<aside> ✍️ 핵심 요약

2.1 인공지능(AI)을 통해서만 해결할 수 있는 문제에는 무엇이 있을까?

• AI 활용이 더 적합한 서비스는 크게 1. 유저의 컨텍스트를 고려해야 하는 경우 2. 무의미한 반복 작업일 때이고, 반대로 적합하지 않은 서비스는 3. 정해진 메뉴얼에 따라 정해진 정보를 명확히 전달해야 하는 경우 4. 실패했을 시, 리스크가 큰 경우

2.2 AI 서비스, 자동화(Automation)와 증강(Augmention)

• AI 서비스 기획은 1. 자동화(Automation)와 2. 증강(Augmention)으로 나눠짐
  1. 자동화(Automation): 과정이 무의미한 경우에 적합함
  2. 증강(Augmention): 과정이 유의미한 경우에 적합함

2.3 AI 서비스의 정확도 체크하기

• AI 모델을 이진 분류로 평가했을 때, 주로 1. 재현율(Recall)과 2. 정밀도(Precision)로 나눠짐
  1. 재현율(Recall): 모델이 True라고 분류한 것 중에서 실제 True인 것의 비율, Positive인 데이터를 Negative로 잘못 예측했을 때 리스크가 크면, Recall이 더 중요함 = 암환자 예측, 보험사기, 화제 경보
  2. 정밀도(Precision): 실제 True인 것 중에서, 모델이 True라고 예측한 비율, Negative인 데이터를 Positive로 잘못 예측했을 때 리스크가 크면, Precision이 더 중요함 = 해킹방지툴, 스팸문자툴

2.4 AI 서비스에 필요한 데이터 수집&평가

• AI 모델 전체 데이터 80%를 학습데이터 20%를 검증데이터로 사용하지만, 다양한 방법론이 존재

• AI 모델 학습 결과는 1. 과대적합(overfitting)과 2. 과소적합(underfitting) 사이의 균형을 맞추는 것이 중요

  1. 과대적합(overfitting): 모델이 학습 데이터에 너무 구체적으로 맞춤화되어 있는 상태를 의미함. ****
  2. 과소적합(underfitting): 모델이 학습 데이터를 제대로 파악하지 못해서 제대로 기능하지 않는 상태를 의미함

• 데이터 기획서

  

</aside>

2.1 인공지능(AI)을 통해서만 해결할 수 있는 문제에는 무엇이 있을까?

2.1.1 AI 활용 Good 서비스

• 개인화가 필요한 경우

  

  음악 스트리밍 서비스의 추천 플레이리스트

• 역동적이고 방대한 정보 중에서 유저에게 필요할 것 ‘같은’ 정보를 찾아줘야 하는 경우, 인공지능이 필요함

  • 뉴스 콘텐츠

2.1.2 AI 활용 Bad 서비스

• 일관성이 필요한 경우

  

  음악 스트리밍 서비스의 인기 트랙 및 최신곡 리스트

• 정해진 메뉴얼에 따라 정리된 정보를 정확하게 전달해야 하는 경우, 굳이 인공지능이 필요없음

  • 응급상황 처치 방안 가이드

2.2 AI 서비스, 자동화(Automation)와 증강(Augmention)

2.2.1 자동화(Automation): 메인

1. 사용자가 작업을 지루해하는 경우
2. 표준화가 가능한 경우
3. 안전성이 향상되는 경우

2.2.2 증강(Augmention): 보조

1. 사용자가 작업을 즐기는 경우
2. 개인에 따라 다른 경우
3. 창의력이 향상되는 경우

2.3 AI 서비스의 정확도 체크하기

• Challenge 2.3: 우리가 기획중인 AI 서비스를 최적화해보자
• Challenge 2.3: AI 모델의 결과를 어떻게 평가할 것인지 직접 적어보자.

2.3.1 이진 분류

참/거짓을 예측하며, 이진 분류 모델의 예측 결과는 다음 네 가지 중 하나에 해당함

1. TP(True Positive)
   1. 예측 성공
2. TN(True Negative)
   1. 예측 성공
3. FP(False Positive)
   1. 실제 값은 False지만, 예측 값은 True인 경우
   2. 1종 오류라고도 불림
4. FN(False Negative)
   1. 실제 값은 True지만, 예측 값은 False인 경우
   2. 2종 오류라고도 불림

이진 분류 모델의 성능 평가를 위해서 고려해야 하는 재현율과 정밀도

2.3.2 Recall(재현율)

• 모델이 True라고 분류한 것 중에서 실제 True인 것의 비율
• 실제 Positive인 데이터를 Negative로 잘못 예측했을 때 리스크가 크면, Recall이 더 중요함
• EX) 암환자 예측, 보험사기, 화제 경보

2.3.3 Precision(정밀도)

• 실제 True인 것 중에서, 모델이 True라고 예측한 비율
• 실제 Negative인 데이터를 Positive로 잘못 예측했을 때 리스크가 크면, Precision이 더 중요함
  • EX) 해킹방지툴, 스팸문자툴

2.4 AI 서비스에 필요한 데이터 수집&평가

• Challenge 2.4: AI 서비스에 필요한 데이터를 위해, 사용자/데이터 관점에서 요구사항을 정리해보자