패스트캠퍼스 환급챌린지 6일차 : AI 시대, PM/PO 를 위한 한 번에 끝내는 AI 서비스 기획 실무 강의 후기
본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
https://fastcampus.info/4oKQD6b
251117(월) 6일차
머신러닝과 딥러닝
머신러닝과 딥러닝은 기본적으로 기계가 패턴을 학습해가지고 데이터를 구분하는 것
1세대 인공지능은
군집된 데이터를 하나의 선으로만 구분할 때
예외 처리가 필요한 경우는 1세대 인공지능만으로는 불가능
사람이 예외처리를 해줘야 하는데 실생활에서는 적용할 수 없을 정도 복잡도가 증가하기 때문에
1세대 인공지능이 발전하다 정지되는 암흑기를 맞이함 > 암흑기가 꽤 길었음
그러다 2세대 인공지능 등장
2세대 인공지능의 경우 주어진 데이터에서 구분 기준을 자동으로 추가하는 방법론이 등장
인간의 뇌 구조처럼 다층 퍼셉트론 개념으로 패턴을 보고 알아서 예외 처리를 하고 판단
이때부터 폭발적으로 발전하기 시작
역전파(BackPropagation) - 정답이 올바르게 나오도록 다시 학습 데이터 수정과 인공신경망 학
출력값이 오류일 때 역전파 모델을 따라 어디서부터 수정해야 하는지 기계가 알아서 학습하고 정답이 올바르게 나올때까지 반복
이렇기 때문에 기획자가 좋은 데이터를 확보하고 데이터 품질을 일관되게 유지하는 것이 매우 중요
머신러닝
사람이 미리 준비한 학습 데이터를 기준으로 AI 모델을 생성하는 것
문제와 정답이 명확히 지정할 수 있는 경우에 많이 사용하고 있음
머신러닝의 학습 플로우
학습 데이터가 들어가고 AI 모델이 생성되고 검증 데이터를 체크
이 때 좋은 데이터(특징이 많이 보이는)는 데이터는 먼저 빼두고 - 20%정도
나머지 80%를 학습 데이터로 할당
3세대 인공지능 : 데이터 특징을 찾고, 구분 기준을 자동으로 추가
학습과 검증 데이터를 구분한다기 보다는 사람이 데이터 셋을 넣어주고 기계가 알아서 학습을 하면서 특징값을 뽑아내서
새로운 데이터가 들어왔을 때 우리 군집에 부합하는지 판단해서 결과값을 출력
대표적으로 딥러닝
딥러닝의 경우 데이터를 넣어주면 특징을 추출해서 분류군집화를 진행하고,
군집화된 데이터를 자동으로 무작위 학습 검증을 실행해서 데이터를 지정하고 AI 모델 평가를 알아서 진행하다보니
정답이 모호하고 복잡한 경우에 많이 쓰임
딥러닝의 플로우
학습 데이터가 들어가서 모델이 생성되고 결과가 도출되지만
결과 도출의 경우 사람이 관여하는 것이 아니기 때문에 모델을 생성하는 데이터의 특징 값을 추출하고
이 특징에 따른 데이터가 군집화 잘 잡힐 수 있도록 데이터를 처리해주는 것이 매우 중요
이번 강의를 통해
머신러닝과 딥러닝이 결국 패턴을 얼마나 잘 학습하고 구분하느냐의 문제를 다시 한 번 느꼈다
딥러닝처럼 기계가 스스로 특징을 추출하고 군집화까지 진행하는 방식일수록
기획자가 얼마나 좋은 데이터를 준비하느냐가 모델의 성능을 좌우한다는 말이 계속 반복적으로 나오는 것을 보아 너무 중요한듯;
이러니 오히려 살짝 부담감이 느껴지는 것 같은데,, 좋은 데이터를 어떻게 준비할 것인지
앞으로 강의 진행하면서 계속 염두하고 생각해야겠다.
