aeon

aeon skill 개요

aeon은 무엇에 쓰는가

aeon은 Python 워크플로에서 일반적인 표 형식 ML로는 부족한 경우를 위한 시계열 머신러닝 skill입니다. 순서가 있는 데이터에 대해 분류, 회귀, 예측, 클러스터링, 이상 탐지, 세분화, 유사도 검색을 지원합니다. 문제가 타임스탬프, 시퀀스, 시간적 패턴과 관련돼 있다면 aeon skill은 매우 잘 맞습니다.

적합한 사용자와 업무

단변량 또는 다변량 시계열 분석을 위한 scikit-learn 호환 도구가 필요할 때 aeon을 사용하세요. 특히 원시 시계열 데이터를 모델에 바로 넣을 수 있는 파이프라인으로 바꾸되, 매 단계를 직접 손으로 구현하고 싶지는 않은 분석가와 ML 엔지니어에게 유용합니다. 핵심은 단순히 범용 모델을 돌리는 것이 아니라, 과제에 맞는 시계열 방법을 제대로 고르는 데 있습니다.

aeon이 돋보이는 이유

aeon의 가장 큰 장점은 범위와 호환성입니다. 하나의 생태계에서 여러 시계열 작업을 다루기 때문에, 여러 접근법을 비교하고 탐색 단계에서 운영 수준 코드로 옮기기가 쉽습니다. 또한 표준 ML 라이브러리에서 바로 제공하지 않는 특화 알고리즘이나 거리 척도가 필요할 때도 aeon skill은 실용적입니다.

aeon skill 사용 방법

워크스페이스에 aeon 설치하기

리포지토리의 패키지 설치 안내에 따라 skill을 설치한 뒤, 사용할 Python 의존성이 환경과 맞는지 확인하세요:

uv pip install aeon

에이전트 워크플로를 사용한다면, 코드 생성을 요청하기 전에 aeon 설치 단계를 먼저 끝내는 것이 좋습니다. 그래야 모델이 패키지 API를 추측하지 않고 실제 API를 바탕으로 답할 수 있습니다.

skill에 맞는 입력을 주기

aeon 사용 패턴은 네 가지를 분명히 적어줄 때 가장 잘 맞습니다: 작업 유형, 데이터 형태, 타깃 열 또는 레이블, 평가 목표입니다. 예를 들어 “결측 날짜가 있는 일별 수요 시계열을 위한 aeon 예측 파이프라인을 만들어줘”는 “시계열 분석 도와줘”보다 훨씬 낫습니다. 입력이 단변량인지 다변량인지, 시계열 길이가 고정인지 가변인지, 베이스라인이 필요한지 벤치마크인지, 아니면 배포용 코드가 필요한지도 함께 적어주세요.

먼저 살펴봐야 할 파일

먼저 SKILL.md를 읽고, 그다음 가장 중요한 작업과 연결된 섹션을 따라가세요. 리포지토리에는 분류 가이드처럼 주제별 참고 문서가 연결돼 있으므로, 구현 세부 사항을 묻기 전에 자신의 사용 사례와 맞는 섹션을 여는 것이 가장 빠른 경로입니다. aeon에서는 개요에서 멈추지 말고 작업별 예제를 확인하는 것이 중요합니다.

잘 작동하는 프롬프트 패턴

유용한 aeon 가이드 프롬프트는 데이터셋, 목표, 제약을 한 번에 제시해야 합니다:
“aeon을 사용해서 다변량 센서 데이터용 scikit-learn 스타일 시계열 분류기를 만들어줘. 클래스 불균형이 있다고 가정하고, 전처리 필요 사항을 설명한 뒤, 최소한의 학습/평가 예제를 반환해줘.”
이 형식은 skill이 어떤 파이프라인을 만들어야 하는지, 그리고 어떤 tradeoff가 중요한지 알려주므로 추측을 줄여줍니다.

aeon skill FAQ

aeon은 예측만을 위한 도구인가요?

아닙니다. 예측은 여러 사용 사례 중 하나일 뿐이며, aeon skill은 분류, 회귀, 클러스터링, 이상 탐지, 세분화, 유사도 검색도 다룹니다. 데이터가 시간성을 가지지만 목표가 미래값 예측이 아니어도 aeon이 맞는 선택일 수 있습니다.

aeon을 쓰려면 시계열 전문 지식이 꼭 필요한가요?

아니요. 다만 문제를 명확하게 설명할 수는 있어야 합니다. aeon은 구조화된 시계열 도구를 원하는 초보자에게도 적합하지만, 입력이 좋을수록 결과는 훨씬 좋아집니다. 작업 이름과 데이터 형식을 말할 수 있다면, skill은 보통 합리적인 출발점을 제시할 수 있습니다.

aeon을 쓰지 말아야 할 때는 언제인가요?

데이터가 순차적이지 않거나, 단순한 표 형식 모델로 충분하거나, 빠른 시각화만 필요하다면 aeon을 고를 이유가 없습니다. 또한 문제가 시계열 ML 범위를 벗어나 있고 일반적인 Python 또는 통계 워크플로가 더 적합하다면 사용을 피하세요.

일반 프롬프트와 aeon skill의 차이는 무엇인가요?

일반 프롬프트는 보통 범용 ML 조언을 내놓을 수 있습니다. 반면 aeon skill은 표현 방식, 거리 척도, 작업에 맞는 estimator처럼 시계열 특화 선택으로 사용자를 유도하도록 설계돼 있습니다. 특히 시계열 구조가 중요한 aeon for Data Analysis 워크플로에서는 시행착오를 줄이는 데 도움이 됩니다.

aeon skill 개선 방법

목표만 말하지 말고 시계열의 특성도 알려주기

aeon에서 좋은 결과를 얻으려면 데이터가 어떤 모습인지까지 설명해야 합니다. 시계열 개수, 샘플링 주기, 시퀀스 길이, 결측 여부, 다변량 채널, 레이블 균형을 적어주세요. “월간 사용 시퀀스로 이탈을 예측해줘”는 유용하지만, “내 데이터를 분석해줘”는 부족합니다. aeon for Data Analysis가 필요하다면 무엇을 비교, 설명, 세분화하고 싶은지도 함께 넣으세요.

어떤 평가를 원하는지 분명히 쓰기

성공 기준이 무엇인지 skill에 알려주세요. 분류라면 사용할 metric과 false positive와 false negative 중 무엇이 더 중요한지도 적어야 합니다. 예측이라면 horizon, backtesting 방식, 신뢰구간 필요 여부를 명시하세요. 이상 탐지라면 알림, 랭킹, 또는 root-cause 후보 중 무엇이 필요한지 말해 주세요.

흔한 실패 패턴을 피하기

가장 흔한 문제는 시계열 형식을 충분히 구체화하지 않아 일반적인 코드나 잘못된 estimator가 나오는 경우입니다. 또 다른 문제는 재현 가능한 노트북이면 충분한데도 전체 운영 시스템을 요구하는 것입니다. 더 강한 aeon 가이드 프롬프트는 범위를 좁게 잡고 한 번에 한 작업만 요청합니다.

두 번째 프롬프트는 더 좁게 다듬기

첫 답변을 받은 뒤에는 처음부터 다시 시작하기보다 부족한 제약만 추가해 수정하세요. 예를 들어 “가변 길이 시계열에서도 작동하게 해줘”, “베이스라인을 더 강한 aeon 분류기로 바꿔줘”, “엔터티별 cross-validation으로 예제를 바꿔줘”처럼 요청하면 됩니다. 추가적인 모호성을 만들지 않으면서 aeon skill 출력을 개선하는 가장 빠른 방법입니다.