# Google Vizier

## 개요
Google Vizier는 Google에서 개발한 블랙박스 최적화(Black-box Optimization) 서비스로, 주로 머신러닝 모델의 하이퍼파라미터 튜닝(Hyperparameter Tuning)을 자동화하기 위해 설계되었습니다. 사용자가 최적화하려는 목적 함수(Objective Function)의 내부 구조를 알지 못하더라도, 입력값과 결과값의 관계를 학습하여 최적의 설정값을 효율적으로 찾아주는 도구입니다.

## 주요 특징
*   **베이지안 최적화(Bayesian Optimization):** 과거의 시도 결과(Trial)를 바탕으로 확률 모델을 구축하여, 다음으로 탐색할 가장 유망한 지점을 예측함으로써 탐색 횟수를 최소화합니다.
*   **다양한 탐색 전략:** 단순한 랜덤 탐색부터 정교한 베이지안 최적화, 그리고 여러 전략을 혼합한 하이브리드 접근 방식을 지원합니다.
*   **확장성 및 관리형 서비스:** Google Cloud 플랫폼의 인프라를 활용하여 대규모 병렬 최적화를 수행할 수 있으며, 사용자가 직접 서버를 관리할 필요가 없는 관리형 서비스 형태로 제공됩니다.
*   **유연한 파라미터 지원:** 정수, 실수, 범주형(Categorical) 등 다양한 타입의 하이퍼파라미터를 처리할 수 있습니다.

## 작동 방식
Vizier의 최적화 프로세스는 다음과 같은 루프 형태로 진행됩니다.

1.  **Study 생성:** 최적화하려는 목표(Metric)와 탐색할 파라미터의 범위 및 타입을 정의합니다.
2.  **Suggestion 요청:** Vizier 서비스에 현재까지의 데이터를 기반으로 최적의 파라미터 조합(Suggestion)을 요청합니다.
3.  **Trial 실행:** 제안받은 파라미터를 사용하여 실제 모델을 학습시키거나 시스템을 구동합니다.
4.  **결과 보고:** 실행 결과로 얻은 성능 지표(Metric)를 다시 Vizier에 보고합니다.
5.  **모델 업데이트:** 보고된 결과를 바탕으로 Vizier 내부의 확률 모델을 업데이트하고, 다시 2번 단계로 돌아가 반복합니다.

## 적용 사례
*   **머신러닝 모델 최적화:** 딥러닝 모델의 학습률(Learning Rate), 배치 크기(Batch Size), 레이어 수 등 하이퍼파라미터 튜닝.
*   **인프라 설정 최적화:** 데이터베이스의 캐시 크기, 스레드 풀 설정 등 시스템 성능을 극대화하기 위한 구성 값 최적화.
*   **NAS (Neural Architecture Search):** 모델의 구조 자체를 최적화하여 정확도와 효율성을 동시에 확보.

## 타 도구와의 비교

| 비교 항목 | Google Vizier | Optuna | Ray Tune |
| :--- | :--- | :--- | :--- |
| **서비스 형태** | 관리형 서비스 (SaaS) | 오픈소스 라이브러리 | 오픈소스 프레임워크 |
| **인프라 관리** | Google Cloud 자동 관리 | 사용자 직접 관리 | 사용자 직접 관리 (Cluster) |
| **주요 강점** | 대규모 확장성, 운영 편의성 | 유연한 API, 가벼운 설치 | 분산 처리 최적화, 다양한 알고리즘 |
| **최적화 방식** | 베이지안 최적화 중심 | TPE, CMA-ES 등 다양함 | 다양한 라이브러리 통합 지원 |