본문 바로가기
[Day21] AI 서비스 기초 특강 5. AI 시대의 커리어 빌딩 Careers in AL AI를 직업으로 가지려면 학교로 가야할까 회사로 가야할까? 논문 -> 학교 상품/서비스 -> 회사 AI를 다루는 회사의 종류 AI for X AI로 기존 비즈니스를 더 잘하려는 회사 AI가 보조수단으로, 비용을 줄이고 품질을 높히는데 활용 AI centric AI로 새로운 비즈니스를 창출하는 회사 AI가 비즈니스의 중심 새로운 가치창출을 AI로 같은 ML Engineer라고 부르더라도 자세히 보면 다른 일들을 하는 경우가 많다. 각 position에 대한 공통적인 표현이 정립되지 않았기 때문에 채용 공고를 잘 읽어보아야 한다. Trends in AI engineering positions 현재는 데이터 준비, 모델링, 평가에 많은 인력이 투입되지만, autoML 등으로 앞으로는 ..
[Day20] AI 서비스 개발 특강 4. Full Stack ML Engineer Full stack ML Engineer ML Engineer ML 기술을 이해하고 연구하고 product에 적용 ML Enginer은 ML researcher와 software engineer 의 사이 Deep learning의 경우 researcher과 engineer간의 경계가 모호한데, 빠르게 발전해서 연구와 product 적용이 동시에 일어났기 때문이다. 그래서 연구와 product 적용을 동시에 하는 poisition이 ML Engineer이다. Full Stack Engineer client와 server software를 구현할 수 있는 사람 Front-end는 client part, API Server와 Database를 합쳐서 back-end라고 하는 server part이다. 각 파트..
[Day 18] AI 서비스 개발 4. Docker : 가상화, docker 실행, docker image build Docker docker가 나아가서 쿠버네티스까지 확장된다. 가상화 : 특정 소프트웨어 환경을 만들고, local&production 서버에 동일하게 그대로 활용 개발할 때는 local환경에서 하고, 개발이 완료되면, staging서버와 production서버에 배포하게 된다. local 환경 != production 서버 환경 local 환경 = production 서버 환경 윈도우 -> Linux 이면 OS이기 때문에 라이브러리나 언어를 설치할 때 다르게 해야한다. 같은 OS이더라도, 환경변수, permission을 맞춰주어야 한다. 설정을 할 때 readme에 기록하고 실행하게끔 해야한다. 하지만 서버마다 설치하는게 번거롭고 사람이 하기 때문에 기존과 다른 점이 생길 수 있다. 또한 서버가 1개가 ..
[Day19] AI 서비스 개발 특강 3. AI Ethics AI & Individuals Bias : 편향 편향을 가진 AI가 있다면 어디서 그 편향이 오게 되었을까 데이터에 기반하기 때문에 사회적으로 가지고 있는 편향이 들어갈 가능성이 높다. 하지만 정확이 어디에서 온 문제인지 알기 어렵다. Labeling을 어떻게 정의하는지에 따라서 어떤 class 분류할지 ex) 근무시간이 많다고 일을 잘한다고 말할 수 있을까 Labeling을 하는 사람이 어떤 생각을 가졌느냐에 따라 Data를 누가 어떻게 어디에서 수집했냐에 따라서 데이터가 지협적으로 모아질 수 있다. Overrepresentation Feture selection Redlining : 일반적인 기준으로 보려는 것 의도하지 않은 차별 패턴속에서 나오는 차별 의도적 차별 만들 때부터 의도를 가지고 차별하는..
[Day18] AI 서비스 개발 특강 2. 내가 만든 AI 모델은 합법일까, 불법일까 저작권법 왜 알아야할까? 데이터를 스스로 제작할 때 저작권을 고려하지 않으면 인정받기 어렵다 연구목적으로만 가능한 데이터셋들이 있다. 논문을 쓸 때에도 확인하는 질문이 있다. 저작권 창작성이 있다면 자연히 발생되는 결과물에 대해 창작자에게 주는 권리 창작성이 인정되는 수준의 문장은 저작권이 부여된다. 합법적으로 데이터 사용하기 저작자와 협의하기 저작재산권 전부/일부에 대한 양도 독점적, 비독점적 라이센스 저작자에게 요청하지 않아도 라이센스 조건을 만족하면 이용할 수 있다. CCL : Creative Commons License 공공누리 공정 이용 : Fair use 사용 가능한 경우들
[Day18] AI 서비스 개발 3. Linux&Shell Command Linux server에서 자주 사용하는 OS 비용 window에서 서버를 사용하려면 라이센스비용을 내야하지만 linux는 오픈소스로 존재해서 비용이 필요하지 않다. 확장 가능 안정성, 신뢰성 CLI Command Line Interface : 터미널 윈도우에서는 WSL GUI Graphic User Interface : 데스크탑 Linux 배포판 Debian Ubuntu 영국의 회사에서 만들었음 쉽고 편한 설치로 초보자들이 사용하게 좋음 Redhat 레드햇회사에서 배포 CentOS Shell 사용자가 문자를 입력해 컴퓨터에 명령할 수 있도록 하는 프로그램 터미널이나 콘솔에서 쉘을 실행할 수 있는데, 문자 입력을 받아서 쉘에 보내고, 쉘에서 처리한 출력을 화면에 보여주는 역할을 한다. Shell 종류 s..
[Day17] AI 서비스 개발 특강 1. 서비스 향 AI 모델 개발하기 서비스향 AI 모델 vs 수업/연구 AI 모델 개발 서비스향 AI 모델 학습 데이터셋이 없는 경우도, test 데이터셋, 테스트 방법이 없을 수 있다. 대신 서비스 요구사항이 있다. 수업/연구 AI 모델 정해진 학습 데이터셋, test 데이터셋, 테스트 방법이 주어진다. 학습 데이터셋 준비 종류 수량 정답 를 질의응답을 통해서 구체화한 후에 기술모듈을 설계한다. 같은 데이터를 사용하는 모델이더라도 목적이 다르면 정답도 다르게 된다. 그래서 (데이터, 정답)을 한 쌍으로 생각해야 한다. 테스트 데이터셋/방법 Offline 테스트 개발 환경에서 성능 평가 Online 테스트 실 서비스 적용을 할 때의 성능평가 offline 테스트와 online 테스트의 차이가 크면 좋지 않다. 제대로 정량평가를 settin..
[Day17] AI 서비스 개발 2. 머신러닝 프로젝트 라이프 사이클 머신러닝 프로젝트 Flow 현상을 파악하고 문제를 정의를 하는데, 문제를 잘 풀기 위해서는 정의를 구체적이고 명확하게 해야한다. 문제를 해결하면 무엇이 좋을까? 왜 해결해야 하나 어떻게 해결하면 좋을까? '어떻게' 보다는 '왜'에 집중해서 1. 현상 파악 현재 어떤 일이 발생하고 있는지 현상을 파악 해결하면 좋은 것은 무엇인지 가설을 만들고 그 가설을 풀기 위해서 어떤 데이터가 필요할지 2. 구체적인 문제 정의 앞에서 파악했던 현상을 더 구체적이고 명확한 용어로 정리 무엇을 해결하고 싶은가? = 무슨 문제를 해결하고 싶은가 데이터 확인, 없다면 인터뷰를 해서 문제를 파악한다. 문제를 쪼개서 파악한다. 문제를 일으키는 원인과 해결방안 고민 해결 방안이 데이터로 할 수 있는 일이 아닐 수 있다. rule b..

티스토리툴바