MOSAIC-모듈형 최적화 및 에이전트 검색은(는) 무엇을 하나요?
AutoKaggle에서 영감을 받은 다중 에이전트 프레임워크로, 자율적인 데이터 과학 경쟁을 지원합니다.
개요
MOSAIC은 데이터 과학 경쟁에서 반복적이고 복잡한 작업을 자동화하기 위해 설계된 모듈형 다중 에이전트 시스템입니다. 이 프레임워크는 여러 전문화된 AI 에이전트를 조정하여 Kaggle과 같은 플랫폼에서 엔드투엔드 데이터 과학 워크플로우를 자율적으로 실행합니다.
주요 기능
- 모듈형 아키텍처: 각 데이터 과학 단계(데이터 로딩, 전처리, 모델 훈련 등)에 대해 독립적인 에이전트를 구성하고 조정할 수 있습니다.
- 자동 워크플로우: 데이터셋 다운로드부터 제출 파일 생성까지 전체 파이프라인을 자동화합니다.
- 협업 에이전트: 여러 에이전트가 병렬로 작업하거나 순차적으로 협력하여 복잡한 문제를 해결합니다.
- Kaggle 통합: Kaggle API를 직접 활용하여 경쟁 데이터를 가져오고 결과를 제출할 수 있습니다.
지원 플랫폼
- Claude Code
- Cursor
- Codex
- 기타 터미널 기반 AI 코딩 에이전트
설치 및 사용법
# 저장소 클론
git clone https://github.com/GetIT-Sunday/MOSAIC-Modular-Optimization-and-Search-for-Agentic-.git
cd MOSAIC-Modular-Optimization-and-Search-for-Agentic-
# 의존성 설치
pip install -r requirements.txt
# 환경 변수 설정
export KAGGLE_USERNAME="your_username"
export KAGGLE_KEY="your_api_key"
# 프레임워크 실행
python main.py --competition "competition-name"
구성
에이전트 구성은 config/agents.yaml 파일에서 수정할 수 있습니다:
agents:
- name: data_loader
role: 데이터 로딩 및 초기 탐색
model: gpt-4
- name: feature_engineer
role: 특징 엔지니어링 및 선택
model: gpt-4
- name: model_trainer
role: 모델 훈련 및 하이퍼파라미터 최적화
model: gpt-4
워크플로우
- 데이터 수집: Kaggle API를 통해 경쟁 데이터를 다운로드합니다.
- 데이터 전처리: 결측값 처리, 이상치 탐지, 데이터 변환을 수행합니다.
- 특징 엔지니어링: 새로운 특징을 생성하고 중요한 특징을 선택합니다.
- 모델링: 여러 머신러닝 모델을 훈련하고 하이퍼파라미터를 최적화합니다.
- 앙상블: 최적의 모델 조합을 찾아 앙상블 예측을 생성합니다.
- 제출: Kaggle 제출 형식에 맞는 파일을 생성하여 제출합니다.
라이선스
이 프로젝트는 MIT 라이선스 하에 배포됩니다.