AI 프로젝트 설계
문제를 해결하기 위한 흐름
- 현상파악
- 목적 및 문제 정의
- 프로젝트 설계
- Action
- 추가적인 원인 분석
1. 현상 파악 및 문제 정의
- 문제의 정의
- 특정 현상을 파악하고, 그 현상의 있는 문제를 정의하는 과정이 필요하다
- 풀고자 하는 문제를 명확하게 하는것이 중요하다
- 어느정도 현상파악이 끝나면 내렸던 문제의 정의를 좀더 구체적으로 만들어본다
- 문제 해결을 위한 대상을 정하기
- 목표에 대한 구체적인 정의 등
- 왜 그러한 일이 발생하는지 가설세우기
- 이 문제대해 어떠한 데이터가 존재하는가?
2. 프로젝트 설계
처음부터 최대한 자세하게 설계하자머신러닝 문제 타당성 확인
항상 ML이 만능은 아니다- ML을 사용하면 좋은경우
- 학습가능한 패턴이 존재하는 문제
- 사람이 반복적으로 실행하는 task인 경우 -> ML로 대체될 가능성이 높다
- 그리고 그 패턴이 복잡할 경우
- 간단한 문제면 Huristic한 알고리즘이 이것보다 몇배는 더 빠르다
- 간단하면 계산 코스트가 너무 커질 가능성이 높다
- 목적함수를 만들 수 없으면 ML의 의미가 없다
데이터 수집이 가능할 경우: 데이터가 없으면 답이 없다- 없으면 데이터 수집부터 진행해야한다…. Labeling
- 인종, 성향 등등의 윤리적인 제한에 자유로울 경우
프로젝트의 목표 및 지표 설정
- 목표 : 일반적인 목적, 큰 목적, 메인 Task
- 지표 : 목적을 달성하기 위한 세부 단계의 목표
제약조건
- 이 문제를 해결하기 위해 무한한 자금과 시간이 있는것이 아니다.
- 시간적인 문제
- 금전적인 문제
- 데이터가 민감한 정보들을 포함하고 있을 가능성도 존재한다
- 데이터 윤리적인 문제
Baseline, Prototype 제작
Metric Evaluation
3. Action
- 모델 개발 후 배포, 모니터링 과정
- 앞서 설계한 지표의 변화 파악하는 과정을 진행한다
4. 추가 원인분석
- 새롭게 발견한 상황들의 원인 분석 및 해결방안 설계
비즈니스 모델 BM
- 회사가 어떤 서비스 가치를 제공하고있는가?
- 비즈니스 모델 : 회사가 서비스를 제공하여 가치를 창출하는 방식
- 서비스의 핵심을 파악하자
- 어떠한 데이터를 가지고있는가
- 데이터로 무엇을 할수 있을까