ㅁ 데이터 활용

ㅇ 정의: 데이터 활용은 AI 시스템의 성능을 극대화하기 위해 데이터를 중심으로 설계, 관리, 최적화하는 접근 방식이다.

ㅇ 특징: 데이터의 품질, 다양성, 적절한 레이블링이 모델 성능에 직접적인 영향을 미친다. 데이터 중심 AI는 모델보다 데이터에 우선순위를 둔다.

ㅇ 적합한 경우: 데이터가 부족하거나 품질이 낮은 환경에서 성능 개선이 필요한 경우, 다양한 데이터 소스가 존재하는 경우.

ㅇ 시험 함정: 데이터 중심 AI와 모델 중심 접근법을 혼동하거나 데이터 품질 개선의 중요성을 간과하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:

1. Data-Centric AI는 데이터 품질이 아닌 모델 아키텍처를 개선하는 데 초점을 맞춘다. (X)
2. 데이터 중심 AI는 데이터 레이블링의 정확성과 다양성을 강조한다. (O)

========================

1. Data-Centric AI

ㅇ 정의: Data-Centric AI는 AI 시스템의 성능을 높이기 위해 데이터의 품질과 다양성을 개선하는 데 중점을 두는 접근 방식이다.

ㅇ 특징: 모델 성능을 데이터 개선으로 향상시키며, 데이터 레이블링의 정확성과 일관성을 중시한다.

ㅇ 적합한 경우: 데이터가 불균형하거나 레이블링 오류가 많은 경우, 모델 성능이 데이터 품질에 크게 좌우되는 경우.

ㅇ 시험 함정: Data-Centric AI를 단순히 데이터 양을 늘리는 방식으로 오해하거나 모델 중심 AI와 혼동하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:

1. Data-Centric AI는 데이터의 품질이 아닌 양을 늘리는 데 초점을 맞춘다. (X)
2. Data-Centric AI는 데이터 레이블링의 정확성과 일관성을 중시한다. (O)

ㅁ 추가 학습 내용

Data-Centric AI의 주요 기술과 성공 및 실패 사례를 학습하기 위해 다음과 같이 정리할 수 있습니다.

1. 데이터 증강(Data Augmentation):
– 데이터 증강은 기존 데이터를 변형하거나 확장하여 학습 데이터의 다양성을 높이는 기술입니다.
– 주요 기법:
– 이미지 데이터: 회전, 크기 조정, 색상 변환, 뒤집기 등.
– 텍스트 데이터: 동의어 교체, 문장 구조 변경, 노이즈 추가 등.
– 시계열 데이터: 시간 축 변환, 데이터 축소 및 확대 등.
– 데이터 증강의 목적은 모델의 일반화 성능을 향상시키고, 과적합(overfitting)을 방지하는 데 있습니다.

2. 데이터 정제(Data Cleaning):
– 데이터 정제는 데이터셋의 품질을 개선하기 위해 잡음(noise), 오류, 결측값(missing values)을 제거하거나 수정하는 과정입니다.
– 주요 작업:
– 결측값 처리: 평균 대체, 중위값 대체, 삭제 등.
– 이상치(outlier) 탐지 및 제거.
– 중복 데이터 제거.
– 잘못된 레이블 수정.
– 정제된 데이터는 학습 모델의 성능을 극대화하는 데 기여합니다.

3. 데이터 레이블링 자동화:
– 데이터 레이블링 자동화는 대규모 데이터셋에 효율적으로 레이블을 부여하기 위한 기술입니다.
– 주요 방법:
– 약간의 레이블된 데이터를 사용하여 나머지 데이터를 예측하는 반지도 학습(semi-supervised learning).
– 클러스터링 알고리즘을 활용한 자동 레이블링.
– 크라우드소싱 플랫폼이나 액티브 러닝(active learning) 기법 활용.
– 자동화 기술은 레이블링 비용과 시간을 절감할 수 있습니다.

4. 데이터 중심 AI의 성공 사례:
– 의료 데이터 분석: 고품질 데이터 증강과 정제를 통해 질병 진단 모델의 성능을 향상.
– 자율 주행: 다양한 환경에서의 데이터 증강을 통해 자율 주행 차량의 안전성을 개선.
– 언어 모델: 대규모 텍스트 데이터의 정제와 레이블링을 통해 자연어 처리(NLP) 성능 극대화.

5. 데이터 중심 AI의 실패 사례:
– 데이터 품질 문제: 잘못된 레이블이나 불균형 데이터로 인해 모델 성능이 저하된 사례.
– 데이터 정제 부족: 데이터 내 잡음이 제거되지 않아 모델이 오작동한 사례.
– 데이터 증강의 부적절한 사용: 비현실적인 변형으로 인해 학습 데이터가 실제 환경과 동떨어진 사례.

위의 내용을 바탕으로 Data-Centric AI의 핵심 기술과 실제 사례를 학습하면, 데이터 중심 접근 방식의 중요성을 이해하고 효과적으로 활용할 수 있습니다.