AI 팀과 협력하기

“제가 학습하고 있는 강의를 정리하여, 부족하지만 공유합니다. 함께 발전하길 바랄 뿐입니다.”

---

AI 팀과의 협력 방법

• 프로젝트의 수용 기준을 명확히 설정하는 것이 중요합니다. 예를 들어, 커피 머그잔의 결함을 95% 정확도로 감지하는 것이 목표일 수 있습니다.
• AI 팀은 성능을 측정하기 위해 데이터셋이 필요합니다. 이 데이터셋은 테스트 세트라고 하며, 예를 들어 1,000장의 이미지로 구성될 수 있습니다.

데이터셋의 구성

• AI 팀은 데이터를 훈련 세트와 테스트 세트로 나눕니다. 훈련 세트는 AI가 학습할 수 있는 입력과 출력의 예시를 제공합니다.
• 테스트 세트는 AI의 성능을 평가하는 데 사용되며, 훈련 세트와는 다른 이미지로 구성됩니다.

 

 

정확도에 대한 기대

• AI 소프트웨어에서 100% 정확도를 기대하는 것은 피해야 합니다. 기술적 한계, 데이터 부족, 데이터의 불확실성 등이 그 이유입니다.
• AI 엔지니어와 논의하여 달성 가능한 정확도 수준을 설정하는 것이 중요합니다.

 

→ 😐DG생각: AI 모델은 실제 환경과 다양한 변수에 대응하기 위해 꾸준히 최신 데이터로 업데이트되어야 한다고 봅니다. 데이터 부족이라는 진술은 문제 해결에 필요한 정확한 샘플, 다양성, 윤리적 데이터 확보가 미흡하다는 데에서 기인하는데요. 특히 개인정보가 AI의 연료가 될 때, 그 취득과 활용은 반드시 법적· 윤리적 기준에서 정당화돼야 한다는 비판적 시선과 실제가 해결되야 한다고 생각합니다. 데이터 양만 말하지 말고 데이터의 질을 이야기 해야 하지 않을까요? 그럼, 그 데이터의 질은 무엇에 의해 판단이 될까요? 분명한 것은, 완벽은 영원히 없으며, 불완전한 상태에서도 충분히 그 가치의 의미가 있다는 것은 인정합니다. 요즘, AI구독료가 많이 올랐습니다. ㅠㅠ

---

※본 요약은 ‘공정 이용(fair use)’사용 목적으로, Stanford University 의 Coursera강의 ‘모두를 위한 AI’를 수강하며 작성한 요약이며, 직접적인 강의 내용 복사, 슬라이드 캡쳐등은 저작권에 의하여 엄격히 보호됩니다. - 앤드류 응(Andrew Ng)의 강의 by Coursera Plus - "Learning Notes and Summaries by digitalian”