EpochGo: Local-first multi-agent AutoML engine using offline Ollama LLMs and deterministic Scikit-Learn pipelines [P]

Reddit은 API 키 없이 본문을 직접 읽을 수 없어 RSS 발췌(본문 전체로 보임)로 옮겼어요. 아키텍처 GIF와 GitHub 저장소는 보지 않았어요.

풀려는 문제

작성자는 응용 머신러닝의 두 병목을 들어요.

1. 클라우드 API 비용과 데이터 프라이버시: GPT-4 같은 클라우드 API에 기대는 에이전트형 ML 프레임워크는 비용이 계속 들고, 표 형식 데이터가 새어 나갈 위험이 있어요. 인도 DPDP나 GDPR 같은 규정에서 특히 문제라고 해요.
2. 수학 추론에서의 환각: LLM이 학습 로직을 직접 생성할 때 선형대수, 하이퍼파라미터 최적화, 경사하강 계산에서 자주 틀린다고 해요.

구조: 추론과 실행 분리

| 계층 | 역할 | |---|---| | 로컬 LLM 오케스트레이터 | Ollama의 qwen2.5-coder:7b가 열 분포, 카디널리티, 결측을 살펴 특성 공학과 모델링 전략 초안을 짬. 원본 데이터 행은 보지 않고 스키마 메타데이터만 추론 | | 결정적 실행 | 모든 변환과 학습은 순수 scikit-learn Pipeline 객체로 실행 | | AST 검증·안전 | 생성된 파이썬 코드를 실행 전에 추상 구문 트리로 파싱해 임의 시스템 명령이나 샌드박스 밖 데이터 유출을 막음 | | 동적 서빙 | XGBoost, 랜덤 포레스트, 로지스틱 회귀 등을 격리된 K-폴드 교차검증으로 평가한 뒤, 최적 파이프라인을 컨테이너화된 FastAPI 엔드포인트로 자동 생성 |

실행 환경

16GB RAM의 일반 소비자 하드웨어(Mac·Linux·Windows)에서 100% 오프라인으로 돌아가고 클라우드 비용이 없다고 해요. 코드는 GitHub AryanDinakaran/EpochGo에 있어요. 작성자는 파이프라인 격리 설계와, 오프라인에서 카디널리티가 높은 범주형 데이터를 다룰 때의 엣지 케이스에 대한 피드백을 요청했어요.