|
|
|
|
|
 |
저는 AI를 '기술'이 아니라 '운영'이라고 보는 사람입니다.
운영에서 무너지는 지점을 알고 설계하는 사람입니다.
운영설계입니다.
모델 AUC가 올랐는데 현업 KPI가 안 움직이면, 지표가 잘못된 것입니다.
모델이 "위험"이라 말해도, 누가 무엇을 하는지가 없으면 무용지물입니다.
제강점은 문제를 운영 관점으로 보는 습관입니다.
보험 AI에서 마지막까지 가는 사람이 결국 성과를 냅니다.
저는 AI를 기술 시연이 아니라 실제 운영성과로 만드는데 강점이 있는 지원자입니다.
|
|
|
 |
데이터 누수(DataLeakage)를 어떻게 발견하고 예방 하나요
본인의 강점과 약점, 그리고 3년 뒤 한화생명에서 어떤 AI 인재가 되고 싶나요
AI는 유행이다 보험은 보수적이다 여기서 네가 할 일이 있냐"라고 하면 어떻게 답하겠습니까
그러나 보험처럼 규제와 책임이 큰 산업에서 AI는 "정확도 "보다 "사고 없이 꾸준히 성과를 내는 구조"가 더 어렵고, 그 어려움이 곧 경쟁력이라고 생각합니다.
문제정의를 수치로 바꾸는 사람입니다.
데이터의 함정을 먼저 의심하는 사람입니다.
핵심은 모델이 아니라, 문제 정의-데이터-검증-운영의 일관성이었습니다.
라벨 생성로직을 점검합니다.라벨이 결과에 의해 수정되거나, 사후심사 결과가 섞이면 모델이 미래를 본 척합니다.
피처 생성 시점을 점검합니다.
랜덤 분할은 누수의 지름길입니다.
1순위는 검증 설계입니다.
2순위는 피처관리입니다.
3순위는 규제(regul arization)와 조기 종료(earlystopping)입니다.
4순위는 단순화입니다.
지표가 현업 목표와 같은가를 확인합니다.
모델 AUC가 올랐는데 현업 KPI가 안 움직이면, 지표가 잘못된 것입니다.
의사결정지점이 맞는가를 확인합니다.
모델이 "위험"이라 말해도, 누가 무엇을 하는지가 없으면 무용지물입니다.
대신 1) 글로벌 설명(전체적으로 어떤 변수가 중요한지) 2)로컬 설명(개별 케이스에서 왜 이런 예측이 나왔는지) 3) 반 사실적 설명(무엇이 달라지면 결과가 바뀌는지 이 세 가지를 목적에 맞게 제공합니다.
그리고 설명이 중요한 업무는 복잡한 모델이라도 "설명 가능한 형태의 근거"를 함께 제공해야 합니다.
또한 모델 개발 단계에서 민감정보를 그대로 넣는 게 꼭 성능을 올리는 지도 재검토해야 합니다.
성능이 조금 오르더라도 리스크가 더 크면 빼는 게 맞습니다.
두 번째 단계는 문서 자동화입니다.
이 단계는 가드레일이 핵심입니다.
저는 "빨리 넣자 "보다 "사고 없이 넓히자 "가정답이라고 봅니다.
저는 팀을 '좋게' 만드는 사람보다 '빠르게 성과를 닫게' 만드는 사람으로 기여합니다.
저는 AI가 유행이라는 말에 동의하지 않습니다.
반면 보험은 운영이 강한 산업이고, 그래서 오히려 AI의 본질이 드러나는 곳입니다.
저는 '화려한 모델'로 인정받기보다 '사고 없이 성과를 내는 구조'를 만드는 사람이고, 그 역량이 보험에서 더 크게 쓰인다고 확신합니다.
저는 1) 문제 정의를 KPI로 고정하고 2) 누수 없는 검증을 먼저 만들고 3) 베이스 라인을 빠르게 구축한 뒤 4) 운영설계까지 한 번에 연결합니다. |
 |
모델, 데이터, ai, 이다, 만들다, 운영, 보다, 업, 지표, 어떻다, 가다, 보험, 성과, 검증, 설계, 구조, 개선, 기준, 사람, 정의 |
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
2026.01.14
9페이지
