! 😉

🎭 비유 타임: 하이퍼파라미터는 마치 요리사의 비밀 레시피 같은 거예요. 재료(데이터)는 같아도, 이 '비밀 레시피'에 따라 요리(모델)의 맛(성능)이 확 달라지죠! 여러분도 AI 요리사가 되어 최고의 레시피를 찾아보는 거 어때요? 😋👨‍🍳

그런데 말이죠, 이 하이퍼파라미터를 설정하는 게 생각보다 어려워요. 왜냐고요? 🤔

  1. 무한한 조합: 하이퍼파라미터의 종류가 많고, 각각의 값 범위도 넓어서 가능한 조합이 거의 무한해요.
  2. 상호 의존성: 하나의 하이퍼파라미터 변경이 다른 하이퍼파라미터에 영향을 줄 수 있어요.
  3. 데이터 의존성: 최적의 하이퍼파라미터는 데이터셋마다 다를 수 있어요.
  4. 계산 비용: 모든 조합을 다 시도해보려면 엄청난 시간과 컴퓨팅 파워가 필요해요.

이런 이유 때문에, 하이퍼파라미터 튜닝은 정말 골치 아픈 작업이 될 수 있어요. 그래서 우리에게 필요한 게 바로... 베이지안 최적화랍니다! 🎉

하이퍼파라미터 튜닝의 어려움 하이퍼파라미터 튜닝 복잡성 시간 어려움 곡선

이 그래프를 보세요. 하이퍼파라미터 튜닝의 어려움을 잘 보여주고 있죠? 시간이 지날수록, 그리고 복잡성이 증가할수록 어려움이 급격히 올라가는 걸 볼 수 있어요. 이런 상황에서 베이지안 최적화가 우리의 구원자가 되어줄 거예요! 😇

자, 이제 베이지안 최적화가 어떻게 이 문제를 해결하는지 알아볼까요? 다음 섹션에서 자세히 설명해드릴게요. 기대되지 않나요? ㅎㅎ 🚀

🧙‍♂️ 베이지안 최적화의 마법

자, 이제 베이지안 최적화의 세계로 들어가볼까요? 이건 정말 대박이에요! 🎩✨

베이지안 최적화는 확률적 모델을 사용해 최적의 하이퍼파라미터를 찾아내는 똑똑한 방법이에요. 그냥 무작정 시도하는 게 아니라, 이전의 시도들을 바탕으로 "어떤 하이퍼파라미터가 좋을지" 예측하면서 찾아가는 거죠. 마치 보물찾기를 하는 것처럼요! 🗺️💎

🎮 게임으로 이해하기: 베이지안 최적화는 마치 '스무고개' 게임과 비슷해요. 여러분이 생각한 답을 맞추기 위해, 컴퓨터가 똑똑하게 질문을 선택하는 거죠. 각 질문(하이퍼파라미터 설정)마다 더 좋은 추측을 할 수 있게 되는 거예요!

베이지안 최적화의 핵심 요소들을 살펴볼까요? 🔍

  1. 목적 함수 (Objective Function): 우리가 최적화하고 싶은 대상이에요. 보통 모델의 성능 지표를 사용해요.
  2. 확률 모델 (Probabilistic Model): 이전 시도들의 결과를 바탕으로 목적 함수를 추정해요. 주로 가우시안 프로세스(Gaussian Process)를 사용하죠.
  3. 획득 함수 (Acquisition Function): 다음에 어떤 하이퍼파라미터를 시도해볼지 결정해요.

이 세 가지가 어우러져서 마법 같은 일을 해내는 거예요! ✨

베이지안 최적화 프로세스 목적 함수 확률 모델 획득 함수

이 그림을 보세요. 베이지안 최적화의 세 가지 핵심 요소가 어떻게 상호작용하는지 보여주고 있어요. 목적 함수에서 시작해서, 확률 모델을 거쳐, 획득 함수로 이어지는 과정이 반복되면서 최적의 하이퍼파라미터를 찾아가는 거죠. 멋지지 않나요? 😎

자, 이제 각 요소에 대해 더 자세히 알아볼까요? 🤓

1. 목적 함수 (Objective Function) 🎯

목적 함수는 우리가 최적화하고 싶은 대상이에요. 보통 모델의 성능 지표를 사용하죠. 예를 들면:

  • 분류 문제에서의 정확도 (Accuracy)
  • 회귀 문제에서의 평균 제곱 오차 (Mean Squared Error)
  • 교차 검증 점수 (Cross-validation Score)

목적 함수는 "블랙박스" 함수로 취급돼요. 즉, 입력(하이퍼파라미터)을 넣으면 출력(성능 점수)이 나오지만, 그 내부 작동 방식은 모른다고 가정하는 거죠.

2. 확률 모델 (Probabilistic Model) 🧠

확률 모델은 이전 시도들의 결과를 바탕으로 목적 함수를 추정해요. 가장 많이 사용되는 건 가우시안 프로세스(Gaussian Process)예요.

가우시안 프로세스는 어떤 점에서의 함수 값을 예측할 때, 그 주변 점들의 함수 값을 고려해요. 이게 바로 베이지안 최적화의 "학습" 능력이에요!

🌟 재능넷 Tip: 가우시안 프로세스를 이해하는 건 쉽지 않을 수 있어요. 하지만 걱정 마세요! 재능넷에서 머신러닝 전문가의 도움을 받아 더 깊이 있게 공부할 수 있답니다. 함께 배우면 더 재미있겠죠? 😉

3. 획득 함수 (Acquisition Function) 🕵️‍♂️

획득 함수는 다음에 어떤 하이퍼파라미터를 시도해볼지 결정해요. 이게 베이지안 최적화의 핵심이라고 할 수 있죠! 주로 사용되는 획득 함수들은:

  • 확률적 개선 (Probability of Improvement, PI)
  • 기대 개선 (Expected Improvement, EI)
  • 상한 신뢰 구간 (Upper Confidence Bound, UCB)

이 중에서 가장 많이 쓰이는 건 기대 개선(EI)이에요. EI는 "탐색(exploration)"과 "활용(exploitation)" 사이의 균형을 잘 잡아주거든요.

자, 이제 베이지안 최적화의 기본 개념을 알게 되었어요. 근데 이걸 어떻게 실제로 적용할 수 있을까요? 🤔 걱정 마세요! 다음 섹션에서 자세히 알아볼 거예요. ready? Let's go! 🚀

🛠️ 베이지안 최적화 실전 적용기

자, 이제 베이지안 최적화를 실제로 어떻게 적용하는지 알아볼 차례예요! 😎 이론은 알겠는데 실전에서 어떻게 쓰는지 궁금하셨죠? 걱정 마세요, 지금부터 상세하게 설명해드릴게요!

Step 1: 라이브러리 선택하기 📚

베이지안 최적화를 위한 여러 라이브러리가 있어요. 가장 인기 있는 것들을 소개해드릴게요:

  • Scikit-Optimize (skopt): 사용하기 쉽고, scikit-learn과 잘 통합돼요.
  • Hyperopt: 더 복잡한 최적화 문제를 다룰 수 있어요.
  • Optuna: 최신 라이브러리로, 사용하기 쉽고 기능이 풍부해요.
  • GPyOpt: 가우시안 프로세스에 특화된 라이브러리예요.

우리는 Scikit-Optimize (skopt)를 사용할 거예요. 왜냐고요? 사용하기 쉽고, scikit-learn과 잘 어울리거든요! 👍

Step 2: 목적 함수 정의하기 🎯

먼저 최적화하고 싶은 목적 함수를 정의해야 해요. 예를 들어, 랜덤 포레스트 분류기의 성능을 최적화한다고 해볼까요?


from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris

def objective(params):
    n_estimators, max_depth, min_samples_split = params
    clf = RandomForestClassifier(n_estimators=n_estimators,
                                 max_depth=max_depth,
                                 min_samples_split=min_samples_split,
                                 random_state=42)
    
    return -np.mean(cross_val_score(clf, X, y, cv=5, scoring="accuracy"))

# 데이터 로드
X, y = load_iris(return_X_y=True)

여기서 목적 함수는 랜덤 포레스트의 교차 검증 정확도를 반환해요. 음수를 붙인 이유는 skopt가 기본적으로 최소화 문제를 다루기 때문이에요. 우리는 정확도를 최대화하고 싶으니까 음수를 붙여서 최소화 문제로 바꾼 거죠! 똑똑하죠? 😉

Step 3: 탐색 공간 정의하기 🌌

다음으로, 하이퍼파라미터의 탐색 범위를 정의해야 해요. 이걸 "탐색 공간"이라고 불러요.


from skopt.space import Integer, Real

space = [
    Integer(10, 100, name='n_estimators'),
    Integer(1, 20, name='max_depth'),
    Integer(2, 10, name='min_samples_split')
]

각 하이퍼파라미터에 대해 최소값과 최대값을 지정했어요. 이 범위 내에서 최적의 값을 찾게 되는 거죠!

Step 4: 최적화 실행하기 🚀

이제 모든 준비가 끝났어요! 베이지안 최적화를 실행해볼까요?


from skopt import gp_minimize

res = gp_minimize(objective, space, n_calls=50, random_state=42)

print("Best score: ", -res.fun)
print("Best parameters: ", res.x)

여기서 n_calls는 최적화 과정에서 목적 함수를 호출할 횟수를 지정해요. 많이 할수록 더 좋은 결과를 얻을 수 있지만, 시간도 오래 걸리겠죠?

⚠️ 주의: 너무 많은 n_calls를 지정하면 과적합(overfitting)의 위험이 있어요! 적절한 균형을 찾는 게 중요해요. 마치 요리할 때 간을 맞추는 것처럼요! 🧂

Step 5: 결과 분석하기 📊

최적화가 끝났다면, 결과를 분석해볼 차례예요!


from skopt.plots import plot_convergence

plot_convergence(res)

이 그래프는 최적화 과정에서 목적 함수 값이 어떻게 변화했는지 보여줘요. 점점 좋아지는 걸 볼 수 있겠죠?

베이지안 최적화 수렴 그래프 반복 횟수 목적 함수 값 최적점

이 그래프를 보면, 초반에는 목적 함수 값이 크게 변동하다가 점점 안정화되는 걸 볼 수 있어요. 마지막 지점이 바로 우리가 찾은 최적의 하이퍼파라미터 조합이에요! 👏

Step 6: 최종 모델 학습하기 🏆

이제 찾은 최적의 하이퍼파라미터로 최종 모델을 학습시켜볼까요?


best_rf = RandomForestClassifier(n_estimators=res.x[0],
                                 max_depth=res.x[1],
                                 min_samples_split=res.x[2],
                                 random_state=42)
best_rf.fit(X, y)

짜잔! 🎉 이제 우리는 베이지안 최적화를 통해 찾은 최고의 하이퍼파라미터로 학습된 랜덤 포레스트 모델을 갖게 되었어요!

💡 Pro Tip: 실제 프로젝트에서는 이 과정을 여러 번 반복하거나, 다른 모델과 비교해볼 수 있어요. 마치 재능넷에서 여러 재능을 비교하고 선택하는 것처럼요! 다양한 시도를 통해 최고의 모델을 찾아보세요. 🕵️‍♀️

자, 여기까지 베이지안 최적화를 실제로 적용하는 방법을 알아봤어요. 어때요? 생각보다 어렵지 않죠? 😊 이제 여러분도 이 강력한 도구를 사용해 여러분의 머신러닝 모델을 업그레이드할 수 있을 거예요!

다음 섹션에서는 베이지안 최적화를 사용할 때 주의해야 할 점들과 고급 팁들을 알아볼 거예요. 기대되지 않나요? 🚀

🧠 베이지안 최적화의 고급 팁과 주의사항

자, 이제 베이지안 최적화의 기본을 마스터하셨네요! 👏 하지만 잠깐, 아직 끝이 아니에요. 더 효과적으로 사용하기 위한 고급 팁들과 주의해야 할 점들이 있거든요. 함께 알아볼까요? 🤓

1. 초기 포인트 설정하기 🎬

베이지안 최적화는 초기 포인트에 따라 결과가 달라질 수 있어요. 그래서 좋은 초기 포인트를 설정하는 것이 중요해요.


from skopt import gp_minimize

# 초기 포인트 설정
initial_points = [
    [50, 10, 5],  # n_estimators, max_depth, min_samples_split
    [80, 15, 3],
    [30, 5, 8]
]

res = gp_minimize(objective, space, n_calls=50, x0=initial_points, random_state=42)

이렇게 하면 우리가 알고 있는 좋은 설정들로 시작할 수 있어요. 마치 보물찾기를 할 때 좋은 지도를 가지고 시작하는 것과 같죠! 🗺️

2. 병렬 처리 활용하기 ⚡

베이지안 최적화는 시간이 오래 걸릴 수 있어요. 하지만 병렬 처리를 사용하면 속도를 높일 수 있답니다!


from skopt import gp_minimize
from joblib import Parallel, delayed

def parallel_objective(params):
    return Parallel(n_jobs=-1)(delayed(objective)(p) for p in params)

res = gp_minimize(parallel_objective, space, n_calls=50, n_jobs=-1, random_state=42)

n_jobs=-1은 사용 가능한 모든 CPU 코어를 사용한다는 뜻이에요. 이렇게 하면 마치 여러 명이 동시에 보물을 찾는 것처럼 빠르게 최적화할 수 있어요! 🏃‍♂️💨

3. 조기 종료 (Early Stopping) 설정하기 ⏱️

때로는 최적화가 더 이상 개선되지 않을 때 일찍 멈추는 게 좋을 수 있어요. 이를 "조기 종료"라고 해요.


from skopt.callbacks import EarlyStopper

stopper = EarlyStopper(n_best=5, n_wait=10)
res = gp_minimize(objective, space, n_calls=100, callback=[stopper], random_state=42)

이 설정은 "최근 10번의 시도 동안 상위 5개의 결과가 개선되지 않으면 멈춰!"라는 뜻이에요. 마치 등산할 때 정상에 도달했다고 판단되면 더 이상 올라가지 않는 것과 같죠! ⛰️

4. 하이퍼파라미터 중요도 확인하기 🔍

어떤 하이퍼파라미터가 가장 중요한지 알면 더 효과적으로 최적화할 수 있어요.


from skopt.plots import plot_importance

plot_importance(res)
하이퍼파라미터 중요도 n_estimators max_depth min_samples_split 중요도

이 그래프는 각 하이퍼파라미터가 모델 성능에 얼마나 영향을 미치는지 보여줘요. 막대가 길수록 더 중요한 거예요! 이를 통해 어떤 하이퍼파라미터에 더 집중해야 할지 알 수 있죠. 👀

5. 탐색-활용 균형 조절하기 ⚖️

베이지안 최적화에서는 "탐색(exploration)"과 "활용(exploitation)" 사이의 균형이 중요해요. 이를 조절하기 위해 획득 함수(acquisition function)를 선택할 수 있어요.


from skopt import gp_minimize
from skopt.utils import use_named_args

@use_named_args(space)
def objective(**params):
    # 목적 함수 구현

res = gp_minimize(objective, space, n_calls=50, acq_func='EI', random_state=42)

acq_func 파라미터로 'EI' (Expected Improvement), 'PI' (Probability of Improvement), 'LCB' (Lower Confidence Bound) 등을 선택할 수 있어요. 각각 특성이 다르니 여러분의 문제에 맞는 걸 골라보세요! 🎭

💡 Pro Tip: 'EI'는 대부분의 경우에 잘 작동하지만, 탐색을 더 하고 싶다면 'PI'를, 빠른 수렴을 원한다면 'LCB'를 시도해보세요. 마치 요리할 때 불 조절하는 것처럼, 상황에 맞게 조절하는 게 중요해요! 🔥

주의사항 ⚠️

  1. 과적합 주의: 베이지안 최적화도 과적합될 수 있어요. 검증 세트를 따로 두고 평가하는 것이 좋아요.
  2. 계산 비용: 목적 함수 평가가 오래 걸리면 전체 최적화 과정도 오래 걸려요. 가능하다면 간단한 프록시 목적 함수를 사용해보세요.
  3. 차원의 저주: 너무 많은 하이퍼파라미터를 동시에 최적화하려고 하면 효과가 떨어질 수 있어요. 중요한 것들만 선택하세요.
  4. 로컬 최적화: 베이지안 최적화도 로컬 최적점에 빠질 수 있어요. 여러 번 실행해보는 것도 좋은 방법이에요.

자, 이제 여러분은 베이지안 최적화의 고급 사용법까지 알게 되었어요! 🎓 이 강력한 도구를 활용하면 여러분의 머신러닝 모델은 한층 더 업그레이드될 거예요. 마치 재능넷에서 새로운 재능을 발견하고 키우는 것처럼 말이죠! 😉

이제 남은 건 실전에서 적용해보는 거예요. 여러분만의 프로젝트에 베이지안 최적화를 적용해보세요. 그리고 그 결과를 공유해주시면 좋겠어요. 함께 성장하는 게 가장 큰 즐거움이니까요! 🌱

베이지안 최적화의 세계에 오신 것을 환영합니다. 이제 여러분은 AI 마법사가 된 거예요! 🧙‍♂️✨ 앞으로의 여정을 응원할게요. 화이팅! 💪

관련 키워드

  • 베이지안 최적화
  • 하이퍼파라미터 튜닝
  • 머신러닝
  • 가우시안 프로세스
  • 획득 함수
  • 목적 함수
  • 탐색-활용 균형
  • 병렬 처리
  • 조기 종료
  • 과적합 방지

지식의 가치와 지적 재산권 보호

자유 결제 서비스

'지식인의 숲'은 "이용자 자유 결제 서비스"를 통해 지식의 가치를 공유합니다. 콘텐츠를 경험하신 후, 아래 안내에 따라 자유롭게 결제해 주세요.

자유 결제 : 국민은행 420401-04-167940 (주)재능넷
결제금액: 귀하가 받은 가치만큼 자유롭게 결정해 주세요
결제기간: 기한 없이 언제든 편한 시기에 결제 가능합니다

지적 재산권 보호 고지

  1. 저작권 및 소유권: 본 컨텐츠는 재능넷의 독점 AI 기술로 생성되었으며, 대한민국 저작권법 및 국제 저작권 협약에 의해 보호됩니다.
  2. AI 생성 컨텐츠의 법적 지위: 본 AI 생성 컨텐츠는 재능넷의 지적 창작물로 인정되며, 관련 법규에 따라 저작권 보호를 받습니다.
  3. 사용 제한: 재능넷의 명시적 서면 동의 없이 본 컨텐츠를 복제, 수정, 배포, 또는 상업적으로 활용하는 행위는 엄격히 금지됩니다.
  4. 데이터 수집 금지: 본 컨텐츠에 대한 무단 스크래핑, 크롤링, 및 자동화된 데이터 수집은 법적 제재의 대상이 됩니다.
  5. AI 학습 제한: 재능넷의 AI 생성 컨텐츠를 타 AI 모델 학습에 무단 사용하는 행위는 금지되며, 이는 지적 재산권 침해로 간주됩니다.

재능넷은 최신 AI 기술과 법률에 기반하여 자사의 지적 재산권을 적극적으로 보호하며,
무단 사용 및 침해 행위에 대해 법적 대응을 할 권리를 보유합니다.

© 2024 재능넷 | All rights reserved.

댓글 작성
0/2000

댓글 0개

해당 지식과 관련있는 인기재능

AS규정기본적으로 A/S 는 평생 가능합니다. *. 구매자의 요청으로 수정 및 보완이 필요한 경우 일정 금액의 수고비를 상호 협의하에 요청 할수 있...

프로그래밍 15년이상 개발자입니다.(이학사, 공학 석사) ※ 판매자와 상담 후에 구매해주세요. 학습을 위한 코드, 게임, 엑셀 자동화, 업...

저렴하고 빠르고 추후 유지 관리 비용 등을 고려 하여 최대한 부담없는 프로그램을 만들어 드리겠습니다.프로그램 제작에 관련된 어떤한 문의도 받...

📚 생성된 총 지식 4,617 개

  • (주)재능넷 | 대표 : 강정수 | 경기도 수원시 영통구 봉영로 1612, 7층 710-09 호 (영통동) | 사업자등록번호 : 131-86-65451
    통신판매업신고 : 2018-수원영통-0307 | 직업정보제공사업 신고번호 : 중부청 2013-4호 | jaenung@jaenung.net

    (주)재능넷의 사전 서면 동의 없이 재능넷사이트의 일체의 정보, 콘텐츠 및 UI등을 상업적 목적으로 전재, 전송, 스크래핑 등 무단 사용할 수 없습니다.
    (주)재능넷은 통신판매중개자로서 재능넷의 거래당사자가 아니며, 판매자가 등록한 상품정보 및 거래에 대해 재능넷은 일체 책임을 지지 않습니다.

    Copyright © 2024 재능넷 Inc. All rights reserved.
ICT Innovation 대상
미래창조과학부장관 표창
서울특별시
공유기업 지정
한국데이터베이스진흥원
콘텐츠 제공서비스 품질인증
대한민국 중소 중견기업
혁신대상 중소기업청장상
인터넷에코어워드
일자리창출 분야 대상
웹어워드코리아
인터넷 서비스분야 우수상
정보통신산업진흥원장
정부유공 표창장
미래창조과학부
ICT지원사업 선정
기술혁신
벤처기업 확인
기술개발
기업부설 연구소 인정
마이크로소프트
BizsPark 스타트업
대한민국 미래경영대상
재능마켓 부문 수상
대한민국 중소기업인 대회
중소기업중앙회장 표창
국회 중소벤처기업위원회
위원장 표창