a. 음성 인식 AI 스피커를 만든다고 가정했을 때,

<aside> 💡 음성 인식 AI 스피커 ‘하루’

1. 서비스 기획
   1. 하루는 유저들이 말하는 명령어를 듣고 → 노래를 틀어주나, 티비를 켜주고, 전화를 걸어줌
2. 데이터 기획
   1. 음성 데이터를 수집한다고 하면 너무 방대함 → 시장 조사를 통해 알게된 타겟 고객의 데이터부터 수집하기로 함 → 또한 유저 테스트를 통해 파악한 결과를 바탕으로 10초 내외의 문장만 수집하기로 함
      1. 데이터 명세: 10-30대이고, 표준어를 사용하는, 10-30대의 남성/여성 유저가 인공지능 스피커에게 말하는 10초 내외의 문장
   2. 개인정보 보호법 검토를 진행
3. 데이터 수집
   1. 데이터 편향(bias)를 막기 위해, 식당, 카페, 집 기타 등등 다양한 환경에서 데이터를 수집해야 함
4. 데이터 레이블링
   1. 녹음된 데이터를 들으며, 1. 라벨러가 타이핑을 해주거나 2. 자동화된 시스템을 이용하거나
5. AI 학습&서비스 배포(Deploy)
   1. 지도 학습&데이터 축적&고객 피드백 수립
6. 기획 수정/추가 개발
   1. 기존 시장 조사와 달리, 의외로 5060 유저의 수요도 있었고 + 충청도, 경상도에 많이 팔려서 → 5060 유저와 충청도, 경상도 사투리 데이터 수집을 진행하기로 함
7. 데이터 큐레이션
   1. 추가 기획에 맞는 데이터를 서비스에 축적된 데이터 중에서 큐레이션
8. 다시 데이터 수집
   1. 데이터 큐레이션으로 못 구하는 데이터를 새로 수집 </aside>

b. 서비스를 만들 때, 딥러닝 vs 머신러닝

<aside> 💡 만약 스팸 문자 감지 서비스를 만든다고 했을 때,

• 머신러닝
  1. 데이터 수집
  2. 피쳐 엔지니어링
     1. 엔지니어들이 ‘스팸 문자’에 대한 피쳐를 정의함
        1. 제목에서 국제 발신, 웹 발신 등등…
        2. 본문에서 돈을 벌어준다, 따준다 등등…
        3. 본문에서 스팸 문자는 중단 or 하단에 있는 경향이 있다 등등…
        4. 키워드로 토토, 주식, 급등 등등…
  3. 머신러닝 알고리즘 개발
     1. 엔지니어들이 피처 엔지니어링 정보와 데이터셋을 넣어서 실험을 진행하고, 고도화함
        1. XGBoost, Random Forest 등등…
  4. 테스트
     1. 완성된 모델에 새로운 데이터를 넣어서, 테스트를 진행함
        1. 테스트 결과, 기존 피쳐 엔지니어링으로 못잡았던 케이스 파악
• 딥러닝
  1. 데이터 수집
     1. 머신러닝보다 데이터가 훨씬 많이 필요하고, 피쳐 엔지니어링처럼 특징을 정의하는 것이 아닌 맞다/아니다로 라벨링
  2. 딥러닝 모델 개발
     1. 스팸 문자 판독에 적당한 모델을 리서치하고, 고도화하고, 학습
  3. 테스트
     1. 완성된 모델에 새로운 데이터를 넣어서, 테스트를 진행함
• 결론
  • 딥러닝에는 머신러닝보다 더 많은 데이터와 컴퓨터 리소스가 필요함
    • 그러므로 간단한 테스크 + 정형 데이터일수록 ⇒ 머신러닝
    • 복잡한 테스크 + 비정형 데이터일수록 ⇒ 딥러닝 </aside>