소프트웨어 2.0시대와 현업에서의 머신러닝

소프트웨어 2.0 시대(vs 소프트웨어 1.0)

 

데분가의 롤: 머신러닝 관리 설정, 기계가 학습할 수 있도록 인프라 구축, 분산처리, 튜닝. 

 

이상적인 분석 과정

문제 정의: ex.비용절감/ 프로세스 개선

데이터 확인: 데이터가 있는지

PoC(proof of concept):머신러닝으로 풀 수 있는 문제인지

 

현업의 과정 

문제 - 불명확함, 플젝 기간 내 문제 재정의의 반복

데이터 확인 중 PoC 진행

-와 같은 현상이 일어나는 이유

→규제기간의 규제 대상인 데이터 존재(ex. 신용정보, 산업안전법)

→현업자 :머런 몰루. 데분가: 도메인 몰루. 

→예측값에 대한 설명이 중요(비즈니스 언어로 설명할 수 있도록)

 

상관/인과 관계

1 상관관계만 있는 경우

2 상관, 인과관계가 있으나, 통제가 불가능한 경우

3 둘다 있고 통제 가능한 경우

 

AI≠도깨비 방망이 

강력한 도구와 적절한 도구를 구별해라.

문제에 맞는 기술을 선정할 수 있는 안목이 필요 - 전반에 대한 풍부한 이해가 밑받침 되어야 할듯

 

AI 필요 없이, 단순 룰베이스가 빠른 경우

만약, 특정 알고리즘(ex. XGBoost)사용한다면, 데이터를 살폈을 때 왜 이 알고리즘이 적합한지 증명해야 함

모든 문제에 딥러닝을 적용할 수 없다, 지만 왜 딥러닝 안 쓰셨나용?의 질문을 받을 것이다.

 

데싸와 데엔. 

데싸 통계 모델링

데엔 프로그래밍, 분산처리 ... 

 

그레이존이 존재

 

비즈니스에 대한 이해

실제 분석에 쓸 수 있는 데이터만 수집

GIGO

 

전: 알고리즘 개발 > 데이터 개선/모델 중심 접근 방식/ 모델 튜닝

현: 데이터 중심 접근/ 데이터 튜닝

 

알고리즘으로 성능을 높이는 것에는 한계. 데이터를 개선하라. Data-Centric Approach!

데이터 품질의 비밀...

 

 

네트워크, 자료구조와 백엔드 지식..~

만든 모델이 구현될 환경에 대한 이해를

+os에 대한 이해, 클라우드

---

다각형 인재가 되기 위한 노력을.! 비즈니스에 대한 지식과 엔지니어링 지식을 겸하자