4. 서비스 기획 단계

• 서비스 기획

1. 고객은 누구인가?
2. 어떠한 과제를 해결하는가?
3. 무엇을 사용해 해결하는가?

---

• 인공지능은 학습 방법에 따라 용도와 성능이 결정됨.

→ 기획한 서비스에서 인공지능이 어떤 역할을 해야 하는지를 파악하고 역할에 따라 인공지능이 잘 작동할 수 있도록 학습하는 것이 중요함.

⇒ 서비스의 목적, 데이터의 특성, 개발 기간, 학습 데이터의 양 등을 고려하여 알맞은 인공지능 학습 방법을 결정해야 함.

---

1. 머신러닝 : 개발 기간이 길지않고, 데이터의 수가 적을 때
2. 딥러닝 : 개발 기간이 충분하고, 데이터의 수가 많을 때

---

• 학습데이터 : 캐글, 공공데이터포털, ai허브 등

---

학습데이터 준비 및 가공이 완료되었다면, 데이터를 균등하게 배분해야 함.

→ 향후 ai 모델의 검증을 위해 전체 데이터를 학습 데이터와 테스트 데이터로 나누어야 함.

---

• ai 학습에는 주로 텐서플로우, torch를 사용함.

1. tensorflow : 학습이 빠르고 인공지능의 학습 과정을 시각화해주는 tensorBoard 사용이 가능함.

ㄴ keras의 경우 텐서플로우 내부에 속해있는 것으로, 모델과 학습 데이터를 제공하고 학습을 단순화하여 사용하기 쉽다는 장점이 있음.

1. Torch : 넘파이, 파이썬과 코드가 비슷하고, 디버깅이 쉽다는 장점이 있음.

---

1. 모델은 전반적으로 얼마나 정확한가?
2. 모델은 여러 시나리오에서 예상대로 작동하는가?
3. 예외적 상황을 전부 고려했는가?

⇒ 과소적합과 과대적합의 상황을 판별하고 이를 기반으로 다시 학습을 진행하게 됨.

---

• 파인튜닝 : 배포한 모델을 활용하여 수집한 데이터로 학습하는 것.

→ ai 모델 학습 과정에서 모델의 성능이 나빠지는 상황도 발생할 수 있기 때문에 학습하기 전 모델을 저장하는 롤백 과정을 진행하기도 함.

---

⇒ 이러한 과정을 통해 서비스를 배포한 후에도 그 서비스는 유지, 보수 됨. 데이터가 쌓이고, 지속적으로 변화하는 서비스 환경에 맞춰 개발하는 과정을 MLOps라고 함.