|
|
|
|
|
 |
성능은 모델보다 데이터와 평가에서 결정되는 경우가 많다는 점입니다.
문제는 실패 케이스입니다.
1단계는 문제정의와 데이터 설계입니다.
3단계는 평가와 개선입니다.
4단계는 배포와 운영입니다.
저는 모델을 바꾸기 전에 데이터와 평가를 먼저 다루겠습니다.
평가와 운영체계입니다.
질문 유형별 평가셋, 정답 근거 데이터, 지표 리포트, 실패 케이스 분류와 개선기록까지 포함해, AI 제품을 운영하는 방법론을 산출물로 만들겠습니다.
|
|
|
 |
필수)[자기소개] AI 및 SW 분야의 전문성을 키우기 위해 몰입했던 경험과 도전이 무엇인지, 또한 이러한 성장 과정을 통해 얻은 배움은 무엇인지를 서술하여 주시기 바랍니다.
필수)[연수계획서] AI·SW마에스트로 과정 참여를 통해 어떠한 프로젝트를 수행하고 싶은가요?
AI·SW마에스트로에서 본인이 반드시 해결하고 싶은 문제는 무엇이며, 왜 지금 이어야 합니까
협업 프로젝트에서 갈등이 생겼던 경험을 말하고, 본인은 어떻게 의사결정을 이끌었습니까
제가 AI와 SW에 몰입하게 된 출발점은 "잘 돌아가는 시스템은 운이 아니라 설계의 결과"라는 깨달음이었습니다.
데이터 전처리 기준을 통일하고, 라벨 정의를 다시 세우며, 모델 변경이 아닌데이터와 평가기준 개선으로 성능을 끌어올린 경험이 있습니다.
제가 AI와 SW에 몰입했던 경험은 화려한 해커톤의 한 장면이 아니라, 반복되는 비효율을 한 줄씩 없애는 과정에서 시작되었습니다.
사소해 보이지만, 그 규칙이 생기자팀의 속도가 바뀌었습니다.
문제는 실패 케이스입니다.
데이터가 누락되었을 때, 형식이 바뀌었을 때, 공백과 특수 문자가 들어왔을 때, 동일한 키가 중복될 때, 시간대가 다른 값이 들어왔을 때 같은 실패들을 먼저 리스트로 만들고, 그 실패가 "어디에서 발생하는지"를 단계별로 쪼갰습니다.
AI는 마법이 아니라 확률이며, 성능은 모델의 이름이 아니라 데이터의 정의와 평가기준에 의해 좌우된다는 것을요.
저는 먼저 데이터를 봤습니다.라벨 기준이 일관되지 않았고, 동일한 케이스가 서로 다른 라벨로 기록된 부분이 있었습니다.
모델을 바꾸지 않아 도 성능이 올랐고, 무엇보다 결과의 일관성이 생겼습니다.
저는 이 경험을 통해 "AI에서 실력은 모델을 돌리는 손이 아니라, 문제 정의와 데이터 품질을 다루는 손에서 나온다"는 배움을 얻었습니다.
그리고 그 몰입 과정에서 얻은 가장 큰 배움은, 성장은 "새로운 기술을 아는 것"이 아니라"새로운 기술을 검증 가능한 결과로 바꾸는 것"이라는 사실입니다.
사용자가 답변을 평가하고, 부족한 답은 데이터 보강이나 청킹 전략 개선으로 이어지게 합니다.
1단계는 문제정의와 데이터 설계입니다.
여기서 가장 중요한 것은 사용자가 원하는 질문 유형을 정확히 잡는 것입니다.
예를 들어 정책과 규정질의, 프로젝트 진행 현황질의, 절차 안내질의, 과거 사례 검색 질의처럼 유형을 나누고, 각 유형별로 성공 기준을 정의하겠습니다.
2단계는 프로토타 입 구축입니다.
또한 답변 생성은 무조건 길게 하지 않고, 질문 유형에 따라 답변 형식을 고정하겠습니다.
예를 들어 절차 안내는 단계형, 규정질의는 근거 조항 중심, 현황질의는 최신 문서 우선과 요약 중심으로 구성합니다.
3단계는 평가와 개선입니다.
4단계는 배포와 운영입니다.
현장형 지식의 재사용을 통해 구성원의 시간을 절약하는 것, 둘째, 의사결정의 근거가 문서로 남고 쉽게 찾아지게 만들어 조직의 신뢰를 높이는 것, 셋째, AI를 운영 가능한 제품으로 만들 수 있는 역량을 증명하는 것입니다.
검색과 생성형 AI를 결합하면 단순 요약이 아니라 근거기반의 업무지원이 가능해졌고, 그 결과를 운영 루프로 개선할 수 있는 환경도 갖춰졌습니다.
마에스트로 과정의 집중도와 멘토링, 팀 프로젝트 환경은 문제 정의부터 MVP 운영까지 완주하기에 가장 적합하다고 판단합니다.
먼저 실패 케이스를 수집해 유형화했고, 입력 검증과 예외처리를 단계별로 설계했습니다.
이후에는 기능을 추가할 때마다 정상 케이스보다 실패 케이스를 먼저 정의하는 습관이 생 겼습니다.
질문 유형별 평가셋, 정답 근거 데이터, 지표 리포트, 실패 케이스 분류와 개선기록까지 포함해, AI 제품을 운영하는 방법론을 산출물로 만들겠습니다. |
 |
ai, 데이터, 문서, 이다, 만들다, 모델, 질문, 과정, 근거, 정의, 단계, 운영, 기준, 프로젝트, 실패, 질의, 가능하다, 평가, 성능, 검색 |
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
2026.02.10
9페이지
