Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Plexe는 자연어 설명을 통해 머신러닝 모델을 자동으로 구축해 주는 도구입니다. 사용자가 데이터셋과 의도를 입력하면 14개의 특화된 AI 에이전트가 협력하여 데이터 분석부터 모델 패키징까지 전 과정을 수행합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 HN Design Systems의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기<img src="https://raw.githubusercontent.com/plexe-ai/plexe/HEAD/resources/backed-by-yc.png" alt="backed-by-yc" width="20%>
자연어 (Natural Language)를 사용하여 머신러닝 (Machine Learning) 모델을 구축하세요.
Quickstart |
Features |
Installation |
Documentation
plexe를 사용하면 평이한 언어로 모델을 설명함으로써 머신러닝 (Machine Learning) 모델을 생성할 수 있습니다. 원하는 내용을 간단히 설명하고 데이터셋을 제공하기만 하면, AI 기반 시스템이 자동화된 에이전트 방식 (Agentic Approach)을 통해 완전히 기능하는 모델을 구축합니다. 또한 관리형 클라우드 서비스 (Managed Cloud Service)로도 이용 가능합니다.
<br> </div>pip install plexe
export OPENAI_API_KEY=<your-key>
export ANTHROPIC_API_KEY=<your-key>
표 형식의 데이터셋 (Parquet, CSV, ORC 또는 Avro)과 자연어 의도 (Natural Language Intent)를 제공하세요:
python -m plexe.main \
--train-dataset-uri data.parquet \
--intent "predict whether a passenger was transported" \
...
from plexe.main import main
from pathlib import Path
...
시스템은 6단계 워크플로우 전반에 걸쳐 14개의 특화된 AI 에이전트를 사용하여 다음을 수행합니다:
단 한 번의 호출로 완전한 모델을 구축하세요. Plexe는 표 형식 데이터 (Tabular Data)를 위해 XGBoost, CatBoost, LightGBM, Keras, 그리고 PyTorch를 지원합니다:
best_solution, metrics, report = main(
intent="predict house prices based on property features",
data_refs=["housing.parquet"],
...
모든 CLI 옵션은 python -m plexe.main --help를 실행하여 확인하세요.
출력물은 work_dir/model/에 위치한 독립형 모델 패키지입니다 (model.tar.gz로도 압축되어 있습니다).
이 패키지는 plexe에 대한 의존성이 없습니다. plexe로 모델을 빌드하고, 어디에서나 배포하세요:
model/
├── artifacts/ # 학습된 모델 + 피처 파이프라인 (pickle)
├── src/ # 추론 예측기 (Inference predictor), 파이프라인 코드, 학습 템플릿
...
PySpark, Java 및 모든 의존성이 포함되어 미리 구성된 상태로 plexe를 실행하세요.
일반적인 워크플로우를 위한 Makefile이 제공됩니다:
make build # Docker 이미지 빌드
make test-quick # 빠른 무결성 검사 (~1회 반복)
make run-titanic # Spaceship Titanic 데이터셋에서 실행
또는 직접 실행할 수 있습니다:
docker run --rm \
-e OPENAI_API_KEY=$OPENAI_API_KEY \
-e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY \
...
프로젝트 루트의 config.yaml이 자동으로 마운트됩니다. Databricks Connect 이미지는 다음 명령어로 사용할 수 있습니다: docker build --target databricks .
설정 파일을 통해 LLM 라우팅 (routing), 검색 파라미터 (search parameters), Spark 설정 등을 사용자 정의할 수 있습니다:
# config.yaml
max_search_iterations: 5
allowed_model_types: [xgboost, catboost]
...
CONFIG_FILE=config.yaml python -m plexe.main ...
사용 가능한 모든 옵션은 config.yaml.template을 참조하세요.
Plexe는 LiteLLM을 통해 LLM을 사용하므로, 지원되는 모든 제공업체(provider)를 사용할 수 있습니다:
# 서로 다른 에이전트를 서로 다른 제공업체로 라우팅
hypothesiser_llm: "openai/gpt-5-mini"
feature_processor_llm: "anthropic/claude-sonnet-4-5-20250929"
...
[!NOTE]
Plexe는 대부분의 LiteLLM 제공업체에서 작동해야 하지만, 저희는openai/*및anthropic/*모델을 대상으로만 적극적으로 테스트하고 있습니다. 다른 제공업체에서 문제를 겪으신다면 저희에게 알려주세요.
내장된 Streamlit 대시보드를 사용하여 실험 결과, 탐색 트리 (search trees), 그리고 평가 보고서를 시각화하세요:
python -m plexe.viz --work-dir ./workdir
WorkflowIntegration 인터페이스를 통해 plexe를 커스텀 스토리지 (storage), 트래킹 (tracking), 그리고 배포 인프라 (deployment infrastructure)에 연결하세요:
main(intent="...", data_refs=[...], integration=MyCustomIntegration())
전체 인터페이스는 plexe/integrations/base.py를 참조하세요.
pip install plexe # 코어 (Core) (XGBoost, Keras, scikit-learn)
프레임워크별 또는 작업 그룹별로 선택적 의존성 (optional dependencies)을 추가할 수 있습니다:
catboost, lightgbm, pytorchtabular (CatBoost + LightGBM), vision (PyTorch)pyspark, aws예시:
pip install "plexe[tabular,pyspark]" # tabular 스택 + 로컬 PySpark
pip install "plexe[pytorch,aws]" # 명시적 프레임워크 + S3 지원
Python >= 3.10, < 3.13 버전이 필요합니다.
export OPENAI_API_KEY=<your-key>
export ANTHROPIC_API_KEY=<your-key>
지원되는 모든 제공업체는 LiteLLM providers를 참조하세요.
전체 문서는 docs.plexe.ai를 방문하세요.
가이드라인은 CONTRIBUTING.md를 참조하세요. 팀과 소통하려면 저희 Discord에 참여하세요.
연구에 Plexe를 사용하신다면, 다음과 같이 인용해 주세요:
@software{plexe2025,
author = {De Bernardi, Marcello AND Dubey, Vaibhav},
title = {Plexe: Build machine learning models using natural language.},
...