🎯 2025 완강 챌린지 🎯

블로그

AI 들에게 물어보기 - 노래 가사

"글렌 메데이로스의 nothing's gonna change ..." 오며가며 추천에 떠서 유튜브 복고맨 을 보게 되며 80-90 음악들로 다시 refresh 되는 일들이 있었고, 그 중 몇몇 노래들은 당시 어설프지만 영어를 배우게 해 준 고마운 노래들이어서(?) AI 서비스들에게 가사를 물어 보았다. 여전히 얕은 기량이지만, 문장으로도 예뻤던 기억들도 있다.알아듣고 기뻐하던 가장 오래된 기억의 노래로 Glenn Mediros 의 Nothing's gonna change my love for you 에 대한 이야기들도 있었고, 며칠 전 저녁 먹는 식당에서 들리길래 이것저것 해 보았다. 깔려 있는 앱들이 다 한글 영어 음성 지원이 되고, 말로 해서 꽤 알아 듣는 모양새들이었지만, 이 글을 만들기 위해 데스크탑에서 다시 해 보고 정리. 때마침 저작권 이슈도 언급되기도 해서 ( “AI 추격조에 데이터 개방… 저작권료 차후 계산 파격 필요” [뉴스 투데이] ) 몇 개 해 봄. 이번부터는 네이버와 더불어 클로바x 도 참전... 많이 복잡해 졌는데, 개인적/주관적이지만 오늘의 기준사용자인 내가 '정확한 가사'를 볼 수 있는가 ? 출처는 믿을만 한가 ? 친절한가 ?  질문은 "글렌 메데이로스의 nothing's gonna change my life for you 가사 써 줘"결과는    구글 검색 >  Liner > 네이버 = Bing > 클로버x > Perplexity > ChatGPT = Claude > WRTN > Gemini  구글 검색 ( 10 / 10 )Knowledge Panel 에 특화된 쿼리여서 공정성 시비가 있을 수 있음 인정.한 페이지 넘게 가득 할애하는 이전에 못 보던 용기까지.발매 년도 1987. 이것도 정답. 이 노래는 1986년에 녹음되어 1987년에 발매되었다 함. 원곡도 아니니 이정도는 인정.늠름한 출처까지.. Liner ( 8/10 )결과 페이지 포맷팅 감점. 노래 가사가 한 줄씩 한 페이지 너머 이렇게 itemized item 로 보이는 거는 많이 불편함. 맨 위 결과인 블로그 페이지는 찜찜하지만, 벅스가 보이면 인정, 랭킹 아쉬움.네이버 ( 6/10 )링크 클릭하면 되긴 함. 네이버 블로그들 Bing ( 6/10 )링크 클릭하면 되긴 함. 역시 여기도 블로그들 클로바x ( 5.5/10 ) 일단 안 된다고 함. 가끔씩(!) 블로그 링크 보여 줌.Perplexity ( 5/10 ) 못 가르쳐 주겠다면서 뭘 이렇게나 많이..?영어가 많다고 영어로 답을 ?링크들은 전부 unofficial links. ChatGPT ( 4/10 )못 가르쳐 주겠다는데.. 굳이 요약을...? 왜...? Claude ( 4/10 )못 가르쳐 주겠다는데.. 그래도 안내 해 줌.. WRTN ( 3/10 )못 가르쳐 주는데, 그 중 제일 불친절함. 맨 마지막 문장은 심지어 조롱 같음. Gemini ( 2/10 )가사를 틀리게 보여 줌. 그래서 최하위 점수.심지어 아래 출처 링크는 404. 조금은 진지하게... Gemini 는 구글 검색 안 쓰나 ? 총평AI 서비스의 최대 적은 저작권 ?? 정말 ? 저작권이라는 두리뭉실한 이름으로 여러 가지 의미로 쓰이지 싶은데... 구글 검색이 추구하는 방향으로 출처와 credit 을 authorship 형태로 존중하는 방향으로 진행되어야 하지 않을까 ? 각각 서비스들 MOE 등등 할 거면 구글 검색보다는 잘 하자 ? 

대학 교육 기타검색

인공지능과 추천 시스템 - 마치며 - 2024. 12.

들어가며2024년 2학기 KAIST 경영대학원에서 Digital Finance MBA 과정에서 개설된 ‘인공지능과 추천시스템' 강의를 마쳤다. 3학점 16주의 일정이 끝났고, 작년에 강의를 끝냈을 때에 느꼈던 아쉬움에 더해서 두번째 기회였음에 따라 오는 추가적인 아쉬움들이 든다. 금융의 영역과 문제 풀이의 본질인 공학의 테두리 안에서, 인공지능과 추천이라는 주제를 다른 트랙처럼 운용하려 했고, 제품과 서비스로서의 문제 정의와 풀어 나가려는 접근 등을 같이 고민하려 했다. 과목의 이름이 주는 방대함과 위압감은 생각 이상이었고, 변화하는 시대의 이슈들을 따라가고자 하니, 구현에 대한 공통적인 실습을 줄이는 방식으로 타협을 하게 되었다. 준비한 것들교재 같이 읽기 - 박태웅의 AI 강의교재 같이 읽기 - 추천 시스템 입문 코드 따라 하기 - MovieLens , 추천 알고리즘 - 기본 구현들, openAI news creation추석 맞이 클립 모아 보기stateof.ai 2023, 2024 같이 보기특강 - Google(Playstore)에서 과제 런칭하기특강 - Search Quality with Google 특강 - Lessons from  Google Search특강 - Big Acquisitions / Nest / Subscriptions / US Life기말 발표 주제 선정, 발표 자료 리뷰, 발표 리뷰  준비했지만 못했던 것들교재 같이 읽기 - GPT-4 를 활용한 인공지능 앱 개발교재 같이 읽기 - 금융 전문가를 위한 머신러닝 알고리즘코드 따라 하기 - 추천 알고리즘 - 복잡한 구현들, Deep Learning 특강 - 인이지와 Digital Transformation with XAI Stat 들  77명의 수강생 ( 디지털금융MBA 46명, 정보경영 20명, 프로페셔널 MBA 6명, 카이스트MBA 3명,임팩트MBA 1명, 경영공학부 1명 )  4번의 remote 수업, 2번의 online 수업44개의 기말 과제 1번의 간담회 형식의 치맥   작년과 달랐던 점들 직장을 다니면서 주경야독을 하는 학생들과 전업 학생들이 완전하게 둘로 갈려 있었음.  기말 과제들에 공을 들여 이야기를 했는데, 학생들이 다른 과제의 이야기들에 관심을 가지지 않았음.  아무 주제로 면담 신청을 열어 놓았는데, 아무도 신청을 하지 않았음.  띄엄띄엄 학생들을 볼 수밖에 없는 제약이 있기도 했지만, 학기를 진행하며 작년과 너무 다른 분위기들에 많이 흠칫하게 되었다. 침체되어 있는 업권의 불편한 분위기가 그대로 내려오고 있는 게 아닌가 하는 생각이다. 마무리하며강의 평가 결과로는 타 과목 대비 낮은 점수가 나왔는데, 특히 작년보다 그다지 나아지지 못했다는 아쉬움이 있다. 전업으로 하시는 다른 과목 교수님들보다 높이 나올 수 없다는 결과는 여전히 당연하다 생각하고 있고, 특히 이 과목은 학생들이 금융과 IT의 양 극단에 있어서 적절한 강의 대상을 정하기 어려웠을 거라는 책임교수님의 예상과도 일치하는 많이 놀랍지는 않은 결과였다. 작년의 경험에 조금의 노력을 더했지만, 부족함이 많이 지적되는 결과라 하겠고, 모두를 만족시키지 못한 것에 대한 욕심, 너무 살살(?) 했던 것에 대한 아쉬움, 미안함 등이 있지만, 이 자료들이 쌓여서 올해도 내년 강의에 잘 이용이 되면 하는 바램으로 올해는 여기 까지로 마무리하자 싶다.여러 물리적인 제약들에도 불구하고, 개인적으로는 너무 소중한 경험이었고, 다시 한 번 기회를 더 주신 책임교수님과 학과 사무실 분들, 완벽했던 수업조교 들께 감사한 마음을 전한다. 수업 시간을 함께 한 학생들께도 고마움을 전하고 앞으로도 좋은 영향을 끼치기를, 그리고 인연이 계속되기를 기대한다. 

대학 교육 기타인공지능추천강의

인공지능과 추천 시스템 강의 노트 - (6/16) - 2024. 10. 11.

들어가며노벨상으로 주변이 시끌벅적한 가운데, 가을의 여의도는 이제 단풍도 보이기 시작하고, 이맘때만 느낄 수 있는 아름다움이 시작된 듯하다. 지난 주의 건담과 뉴진스에 이어 오늘은 열기구가 보였다.  분당에서 여의도를 가는 길에 AI 강의 2025 책을 구입하러 책과 얽힘 에 들러 아래 이벤트를 참석해서 사인도 받았고, 브로마이드도 구할 수 있었다. 그리고 이는 오늘 퀴즈를 맞춘 학생에게 선물로 책과 함께 주었다. https://www.facebook.com/events/1614464549496226/?ref=newsfeed박태웅의 AI 강의 2025 싸인회 기말 과제는 아직 절반 정도만 셋팅이 되었다. 몇몇 메일들에 대해서는 주제를 명확하게 해 달라는 피드백을 주기도 하고, 논문 정리의 경우 미리 같이 훑어 보며 궁금한 점들을 미리 이야기하기도 하는데, 조금 더 이야기들을 들을 수 있으면 하는 바램이다. 그리고, 간담회를 8주 차에 운영하기로 허락을 받았고, 한두시간 이야기를 자유로이 나누기로 했는데, 이 때에도 다양한 이야기를 들을 수 있으면 하는 바램이다. 한 주간 서울의 가을 날씨를 제대로 대비하지 못해 감기를 꽤 앓았었는데, 수업 시간에 쉬어가는 목소리로 이야기를 하게 되어 학생들에게 미안하게 되었다...  준비한 내용들6주) 강의 update현재까지 노벨상 수상한 모든 사람이 내가 아는 사람이 되는 신기한 상황에 그 중 절반은 근무 기간이 겹치는 전 직장 동료라는 게 여전히 믿기지는 않는다. 저 상의 무게, 업적의 깊이, 살아온 이력 등이 어땠을까 가늠이 가지 않으면서도 여러 가지 생각이 들게 되는 한 주였다. 아울러 stateof ai 2024 년 내용이 release 되었다. ( https://www.stateof.ai/ ) 이후 수업에서 몇 번 다룰 내용들이라 여러 번 인용이 되겠지만, 작년의 예측들에 대해서는 일단 아래의 내용으로. 참고로 AI 가 만든 음악이 메이저에 올라올 거라는 9번째 예언의 해석에 대해서는 개인적으로 동의가 되진 않는다.  추천시스템 - 7. 평가추천시스템 - 5Google(Playstore)에서 과제 런칭하기.pptx 추천 시스템 순서 상으로는 5. 알고리즘이 먼저이지만, 이는 책 절반을 할애하게 되고, 7. 평가 부분은 이론적으로 먼저 훑고 가야 할 내용이라 이야기를 꽤 해야 했다. 아래는 대략적인 설명. 결국 셋 다 해야 한다는 이야기.. 교재는 무비렌즈 데이터들을 가지고 해 보는 것으로 이 중 오프라인 평가에 해당하고, 안에서도 아이템을 예측한 후에 판단을 어떻게 내릴 것인지에 따라 f2 score 혹은 RMSE 비교 등으로 여러 이야기를 하게 될 것이다.그리고, 추천 시스템 알고리즘 맨 앞 부분은 랜덤과 popular. 개인화든 아니든 어떤 로직이든 싸워서 우열을 가려야 하는 상대가 있다면 이 둘인데, 이들에 대해 코드로 EDA 하는 부분이 포함되어 있다. 이후 조금 복잡한 알고리즘의 경우는 각각 별도의 시간을 가지고 하나씩 해야 할 거 같은데, 수업 시간에 하나씩 30분씩 해서 진행해 보려 한다. 아무래도 노트북 코드를 가지고 훑는 모습이라 한계가 있을 거 같기도 한데, 지표들이 공감과 설명이 잘 되면 하는 바램이다. 구글 플레이스토어 - part 1이 발표 자료는 작년 강의 이후 조금 정리해서 구글 플레이스토어 한국 현지화 과제를 2년간 책임자로 있으면서 다루었던 내용들이 정리된 내용들로, 이제 거의 10년이 다 되어가는 기억과 기록들이지만, 두어번 시간에 나누어서 나누고 싶었던 내용이다. 실제 B2C 제품 팀을 운영하는 분들에게 해 줄 수 있는 이야기들이기에 최대한 감정 이입을 부탁하기는 했다.오늘은 첫 시간으로 내용들 중에서 개요와 당시의 제품이 지니고 있던 챌린지들, 그리고 평가들을 하기 위한지표들에 대한 이야기들을 나누었다. 쇼핑몰의 성격과 닮아 있지만, 1인당 1개의 구매 제한, preinstall 등의 사연들이 있는 제품에서 여러 이야기들을 나누기 위해 지표 이야기까지는 같이 다루고 싶었다.  아래는 학생들에게 낸 오늘의 퀴즈. Q) 당시 구글 플레이스토어에서는 Good Acquisition 을 정의했는데, 인스톨 후 Y일 이내에 X번 실행을 한 경우 이를 True 로 놓았었다. X 와 Y 를 구하시오.힌트 : Y 는 7의 배수 Q&AQ. 모델 밸리데이션 시 Train:Valid:Test 비율을 8:1:1을 사용하는 경우와 6:2:2로 나누는 경우는 어떤 차이가 있나요? 예를들어 8:1:1이 6:2:2 보다 과적합 문제가 더 커지는 건 아닌가요?A. 일반적으로 그 이슈가 맞습니다. 일반론적으로 많은 경우 training 수가 적으면 학습이 덜 되고, 과하게 많으면 overfitting 이슈가 생깁니다. 대개 training 이 안 되는 문제가 먼저 오게 되고, overfitting 이 뒤에 오는데요. Overfitting 의 경우 전체 데이터 수를 늘리면서 많이들 해결합니다. 20%를 테스트로 놓는 경우는 대개 샘플 수가 적을 때 많이들 그리 합니다. Q. 질문은 강력한 시그널이라는 말씀을 들으니 십여년 쯤 전 구글 직원분의 세미나가 생각납니다. 그분도 질문은 거짓말을 하지 않는다고 말씀하시면서 자신은 질문 쿼리 데이터를 바탕으로 투자시스템을 만들 계획이라는 이야기를 했었습니다. 구글이나 다른 기업들이 질문 데이터를 활용하는 방법들을 소개해주시면 감사하겠습니다.A. 정확하게는 질문 후의 반응의 행동까지가 한 셋트입니다. 질문이 연속될 경우 그것도 강한 연관 시그널이겠구요. 특히 통계로 접근할 때 쿼리창에 나오는 suggest 쿼리들은 통계적으로 안 쓸 이유가 없는 훌륭한 소스지요. 많은 경우 통계 혹은 로직이 random 과의 싸움이라 했을 때 같은 쿼리를 다른 사용짜가 우연히 같이 넣는다고 하면 아주 큰 일이 벌어지고 있는 것입니다. 네이버 검색도 마찬가지고 각종 쇼핑몰도 마찬가지이겠습니다. 구글 플레이스토어만 하더라도 모든 쿼리에 대해 거대한 표를 만들어 놓는다 치면 어떤 쿼리가 와도 정답을 줄 수 있겠습니다. 시스템 복잡도 이런 건 대개 뒤에 고민해도 늦지 않습니다. :) 출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/83 ( 2024. 10. 11. )

대학 교육 기타인공지능추천금융

인공지능과 추천 시스템 강의 노트 - (5/16) - 2024. 10. 4.

들어가며10월이 되면서 다시 찾은 서울은 더이상 무더위의 서울이 아니었고, 날씨는 언제 그랬냐는 듯 평범하였다. 한국에는 목요일 새벽에 도착하였고, 몇몇 적응들을 한 후 여의도로 출근도 평범했다. 여의도 전철역에는 뉴진스와 건담 관련 광고들이 펼쳐져 있었다.  기말 과제에 사인업을 20명 정도 하였다. 감을 잡기가 힘들었는지 작년 대비 학생들이 주제들을 이야기 못 해 주고 있는 상황인 거 같지만, 메일이 오면 일단 먼저 주제의 범위가 괜찮은지 같이 둘러 보며 피드백을 주고, 일정 조절을 같이 하고 있다. 이후 일정들을 체크해서 자유 간담회 시간을 잡을 예정이고, 이번 달 말 정도에 한 번 할 수 있으면 좋겠다는 생각이다. 준비한 내용들5주) 강의 update( 모든 이슈들은 openai 를 중심으로.. )추천시스템 - 3 추천시스템 - 4 추천 시스템 강의 3, 4장3장은 UI/UX 에 대한 이야기를, 4장은 추천 로직을 시스템으로서 접근하는 노력을 담았다. 하나의 제품이라 할 지라도 모두에게 모든 케이스를 만족시키는 결과를 하나의 로직이 만들어 낼 수 없을 것이고, 그러기에 제품의 여러 상태에 따라 다양한 내용들을 접목시키는 노력에 대해 이야기하고 있다. recommender로 불리기 전에는 information filtering 이라는 이름으로 널리 쓰이고 있었고, 이론적인 교과서적인 면에서 결국 시스템 구현은 아래 위키피디아에 나온 이 방법들을 기본으로 설명하고 있고, 하이브리드를 적용하는 것으로 접근한다. https://en.wikipedia.org/wiki/Collaborative_filtering제품의 구성 따라 아래의 예제들처럼 접근하시라.. 라는 잠정적인 결론.    개요 추천 - 내용 기반 필터링      알림 서비스 - 사용자-사용자 메모리 기반 협조 필터링       알림 서비스 - 모델 베이스 ( 데이터가 축적되면 )      전자상거래 검색 - 내용 기반 필터링      전자상거래 홈페이지 - 구입 이력을 통한 추천   이후의 내용들은 각 서브 모듈을 어떻게 정의하고 비교할 것인지에 대한 내용들이어서 다음 시간으로 미루었다. 코딩과 수식이 난무한 시간이 될 것이고, 꽤 고민 거리들이 있게 될 거 같다.오늘의 퀴즈들오늘은 구글 검색 때 했던 몇가지 논의들 + 안팎으로 공개되었던 몇몇 숫자들에 대한 질문들.1. 구글의 검색 결과를 사용자가 클릭을 했을 때 click duration 이 짧으면 short click 이라 해서 이른바 낚임을 나타내는 나쁜 페이지를 나타내는 정보이고, long click 은 이후 페이지를 충분히 소비한 좋은 결과를 이야기하게 되는데, 이를 나누는 기준은 각각 몇 초일까 ?2. 구글이 knowledge panel 을 기존에 있던 광고 위에 올리고, 기존의 click mechanism 이 특히 모바일에서 틀어지게 되었는데, 주어진 쿼리에 스크롤이 얼마간 일어나지 않으면 비록 click 이 없더라도 쿼리에 대한 좋은 결과를 준 것으로 간주했는데, 이 때는 몇 초를 기준으로 삼았을까 ? Q&AQ. 사용자가 제품 안에서 하는 행동들을 기록해서 적으면 너무 방대하고 오차들이 많지 않나요 ?A. 이른바 event tracking 이라 불리는 영역이고 아주 오래전부터 상상 이상으로 많은 제품들이 이쪽에 있는데, Google Analytics / Firebase Event / Amplitude 등이 그 역할을 하고 있고, 그 데이터를 수집하려는 입장에서는 더 많은 정보들을 원하고 있을 것입니다. 오차들을 줄이려는 노력들을 많이 하고 있고, 통계적으로 의미 있는 일들을 모으고 있고, 사용자들의 이벤트들을 모아서 보통 세션이라는 개념으로 해서 분석을 많이들 합니다. Q. 유튜브에서 추천은 어떤 식으로 이루어 지나요 ?A. 지금의 유튜브는 위의 두 줄을 '통합 추천'의 개념으로 놓고, 그 아래 그룹들을 추천해 주는 방식을 쓰고 있습니다. 넷플릭스나 아마존 등에서도 비슷하고, 친절한 그룹 설명들이 있는데, 그 중에 여러 이유들을 가지고 모아서 위에 모아 주는 용감한 전략을 쓰고 있지요. Q. 구글검색 굿클릭 기준이 30초~2분(모바일은 3초?)인데, 30초라고 결정했던 요소들이 어떤 것이었는지 궁금합니다. (예를 들어, 지난 데이터들을 분석해보니, 30초 미만 머물렀던 클릭들은 다시 검색하거나 다른 링크로 들어가는 행동을 보였다던지)A. 검색 결과 - 클릭 - back to 검색 결과 - 다른 클릭 이 일어날 때 앞의 back to 검색 결과에 대해 많은 가중치를 두는 계산들을 했었습니다. 페이지 자체의 품질이라기보다는 주어진 쿼리와의 연관성에 대한 피드백이 되는 경우가 많아서 사용자가 계속 검색 페이지로 돌아오는 건 클릭 후 행동이 그다지 만족스럽지 않았다는 것을 나타낸다 했었구요.모바일 3초는 knowledge panel 이 주어진 쿼리에 대해 얼마나 유효한지에 대한 수치였습니다. 검색 페이지를 보여줬을 때 사용자가 3초간 보고 스크롤을 하지 않는다면 검색 결과가 만족스러운 것이다 라는 해석이었더랬습니다. Q. Cross-selling 파트에서 구매전/구매후 추천되는 아이템이 다르고 운영되는 팀도 다를 것라고 하셨는데, 그냥 생각하기엔, 같은 팀에서 운영하는 것이 더 효율적이고 시너지가 날 것 같은데, 그 두 시점에 따라 다른팀에 의해 운영되는 효과가 궁금합니다.A. 제품의 구성원 따라 다르겠지만, 구글 정도의 큰 회사인 경우 혹은 다른 쇼핑몰 들일지라도 같은 공간을 여러 팀들이 경쟁해서 무언가를 꾸미는 형태로 진행된다 보시면 될 것이구요. 공급자 눈에 비슷해 보여도 ‘똑같은' 로직이 다른 곳에 최고의 성적을 내는 경우가 드물기도 하고, 반대로 안팎의 사정으로 묶어서 운영하기도 하겠구요. 효율을 어디서 정의하느냐 따라 다른 일들이 벌어진다 하겠습니다. 개인적으로 사용자 입장에서 구매 버튼 누르는 시점 앞뒤로 똑같은 걸 사라고 자꾸 뭔가가 뜨면 싫어할 거 같긴 합니다. 실제로 사용자들은 그런 사소한 이유들로 많이들 떠납니다. Q. Credibility파트에서 ‘리뷰자체를 신뢰하게 만드는 법’에 첫 항이 ‘운영자들이 리뷰를 직접검수’ 였는데, 언뜻 생각하기로 그렇게 많은 리뷰를 어떻게 다 검수하지란 생각이 들어서요,, 필터를 해서 특정한 유형의 리뷰만 보는 모델을 사용해서 효율화를 하는지(왠지 이것도 한계가 많아서,, 다 직접 봐야하지 않나 싶은데) 어떻게 효과적인 방법으로 리뷰 검수를 할 수 있는지 궁금합니다. A. 일단 사람이 먼저 해야 이후에 기계한테 룰이든 머신러닝이든 시키지 않을까요 ? 기계의 도움을 받아 사람이 하고 보수적으로 처리한다 정도가 맞는 말일 거 같습니다. 참고로 구글은 spam fighting 을 20년 넘게 해 오던 회사이고, 거기에 따른 노하우들에서 시작합니다. 참고로 막 만들어진 서비스의 경우 리뷰 별로 안 많을 겁니다… :)  제품을 운영하는 입장에서는 ‘효율화'는 나중에 와야 합니다.출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/81 ( 2024. 10. 4 )

대학 교육 기타인공지능추천경영

클라우드 기반 스마트팩토리 - 입문 ( 디지털서비스 이슈리포트 2025-1호 )

이 글은 제가 NIA [한국지능정보사회진흥원]의 < 디지털서비스 이슈리포트 > 2025년 1월호에 기고한 글입니다. 원본 글 '2025년 AI 현황 보고서 리뷰'를 이곳 브런치에서도 공유합니다. 들어가며 스마트팩토리(smart factory)는 첨단 정보통신기술(ICT)을 활용하여 제조 공정 전반을 자동화하고 최적화하는 제조 환경을 말한다. 기존의 전통적 공장이 인간의 노동력을 중심으로 운영되었다면, 스마트팩토리는 사물인터넷(IoT), 로봇공학, 빅데이터, 인공지능 등을 결합하여 공정의 효율성을 극대화한다. 이는 단순한 자동화된 공장을 넘어선 개념으로 실시간으로 생산 현황을 모니터링하고 최적의 의사결정을 내리는 것을 목표로 하며, 이를 통해 불량률 감소, 에너지 효율화, 생산 원가 절감 등 다양한 효과를 얻을 수 있으며, 나아가서는 다품종 소량생산과 같은 유연한 제조 환경에도 효과적으로 대응할 수 있게 된다.클라우드 기술은 스마트팩토리를 구현하는 데 있어 필수적인 요소로 자리잡고 있다. 방대한 양의 생산 데이터를 저장하고 분석하기 위해서는 강력한 컴퓨팅 자원과 많은 저장 공간이 필요하며, 클라우드는 이러한 요구를 충족시킬 수 있는 최적의 솔루션으로 다음의 특징들을 가진다.  데이터 저장 및 분석: 생산 현장에서 발생하는 방대한 양의 데이터를 클라우드에 저장하고, 빅데이터 분석 기술을 활용하여 유용한 정보를 추출한다.AI 활용: 클라우드 기반 AI 서비스를 활용하여 예지 보전, 품질 예측 등 고급 분석을 수행한다.  유연한 확장성: 필요에 따라 컴퓨팅 자원을 유연하게 확장하거나 축소할 수 있어 비용 효율적인 시스템 운영이 가능하다.협업 환경 구축: 다양한 사용자가 클라우드 기반 플랫폼을 통해 실시간으로 협업하며 생산 과정을 관리할 수 있다.  클라우드는 스마트팩토리의 핵심적인 역할을 수행할 수 있으며, 제조업의 디지털 전환을 가속화하는 데 기여하고 있다. 본 글에서는 스마트팩토리를 위한 입문으로 운영의 핵심 요소들과 클라우드 기반 솔루션들을 소개한다. 주로 IoT 관련 서비스 제품들이 표준화되어 이용된다. 스마트팩토리 운영의 핵심 요소 1. 데이터 수집 및 관리데이터를 어떻게 다루는가가 스마트팩토리의 핵심으로, 데이터의 실시간 수집과 통합 관리가 필수적이다. 이를 위해 생산 설비, 작업자, 원자재, 제품 등 공장 내 모든 요소로부터 발생하는 데이터를 신뢰성 있게 수집하고 통합하는 체계가 갖춰져야 한다. 산업용 IoT 센서, 스마트 디바이스, 통신 네트워크 등의 인프라가 체계적으로 구축되어야 하며, 이렇게 수집된 데이터는 표준화된 형태로 저장되고 관리되어야 한다. 데이터 정제와 처리 기술이 필수적이고, 이 데이터들은 해당 기업의 핵심 자산이기에 철저한 보안 체계를 갖추는 것도 중요하다. 2. 실시간 모니터링 및 예측 분석스마트팩토리는 단순히 데이터를 수집하는 데 그치지 않고, 이를 기반으로 실시간 모니터링과 예측 분석을 수행한다. 이를 통해 공정 중 발생할 수 있는 문제를 조기에 감지하고, 장비의 이상 상태나 품질 결함을 미리 예측하여 신속히 대응할 수 있다. 의미 있는 인사이트를 도출하고 미래를 예측할 수 있어야 하고, 빅데이터 분석 기술과 AI 기술을 활용하여 설비 고장 예측, 품질 예측, 수요 예측 등을 수행할 수 있으며, 이를 통해 선제적인 의사결정이 가능해 진다. 3. 제어 및 생산 공정 최적화수집된 데이터를 바탕으로 생산 현장의 상황을 파악하고, 문제가 발생했을 때 신속하게 대응할 수 있는 체계가 필요하다. 유기적으로 연동된 MES(Manufacturing Execution System)나 SCADA(Supervisory Control And Data Acquisition) 같은 제조 실행 시스템이 구축되어야 하며, 이는 불필요한 다운타임을 줄이고, 생산성을 향상시키는 데 큰 역할을 한다.더 나아가서는 유연하고 적응력 있는 생산 체계를 통해 공정 효율성을 높인다. 공정 최적화를 통해 고객의 요구사항에 맞춘 대량 맞춤형 생산과 같은 새로운 제조 패러다임을 가능하게 하고, AI와 머신러닝 기술을 활용하여 다양한 생산 공정 최적화를 이룰 수 있다.  4. 협업 및 연결성스마트팩토리는 다양한 장비와 시스템이 서로 원활히 통신할 수 있도록 높은 수준의 연결성을 요구한다. 위의 유기적으로 연동된 데이터에 더해 전사적 자원 관리(ERP) 시스템, 공급망 관리(SCM) 시스템 등과의 통합은 공장의 전반적인 운영 효율을 높이고, 부서 간 협업을 강화한다. AWS 의 IoT 서비스AWS 에서는 IoT 관련해서 다양한 솔루션을 이용할 수 있는데, 스마트팩토리를 구현하는 방법으로 먼저 엣지 디바이스에서 정보들을 관리하는 솔루션들을 아래 그림 1의 솔루션들을 이용할 수 있다.그림 1. AWS IoT 디바이스 솔루션들이들을 클라우드에 연결하는 방식으로 아래 그림 2.의 솔루션들을 이용할 수 있다.,그림 2. AWS IoT 클라우드 연결 솔루션들마지막으로, 관리자 혹은 사용자의 시각에서 이 데이터들을 운영하기 위해 아래 그림 3. 의 솔루션들을 사용할 수 있다. 이후에는 모여진 데이터들은 AWS 의 일반적인 서비스들과 도구들을 이용해서 사용할 수 있다.그림 3. AWS IoT 분석 솔루션들아래 그림 4는 AWS IoT 그린그래스, AWS IoT 코어, AWS IoT 디바이스 디펜더, AWS Iot 디바이스 매니지먼트를 이용해서 연결되어 운영되는 사례의 구조를 나타낸다. 그림 4. 일반적인 AWS IoT 연결 예제 애저(Azure)의 IoT 서비스마이크로소프트의 애저에서도 IoT를 위한 제품들이 준비되어 있고, 아래 그림 5와 같은 레퍼런스를 볼 수 있다. 엣지 디바이스에서 모이는 데이터들이 애저 IoT 허브(Hub) 를 통해서 클라우드에 모이게 되고, 데이터의 성격에 따라 스트림 데이터를 위한 서비스 혹은 메시지를 위한 서비스 등으로 나누어 저장되고, 관리된다. 이후에도 역시 일반적인 서비스들과 도구들을 이용해서 사용할 수 있다.그림 5. 일반적인 애저 IoT 연결 구조 구글 클라우드 플랫폼(GCP)의 IoT 서비스구글 클라우드 플랫폼도 IoT 관련해서는 유사한 방식을 지원한다. 아래 그림 6은 산업계에서 널리 쓰이는 메시징 표준인 MQTT 방식의 메시지를 이용해서 엣지 디바이스들로부터 메시지들을 클라우드에 전송하는 예제를 나타낸 그림이다.그림 6. GCP에서 IoT 제품 연결 예제 맺으며지금까지 스마트팩토리를 고려하며 주요 클라우드업체의 IoT 서비스들을 간단히 훑어 보았다. 특별한 서비스를 이용하지 않고, 엣지 디바이스 용 솔루션을 따로 고려하지 않더라도 일반적인 방식으로 클라우드에 연결해서 처리하는 경우들도 있고, 일반적인 공장들은 맞춤형으로 구현해야 하는 부분들이 많아서 클라우드 솔루션들을 바로 적용하기 힘든 경우가 대부분이다.스마트팩토리를 새로 도입하거나 기존의 온프레미스 환경에서 클라우드로 고려할 경우 여러 가지를 고려해야 하지만, 사물 인터넷 서비스들을 이용해서 클라우드 기반으로 구축할 경우 아래의 장점들이 있다.   빠른 구축: 기존 IT 인프라 구축에 비해 빠르고 간편하게 스마트팩토리를 구축할 수 있다.  높은 확장성: 사업 규모가 변화하더라도 유연하게 시스템을 확장하거나 축소할 수 있다.  낮은 초기 투자 비용: 하드웨어 구매 비용을 절감하고, 필요한 만큼의 자원만 사용하여 비용 효율성을 높일 수 있다.  다음 회에는 여러 방식으로 스마트팩토리에 접근하는 과정에서 맞이하는 이슈에 대해 사례를 나누어 보겠다.

대학 교육 기타

인공지능과 추천 시스템 - 기말 과제 자료 모음 - 2024. 12.

한 학기 동안 기말 과제로 아래의 방식으로 학생들에게 발표를 내어 주었다. 대부분 회사 업무와 병행하기에 각각의 일정이 있을 것이라 생각해서 16번의 수업 중 편한 시간에 발표하기를 기대했고, 자유 주제이지만 과목의 취지와 맞게 금융 / 공학 / AI 가 포함된 키워드를 가지고 이야기 나누기를 바랬고, 한 학기가 지나며 다양한 이야기들을 모아 주었다. 각 주제들이 정해질 때 발표 내용의 방향과 문제점들에 대해 피드백을 주고, 발표 자료를 1주 전에 리뷰해서 피드백을 주는 방식으로 운영하였다. 개인적으로 시간 배분에 애를 꽤 먹었지만, 매 번 강의 내용을 준비한다 생각했고, 각각 내용들이 깊어지는 데 조금의 기여를 할 수 있었던 거 같다.  실제 발표하는 일정들에 대해서는 작년의 사례들과 비교해서 실제 발표는 강의실의 시설을 이용하는 것이 음향 상태가 보장이 되어 좋았다.여러 번 주의를 주었음에도 현장 발표의 경우 시간 조절이 힘들었다.사전 녹화를 하는 경우 조금 더 짜임새 있는 운영이 가능했었다. 제목만으로는 발표 시의 디테일들이 전해지지 못하는 아쉬움이 있지만, 몇몇 특수한 과제를 제외하고는 public 하게 접근이 가능한 내용들로 모이기를 이야기했고, 혹시 관심 있는 주제가 있거나 해당 내용들에 대해 follow-up 이 필요할 경우 필자에게 연락 주시기를 바란다. Reducing AI Footprint: Multimodality for TikTok Viral Prediction - 김가온한국어 기반 금융 분야 BERT 기반 LLM 비교AI를 활용한 기업 신용평가 - 홍다은,이영훈,김윤아생성형 AI시대의 Mobile 플랫폼 추천 시스템 - 김성민,이재훈,이종연콴다(교육에서의 AI 활용 방안) - 강혜정,김민수,김민지FASHION CURATION OMNI CHANNEL STRATEGY OFFLINE FOCUSED SERVICE - 신경철Assimilating the Recommendation eXperience - 김세환디지털마케팅플랫폼(DMP)을 통한 상품 추천 사례 소개 - 김지연, 전진솔, 심윤찬인공지능을 활용한 기업 재무등급 자동산정 시스템 - 방준영, 김동혁, 임도형추천시스템을 활용한 맞춤 이동수단 추천 서비스 - 나문정, 이혜진AI로_투자하는_국내외_ETF_비교 - 이하준, 황신형통신 3사 AI 전략 - 최혁균,이왕희,이종한논문 - 현실적인 오더북 시뮬레이션 하에서 멀티 에이전트 강화학습 - 박상우카드사 매입 데이터를 활용한 연체여부 예측과 신용관리방안 추천 - 신기원,최원준,최지영루닛의 의료 AI 제품의 추천 시스템과 AI 개발을 위한 데이터 라벨링 과정 - 김서진, 심혜민AICC의 현황과 도메인별 적용 사례-김영근,유주희인공지능과 추천 시스템을 활용한 개인화 패션 플랫폼 - 김소라,홍희윤,손새암CNN기반 주가 예측 논문 스터디-신민석증권사 주식매매 시스템 비교 분석-윤유동추천을 위한 컨텐츠 피처 도출 관점에서 분석한 Spotify 프로덕트 - 강예슬논문분석 - LLM과 추천 시스템을 결합한 대화형 추천 에이전트 분석 - 임혜원ChatGPT를 활용한 영어학습과 활용서비스-진승환,송민지Inside copilot - 인프라 이야기 - 박찬욱, 성민지Cursor IDE 차세대 AI 기반 코딩 환경의 시작-강범준논문 분석 - Dynamic hedging of KOSPI200 barrier options using machine  learning based price and delta predictions-이지훈금융사에서 쓰는 AICC(AI Contact Center)의 문제점과 개선방안 - 김민정, 박정환, 정한라당신을 위한 맞춤 부동산 경매 - 추천 시스템으로 만드는 사용자 경험 - 이송희메타버스 기반의 로보어드바이저 자산관리 서비스-김수현Intraday Prediction for the Korean Futures Market: Meta-model Stacking of Attention-based CNNs and Reinforcement Learning-이동원Job Recommendation Chatbot-박현진,이이담,홍성근Direct Indexing, 초개인화 시대의 새로운 투자 패러다임-차혜민금융기관의 AI를 활용한 디지털 전환 소개-김영진카카오뱅크  ‘오늘의 mini 일기’ 서비스-김민석온라인 쇼핑 큐레이팅 모델의 한계 분석과 해결방안 제시-박종훈XBRL 공시 솔루션 - 최근일"Attention Is All You Need" - The Dawn of a New Era in AI : Before & Beyond-김동호,노대일,임윤호기업정보 텍스트를 활용한 산업분류체계 개발-박신식,장우제GPT를 활용한 가상화폐 투자 정보 요약 서비스-강상훈,권기빈,신서윤기업 매출/매입 내역을 활용한 온라인 제조 B2B 플랫폼 기획-정상원외국인을 위한 라이프스타일  맞춤형 부동산 추천 서비스 기획-이동수음악 추천 시스템의 편향성 문제 해결방안-이효태사례연구 : 기업용 AI 시장-송한상논문 리뷰-“Multimodal Optimal Transport Knowledge Distillation for Cross-domain Recommendation”-서현희ERP 기반 AI 서비스 분석-김지웅,김성기,박성진

대학 교육 기타인공지능추천강의

인공지능과 추천 시스템 강의 노트 - (16/16) - 2024. 12. 20.

들어가며계엄, 탄핵 정국의 중심에 있는 여의도는 매일 여러 업데이트가 있는 등 어수선하지만, 막상 마지막 수업은 괜히 온라인으로 했나 싶을 정도로 조금 허무한 상황이었다. 탄핵 의결 후 당장이라도 여러 일이 일어날 거 같은 상황이었지만, 아무 일 없이 시간이 지나가고, 다행히 다친 사람들도 없지만, 그렇다고 뭔가 해결이 되고 있는 거 같지도 않은... 결과적으로 학생들과 얼굴을 한 달 동안 못 본 채 끝내게 되는 상황이 되어 버렸다. 작년에는 수업 후에 1:1 신청도 꽤 했었고, 다른 이야기거리들이 많았는데, 올해는 딱 수업과 학점 매기는 이후에는 아무 interaction이 없게 되는 게 여러 모로 아쉬움이 있다.  16주) 강의 update구글의 동영상 생성 서비스인 veo 가 Sora 를 비롯한 다른 엔진들을 데차게 저격하는 것으로 건재함을 알렸고, OpenAI 는 12개의 서비스를 런치하는 중 자동 응답 전화 시스템인 1-800-ChatGPT 를 런치함으로써 미국에서 더욱 저변을 넓혀 가고 있다. 저물어 가는 서비스를 이용해서 새로운 사용자들을 모을 수 있을까에 대한 개인적인 호기심이 크다. 기말 과제들 "Attention Is All You Need" - The Dawn of a New Era in AI : Before & Beyond-김동호,노대일,임윤호이제는 교과서처럼 되어 버린 역사적인 논문에 대해 조금 깊은 분석과 산업 전반에 미친 영향들에 대해 정리한 내용들. 이후 Transformer 와 infrastructure / resource 들의 전쟁터가 되어 버렸지만, 약간은 교과서 혹은 역사서에 해당하는 이야기들과 조금 고전적인 language model 에서부터의 분석들 정리. C. 2018년의 GPT 1 과 이후의 GPT 들은 많이 다르니 구분을 해 주세요.Q. 특히 GPT-3 이후에 변화들의 중심이 되었는데, 구글의 open source로의 release 가 영향을 준 것일까요 ?Q. 이후 학계는 LLama 의 open 이 더 큰 영향을 준 건 아닐까요 ? 기업정보 텍스트를 활용한 산업분류체계 개발-박신식,장우제기업 정보를 산업 분류 체계로 나눔에 있어 여러 생기는 문제들을 clustering 으로 풀고자 한 접근들.실제 여러 embedding 과 clustering 기법들을 시도해 보며 유의미한 분류를 찾아 나가는 노력들. Q. 기존의 문제는 taxonomy 의 문제인지, 실제 분류 방법의 문제인지 ? Q. 하나의 기업이 여러 곳에 들어가고 싶은 경우는 어떻게 하면 좋을까요 ?Q. 기존의 분류 방법들과 비교되는 사례가 있을까요 ?Q. 키워드는 해당 group 에서 추출된 건가요 ?Q. 총 기업 수가 국내 2,300 , 해외 23,000 , 총 25,200 인가요 ? 나중에 숫자 더해보면 좀 안 맞는 거 같은데요..C. 수집된 데이터에 대해 한 번 훑어 주시겠어요 ? 기업별 정보가 균등(?)하게 들어 있는지,Q. 2개의 layer 로 ? 3,989 는 어디로 ? 기타로 놓게 될까요 ? '기타' 가 어떻게 쓰이면 좋을까요 ?Q. 건설 1516  vs 광고 30 차이가 많이 나는데, 분류해서 적용해 보기에 괜찮을까요 ?  GPT를 활용한 가상화폐 투자 정보 요약 서비스-강상훈,권기빈,신서윤.pptx투자 정보들을 모아서 요약해 주는 봇 서비스를 만듦. 가상화폐라는 조금 아슬아슬한 영역의 주제이지만, 일반적인 로직으로도 쓰임직한 요약 서비스로 유의미한 방법론. 서비스를 만들고, 사용자 인터뷰를 통해 피벗을 준비하는 잘 정의된 사이클을 만들어 가고 있었음. Q. '실시간' 에 대해서는 어떤 가정을 하고 있나요 ? 새로운 뉴스가 온 것을 알아채는 로직이 있는지 ? 그 시점 기준으로 얼마나 window 를 넓게 가져야 하는지..?Q. p4 의 서로 다른 유저의 니즈를 하나로 담는 건 과한 욕심이 아닐까요 ?Q. 하나의 content 를 만들고 나면 그게 telegram 이나 Youtube shorts 등의 다양한 폼으로 표현된다고 하면, 거래량 top 5 는 어지간하면 안 바뀌는 거 아닌가요 ?Q. 생성된 content 가 얼마나 만족스러운가..? 를 정량적으로 풀 수 있어야 할텐데요...  몇몇 버그 처럼 보이는 것을 조절한다고 하지만 어디선가 복붙해 온 another copied contents 로 읽히는 건 아닐까 ?  사용자 인터뷰 정도가 만족도를 알 수 있는 1차적인 방법이겠지만... 이후에 prompt 를 바꾸어 나갈 때 어떻게 track 할 수 있을까요 ? 기업 매출/매입 내역을 활용한 온라인 제조 B2B 플랫폼 기획-정상원.pptx기업들끼리 주고 받는, 특히 제조업 쪽에서 오가는 B2B 거래 정보를 바탕으로 플랫폼을 만들고자 하는 내용들. 온라인 쇼핑몰 만큼의 사연이 있겠냐마는, 제조업에서 필요한 부품이나 자재들의 수요 공급이 제한적이었다는 점을 개선하고자 하는 노력들.  Q. '제조' 라고 도메인을 꽤 충분히 좁혔지만, B2C 를 참조하는지라 눈높이가 쿠팡 정도에 와 있는데, 비교될 수 있을까요 ? Q. 이 도메인에 1300만개의 기업이 있는 건가요..? 다른 숫자여야 할 거 같은데요.. Q. 기업의 정보는 상대적으로 쉽지만, 제품의 정보는 어떨까요 ? p7 에서의 문제가 address 되나요 ? Q. 플랫폼으로 자리잡으려면 공급자와의 관계들도 중요할텐데, 예를 들자면 수수료 같은 문제들은 어떻게 풀 수 있을까요 ? 외국인을 위한 라이프스타일  맞춤형 부동산 추천 서비스 기획-이동수.pptx조금은 특이한 한국에 사는 외국인들을 위한 부동산 시장에 대한 접근들. 극초반의 스타트업이 뾰족한 고객군을 대상으로 문제를 풀어 나가려고 함. 잠재적인 고객의 입장에서 알게모르게 응원을 하게 됨. (  https://www.getnews.co.kr/news/articleView.html?idxno=702128  ) Q. 출장, 단기임대의 경우 지역 따라서 몇몇 매력적인 서비스, 심지어 에어비엔비 등이 겹치는 거 같은데..Q. 서비스의 마지막은 중개사무소와 연결인가요 ? 아니면 부가적인 게 있나요 ? 언어 문제는 사용자쪽과 공급자쪽도 풀어야 할 문제가 있는 게 아닐까요 ?C. 국제학교와 각 나라 별 마트 정보 이외에는 '외국인' specific 한 것보다는 '실거주 공통'에 해당되겠네요.Q. 실 서비스를 생각한다면 p11 의 타사 크롤링은 아슬아슬한데요.. 이건 제대로 하려면 업체들로부터 공급받게 되는 걸까요 ?  음악 추천 시스템의 편향성 문제 해결방안-이효태.pptx음악 추천 시스템이 ‘편향되어 불편하다’ 라는 문제 정의에서 시작한 제안들. 개인적으로는 가정에 적극적인 동의가 되지는 않지만, 최대한 빙의를 해 봄. 예를 들면 Kpop 듣는 중에 임영웅의 노래가 나온다면..? 이라는 부분에 대해서 어떤 접근들을 할 것인가 같은 문제들이라면..? 아래는 같이 고민했으면 하는 내용들. Q. 고민하는 신선도와 다양성 지표는 그 자체로 의미가 있다 하겠지만, 그게 Spotify 사례들의 목적함수였다는 이야기는 없지 않나요 ? Q. 마찬가지로 사용자가 보기에 단지 섞여 보이는 것이 사용성을 증가시켰다는 것에 대한 연결도 비약이 아닐까요 ? Q. 신인 아티스트의 곡 노출에 해당하는 건 공급자 중심의 접근이 아닐까요 ? 이게 사용자에게도 도움이 된다는 연결이 있을까요 ? 사례연구 : 기업용 AI 시장-송한상.pdf여러 기업들에서 다양한 노력들로 AI 를 현업에 적용해 나온 사례들에 대한 연구들. 풀고 싶은 문제와 해결 방법 등을 나열해 온 노력들을 정리했음. 대기업들 위주로 아이템들이 선정된 건 조금 아쉬운 부분이지만, 대표적인 사례들이 레퍼런스로 자리잡으면 하는 작은 바램. C. 사례들을 이야기하고 정리하는 건 좋은 내용인데, 제목이 꽤 어색하네요.. 조금 더 나은 이름이 없을까요 ? '사례 연구:' 로 시작해도 좋겠습니다.Q. 기업들이 각자 문제를 정의하고 푸는 데 AI 를 사용하는 것들은 좋은 사례들인데, 정부 정책이랑은 연관성을 억지로 찾기 힘들지 않을까요 ? C. 개인적으로 MLOps 는 새로운 직군을 정의하고 싶어 하는 사람들의 말장난이라는 꽤 삐딱한 시각을 가지고 있는데요.. 예를 들면 p12 그림은 제대로 뭘 하기 위해서 ML 밖에서 할 일이 많다의 의미로 쓰이는 그림이지, MLOps 의 필요성/역할에 인용되려는 그림은 아닌데요... 논문 리뷰-“Multimodal Optimal Transport Knowledge Distillation for Cross-domain Recommendation”-서현희.pdf서로 다른 도메인에 있는 정보들을 가지고 추천 셋을 꾸릴 수 있을까에 대한 이야기들. 읽은 책들이 겹치면 영화를 추천해도 될까? 라는 고민에서 시작한 방법들과 그에 관련된 질문들. Q. 한편으로는 광범위한 정보가 있으면 큰 틀에서 되겠지만, 숫자가 작은 경우 괜찮을까 ? Q. 도메인 별로 호불호가 많이 다르지 않을까 ? 정말 영화와 도서의 취향이 겹쳐야 하는 걸까 ?  ERP 기반 AI 서비스 분석-김지웅,김성기,박성진SAP의 ERP 에 AI 들이 접목되는 과정과 그 기능들을 강화하기 위한 SAP 의 노력들. 아직 1년이 넘었지만, 한국에서 Joule 을 직접 쓰는 사례들을 찾기는 어려웠고, MS copilot 등에서 사용할 수 있게 여러 방법론들을 마련해서 진행 중. ERP 에서 시작하는 제품과 고객들 사이에서, 이를 강화하는 건 자연스러운 정책. Q. SAP 툴에 보이는 각종 도움 기능은 SAP joule 을 이용하고 있고, 더 많은 기능들을 넣어 가고 있다. ERP 자체가 한편으로는 잘 정의되어 버린 프로세스라... 도움을 주는 용도로 잘 쓰이고 있나요 ?C. 가장 최근에 본 내용으로는 Microsoft 365 Copilot 에서 SAP Joule 을 사용 가능하게 한다는 걸 보았습니다.Q. 기업용 보안을 고려하는 시각에서 https://openai.com/chatgpt/pricing/ 의 team plan, enterprise plan 에서는 안 쓴다고 하고, 유명 LLM 회사들은 같은 식의 approach 를 하곤 하는데, 고객 입장에서는 여전히 '못믿겠다' 가 장벽이 되는 걸까요 ? 한편으로 무조건 믿으라.. 라고 하는 것도 설득이 쉽지 않아 보이는데요..? 맺으며겸임교수로 수업을 진행함에 있어서, 수업 외의 본업들에 시간들과 에너지를 어떻게 써야 하는가 등은 여전히 어려운 일들이고, 작년보다 올해는 훨씬 정신 없이 지나가게 되었는데, 이는 수업 바깥의 변화에서 기인한 것이겠다 싶다. 강의 평가 결과가 많이 나쁘지 않게 나와서 내년에 또 기회가 된다면 어떻게 해야 할까 고민을 꽤 해 본다. 주제는 어차피 절반 이상은 새로운 것일 거고, 내년에는 미국에서 더 많은 시간을 보내야 할 거 같은데, 리모트로는 전하고 싶은 이야기들에 한계가 생기게 되니, 이를 커버하기 위해서는 조금 더 많은 숙제들 연계시키는 방법을 찾아 보아야 할 것 같다. 내년에는 여의도 IFC의 강의 층이 사무실 없이 운영이 된다고 하는데, 아래에 이 공간에서의 사진들을 몇 개 남겨 본다. 한 학기동안 금요일 오후 시간을 여의도에서 보내면서 행정을 봐 주시는 선생님들과 조교들의 도움을 많이 받았고, 한편으로는 이삿짐 빼는 시간과 겹쳐 불쑥 작별을 고하게 되었지만, 여러 면에서 감사의 마음이 전해지면 하는 바램이다. 야무지면서 꼼꼼한, 그리고 빠른 대응들이 많은 힘이 되었고, 덕분에 1주일에 반나절 선생님으로 살기 프로젝트를 2024년 2학기에도 마무리 할 수 있을 거 같다. 아직 학점 제출과 이의제기, 평가 분석 등 연말까지 한두주 더 챙겨야 할 일들이 남아 있겠다.     출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/101 ( 2024. 12. 20. )

대학 교육 기타인공지능추천강의

인공지능과 추천 시스템 강의 노트 - (15/16) - 2024. 12. 13.

들어가며마지막 두 주는 한국에서 대면으로 진행해야 겠다 싶어 한국에 들어왔지만, 계엄/탄핵 정국에 여의도에 in-person 수업이 어떤 의미가 될 것인가 등의 고민 끝에 남은 두 주는 아래의 결정들을 하였다.      수업 진행은 여의도 강의실에서 조교와 진행하지만, 학생들은 온라인 혹은 녹화 시청 허용.    기말 과제 발표 내용들은 사전 녹화한 내용을 취합해서 강의실에서 플레이  월요일부터 공지를 했지만, 갑작스런 변화에 발표하는 학생들이 혼란을 같이 나눠 준비하는 상황이 되었고, 연말 연시에 일정 조절은 이래저래 많이 어려운 상황이다. 녹화된 영상들로나마 학생들이 수업을 통해서 같이 고민 거리들을 나눌 수 있으면 하는 바램이다. 15주) 강의 update구글 딥마인드가 에이전트 시대에 ‘제대로’ 반격해 보겠다는 메시지와 전방위적으로 12개의 토픽을 announce 하기 시작하는 openAI. 비슷한 듯 다른 여러 개의 새롭고 끊임없는 메시지들. 아울러 각각의 비지니스들은 아랑곳하지 않고 고유한 부분에서 혁신과 발전을 이루어 나가고 있겠다. 기말 과제들 당신을 위한 맞춤 부동산 경매 - 추천 시스템으로 만드는 사용자 경험 - 이송희https://madangs.com/ 부동산 경매 물건 맞춤추천 서비스가 기획 및 개발된 과정과 개선 과정 등에 대한 내용들을 설명. 유료 구독 사용자들을 계속 유지할 수 있으려면 어떤 추천 로직들이 유의미할까에 대한 안팎의 다양한 고민들. Q. 한 번 구매한 사용자가 다시 오게 되는 제품일까요 ? Q. 구매까지 이루어지기를 기대하는 건 너무 끝까지 가는 걸 원하는 게 아닐까요 ? 그 이전의 이벤트들로 의미를 찾아야 할 거 같은데요..Q. Interaction 에서 보여 주었는데, 클릭을 받지 못한 것들에 대한 처리가 필요해 보이는데요. 보여 주었지만 사용자가 관심 없어 하는 것들을 찾아서 모아야 하지 않을까요?Q. 추천의 정확도를 어떻게 정의하고 구현하고 싶을까 문제가 일단 거리가 많이 멀어 보이는데… 정확도로 나와 있는 21%는 어떤 식으로 구했을까요 ? 설문조사의 별점인가요 ? 메타버스 기반의 로보어드바이저 자산관리 서비스-김수현메타버스도, 로보어드바이저도 쉽지 않은 주제이지만, 이 둘이 합쳐지면 어떨까 하는 것에 대한 과감한 기획서. 질문들이 조금 공격적인 거 같아서 미리 양해를 구함. C. 로보어드바이저도 레벨이 있었던 거 같은데요.. 돈을 알아서 굴려주는 서비스부터 그냥 정보들만 전해 주는 것까지.. ETF 가 아니고서는 거의 모든 경우 rebalancing 에서 승부가 나게 되고, 이들과 차별이 필요하거나 될까요 ?Q. P10 의 로보어드바이저 업체들은 괜찮나요 ? AIM, Fount 등은 잠깐 반짝 하다 심하게 사라졌고, 금융권에서는 보이지 않게 숨어 있는 기능 정도의 위치일 텐데요…Q. 한계점을 이야기할 때 현재 시점으로 메타버스도, 로보어드바이저도 각각 한계가 있는 서비스이고, 서로가 킬러 케이스가 되지 못하면 상상 속에서의 one-of-them 이 되기 쉬운데, 개인적인 의견으로 tipping point 가 있을까요 ?Q. 메타버스는 매일 보고 싶은 성격의 서비스이고, 로보어드바이저는 아주 가끔 생각나는 서비스라 시너지가 쉽지 않아 보입니다. 어떻게 극복할 수 있을까요 ?Intraday Prediction for the Korean Futures Market: Meta-model Stacking of Attention-based CNNs and Reinforcement Learning-이동원.pdf코스피200 지수선물 예측 시스템 기획. 사람이 지표를 시각적으로 보고 예측하는데에 기반해서 ML 에서 시각적으로 접근하려는 노력을 코스피200 지수선 예측에 적용해 보는 구현과 논문. 상승 혹은 하락만을 예측해서 강화학습으로 보강하는 방법론. 불확실한 미래와 over-fitting 과의 싸움. Q. 지난 주에 보았던 과제와 비슷한 접근이네요.  그래프 하나만 놓고 잘라서 분석해서 예측하는 건가요 ?Q. 5분 후를 예측하는데, Accuracy 를 어떻게 구하는 건가요 ? 높음과 낮음만 챙기는 건가요 ? 그 경우 0.5 가 random 이고, 0.7 정도가 쓸만한 예측이라 하는데…Q. P19 이후에 강화학습, Meta-model Stacking 등으로 비약이 있어 보이는데, Meta-model Stacking 에 대해서 간단히 소개 해 주시겠어요 ? Q. P22 에 사용한 데이터들은 pure random 인가요 ? 아니면 KOSPI200 과거의 데이터들인가요 ? 너무 한쪽의 데이터들을 쓰고 있는 건 아닐까요 ? 그래도 시나리오별로의 예상 수익들이 높아진 게 확인되면 괜찮은 걸까요 ?  Job Recommendation Chatbot-박현진,이이담,홍성근Indeed 의 내용들을 이용해서 custom 으로 RAG 를 만들어서 운용해 보면서 실제적인 내용들을 담는데, 자연어를 입력으로 하는 서비스를 만들어 보는 내용들. 서비스 초기의 MVP 를 만들어 보는 것으로 발표 내용들 정리. Q. indeed 의 내용들을 무단으로 가지고 오는 모습인데 테스트 정도로는 괜찮았을까요 ? Q. RAG 이, vectorDB 가 말을 잘 듣던가요 ? Q. Accuracy 는 무엇을 어떻게 판단한 건가요 ?Q. 챗봇에서 사용자의 질문은 어떻게 파악하게 되나요 ? 질문 자체가 친절하지 않을텐데요.. Direct Indexing, 초개인화 시대의 새로운 투자 패러다임-차혜민투자자 및 개인이 본인의 투자철학을 반영. 테마, 업종, 지수 등을 대상으로 지수(포트폴리오)를 직접 구성하는 것을 다이렉트 인덱싱이라고 정의하고, 이를 어떻게 만들면 좋을지에 대한 여러 고민들. Q. 개개인이 각자의 포트폴리오를 나름대로 꾸미는 것과 차이점이 있을까요 ? 기존의 ETF 같은 상품들과 차별화되는 부분들이 있을 수 있을까요 ?  e.g. 내가 짠 포트폴리오를 남과 공유할 수 있다거나..?Q. 포트폴리오를 구성할 때  '가장 좋은 주식들은' 은 초개인화와는 반대 방향의 것이 아닐까요 ? 금융기관의 AI를 활용한 디지털 전환 소개-김영진도메인을 책임지는 제품의 관점에서 다양한 AI 의 시도를 해 보려는 노력들. 특히 잘 보이지 않지만, 산업은행의 최근 OpenAI 와의 MOU 에서 보듯 업무 수행의 도구로서 사용하는 내용들에 대한 다양한 접근들. Q. p6,7에 지금 핫한 주제로 'AI agent' 가 보이지 않는 아랫단에서 일들을 막 시작하기 시작하지만, p8-p10 의 사례들은 꽤 오랫동안 써 오던 persona 를 약간 심은 말 잘 듣는 챗봇에 해당해서 아직 AI agent 라 불리기 이전 시기의 제품들인 거 같습니다.Q. 뒷부분의 사례는 아주 좋네요. 도구로서의 역할을 제대로 해 주는 걸로 좋은 사례로 읽힙니다.Q. 산업은행에서 ChatGPT를 열심히 쓴다는 이야기는 꽤 전부터 들어 왔었는데, 최근에 보도된 OpenAI 와의 MOU 도 관련이 있는 것일까요 ?  카카오뱅크  ‘오늘의 mini 일기’ 서비스-김민석카카오뱅크에서 10대들에게 어필하는 제품인 ‘mini 일기 서비스 기획 및 개발기 소개. 여러 생성형 AI 를 이용해서 일기를 자동으로 만들어 주는 것에 대한 노력들. 실제 사용자 수까지 늘었다니 좋은 제품의 사이클인 듯하고.. 생성형 도구가 제대로 된 역할을 하는 것인 듯. Q. 데이터 전처리 과정에서 결제 분류, 내역 등이 주는 모호함 때문에 사례 같은 많은 엉뚱함이 생길텐데, 이 부분은 가맹점 이름과 분류를 보완하는 방식으로 수행하신 건가요 ? 이 노력 자체가 비단 이 제품보다 더 많은 곳에 쓰일 수 있을 거 같은데요..Q. 동일한 프롬프트에 두 다른 모델을 성능으로 비교하는 건 비교가 잘 되는데, 생성된 일기의 품질은 어떻게 비교를 한 것일까요 ?Q. DAU , 카드 결제 건수 증가의 모수는 이 카드 사용 대상일까요 ? 아니면 전체 사용자 숫자일까요 ? 카드 결제 증가까지 연결되는 게 설명이 되는 거면 좋은 사례네요.온라인 쇼핑 큐레이팅 모델의 한계 분석과 해결방안 제시-박종훈쇼핑 몰에서의 각종 개인화 시도를 문제점으로 정의하고, 정보 과잉에 따른 쇼핑 피로도 증가 등을 풀어야 할 문제로 정의. MD 혹은 큐레이터들의 도움을 제품에 선택 가능한 영역으로 놓아 초개인화의 반대로 접근하려는 노력들. C. 아슬아슬하군요. Curation block 이 가지는 한계 ( business vs 광고 ) 를 극대화하는 느낌이긴 하네요. 마치 코스트코가 생각나는 전략입니다.C. 예전 구글 플레이 때 경험으로는 소위 ‘선택되지 않은’ 업체의 입장에서 여지를 피할 수 있는 친절한 블럭 설명이 생각보다 많이 중요했던 거 같습니다.  XBRL 공시 솔루션 - 최근일기업들의 공시제도에 XBRL 을 의무적으로 이용하도록 되어 있는데, 이 자료들의 생성이 여러 모로 어려워서 이를 풀려는 노력들. 실제 동작하는 제품을 만들어서 공시 자료를 만드는 데 도움을 주려는 제품. Q. 기업의 규모와 업종에 따라 공시의 의무들이 다르고, reporting language 라고 하지만 어마어마한 legacy 와의 싸움에 검수하는 노력들도 만만치 않을텐데..의무화로 해결이 될까요 ?Q. 상장 기업 정도의 큰 회사는 이미 다른 자료들이 많을테고, 작은 규모의 기업들은 그림의 떡에 해당하지 않을까요 ?  맺으며저녁 내내 들리던 집회 소리들과 때마침 울려 퍼지기 시작하는 이승환의 탄핵 콘서트. 수업이 끝난 10시 이후 멀리 보이는 국회와 모여 있는 사람들. 복잡한 생각이 드는 하루하루인데, 다음 주는 마지막 수업 시간이라 조금 더 복잡하다. 출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/100 ( 2024. 12. 13. ) 

대학 교육 기타인공지능추천강의

인공지능과 추천 시스템 강의 노트 - (14/16) - 2024. 12. 6.

들어가며이번 주는 오롯이 학생들의 과제들로만 채워지는 시간이다. 이후에 두 번 남은 시간에 생각보다 많은 과제들이 몰려서 조치를 취해야 할 듯하고, 주중에 reinvent 에 참석한 후에 북가주로 돌아온 후 새벽에 진행을 하게 되었고, 그 와중에 한국에서는 큰 일이 일어나서 한 치 앞을 내다볼 수 없는 상황이 되었다. 개인으로서 한국에 입국이 가능한가 질문부터 학생들의 안전과 현업에서의 영향 등 불확실함의 연속이지만, 발표하는 학생들은 일단 강의장에서 발표를 진행하게 되었다. 14주) 강의 update한 달에 200불을 달라고 하는 ChatGPT pro. 개인적인 생각으로는 해도 너무하는군… 의 생각이고, AWS reinvent 에서 발표된 Amazon 의 foundation model 참전 소식. 써 본 사람들 말로는 은근히 성능이 괜찮아서 머리가 많이 아프다고들 한다. 비슷한 성능이면 한푼이라도 싸지 않을까 혹은 싸 지지 않을까 하면서 옮겨갈 거라고들 하는데... 종속된다는 게 이런 건가 싶다고들 한다. 기말 과제들논문분석 - LLM과 추천 시스템을 결합한 대화형 추천 에이전트 분석 - 임혜원논문 : Recommender AI Agent: Integrating Large Language Models for Interactive  지금의 RAG 이 대세가 되기 이전에 비지니스 문제를 LLM + 에이전트 방식으로 풀고자 했던 노력들. 대화형으로 가게 되면 어떻게 문제를 정의하고 풀어야 하는지에 대한 논문 분석과 해설들. C. AI Agent 들에 대해서는 여러 개념적인 이야기들이 여전히 다양하게 논의되고 있는 거니 간단(?)하게 진행해 봐 주시구요.Q. 이 논문에서 쓴 방법론에 대해 설명을 해 주세요. 이게 많이 복잡하네요…C. 각각의 dataset 들을 가지고, fine tuning 된 RecLlama 를 이용하는 것으로 보이는데, InteRecAgent 가 simulate 하면서 케이스들을 구체화시키는 과정이 키포인트일 거 같은데요.. 논문에 사용되는 prompt 들을 같이 읽어 봐 주세요. prompt 들과 request / response 들을 이해하는 게 여러 면에서 도움이 되더군요.Q. 테스트 시에는 같은 질문을 다른 시스템에게 던지면서 얼마나 잘 따라오는지를 비교하게 될텐데.. LLM 의 일반론에 context window 를 많이 늘리는 건 도움이 되지 않을까요 ? ChatGPT를 활용한 영어학습과 활용서비스-진승환,송민지교육을 주도하는 선생님, 학교의 시각에서 Gen AI 를 어떻게 써야 하는지에 대한 이야기와 실제 상용 서비스로 호평을 얻고 있는 스픽 서비스에 대한 분석과 설명들. 타 제품 대비 압도적인 ‘말시킴’으로 호평을 얻고 있다는데.. . 아래는 comment 들. 공교육이 제약과 규제가 필연적인 부분이 있다면, 스픽 같은 서비스는 더 자유로운 상상을 할 수 있는 상황에서 여러 방식으로 사용자들을 모으고 있는 부분에 대한 설명과 해석들. Q. p15 의 '1위'는 조금 구체적으로 설명해 주세요. 장르라든지.. 객관적인 수치들이 있을까요 ? Q. Speak 은 얼마인가요 ?Q. Spaek 의 경우 기술적인 면에서 OpenAI 이외의 다른 모델을 쓴다고 생각하면 다른 차이들이 있을까요 ? e.g. 구글 Gemini 나 네이버 혹은 자체 모델이나 데이터라든지.Q.  한국에서 폭발적인 사용자 수 증가에 비해 글로벌 런치 후 숫자는 그리 놀랍지 않은데, 어떻게 해석하면 될까요 ? 마케팅(이효리)의 힘이었을까요 ?  Inside copilot - 인프라 이야기 - 박찬욱, 성민지MS 의 Azure / Copilot 을 다루는 학생과 Hynix 에서 메모리를 다루는 학생들이 M365 Copilot 이 더 널리 쓰이게 될 때 맞이하는 여러 챌린지들을 잘 설명해 줌. MS 가 야심찼지만  BignChat 의 실패 이후 Office 에 더 집중하게 된 상황, 여전히 쓰면 쓸 수록 손해인 이 상황을 헤쳐나갈 수 있을까…? 그와 관련된 질문들.. Q. Github Copilot 은 다른 model 을 쓸 수 있게 바뀌는데, 다른 copilot 들도 implicit / explicit 하게 그런 일이 벌어질 수 있을까요 ?Q. 몇몇 선택된 회사들만 training 을 scratch 부터 할 수 있고, 나머지는 inference 를 위한 cost인데요.. 둘 다 중요한 관점이고 이슈인데, 이 두 환경이 태생적으로 처한 상황이 다를텐데, 나누어서 챙겨 봐 주시겠어요 ?Q. 빅테크 이외의 회사들에게 기회가 있을까요 ?  Cursor IDE 차세대 AI 기반 코딩 환경의 시작-강범준최근에 각광받는 코딩을 도와 주는 도구인 cursor 에 대한 이야기. 신가한 제품의 소개보다 한 발 더 나아가면, 누구에게 어떤 도움이 되는가? 에 대한 질문들. Q. P6에서 “카드” 는 VsCode 인가요 ?C. 제가 숙련된 VsCode 사용자여서 그런지 사용자 접근성에서 난이도는 공감이 안 되고, 코드 자동완성 부분은 우열을 가리기가 힘든데요..Q. 자연어 처리’ 라고 되어 있는 항목이 일단 차이를 보일 수 있는 부분인데, 실제 사용 예를 보여 줄 수 있을까요 ? 스크린샷 정도면 괜찮을 거 같습니다. 새로운 사용법을 익히는 거라 호불호가 있더군요.Q. 팀 단위의 실시간 협업은 VsCode 의 다른 plugin 이랑 비교하는 모습이겠군요.Q. AI를 리뷰어로 놓는 건 어떤가요 ?  회사 분들께서는 여기에 호불호가 있었습니다.C. 리팩토링의 경우 VsCode 는 다른 플러그인의 도움을 받는 형태일 테고, Github의 repository를 최대한 많이 넣어 놓으면서 이득을 기다리는 것일텐데, 이른바 '초보용'은 아니기에 비교를 해 본 사례가 없긴 합니다. Q. 회사에서 GitHub와 비교해서 Cursor를 쓴다고 하면 초보용인가 전문가용인가 따라서 전략이 많이 헷갈려 하고 있습니다. 이 경우 가격은 USD 40 vs USD 19 입니다. Justify 해 줄 수 있는 부분이 있을까요 ?  논문 분석 - Dynamic hedging of KOSPI200 barrier options using machine  learning based price and delta predictions-이지훈KOSPI200 Barrier Option을 다양한 ML 방식으로 분석해서 선물을 예측하는 방법들에 대한 연구와 분석들 Q. 저 MC(Monte Carlo) 방식의 simulation 은 엔트로피 같은 걸 가정한 궁극의 random 들을 실현하는 거 아닌가요 ? Q. p11 에서 각각 약어들의 뜻을 간단하게 먼저 풀어 주세요..Q. 사용된 변수는 종목의 가격만일까요 ? Q. RMSE 의 경우 + 와 - 를 같은 가중치를 주는데, 이로 인한 영향은 없을까요 ? Q. 예측이 아니라 소위 후행 ( 오늘의 값을 내일 예측 값으로 쓰는 ) 의 경우를 baseline 으로 놓는다 치면 방향이 훨씬 가중치가 높은 게 아닐까요 ?  금융사에서 쓰는 AICC(AI Contact Center)의 문제점과 개선방안 - 김민정, 박정환, 정한라KB금융 미래컨택센터( https://www.etnews.com/20230810000152 )와 한국투자증권 MTS 챗봇 ( https://economist.co.kr/article/view/ecn202311140007 ) 의 실제 사례 이야기. AICC 들을 replace 하는 게 단골 메뉴인데, 이게 잘 되고 있는가 ? 에 대한 현업에서의 문제 인식들. 완성된 제품으로 운용하기가 얼마나 어려운가에 대한 반증이 되기도 하는 듯.. 사용자와 상담원 모두 혹은 한쪽이라도 만족하는가 ?  Q. 사용자측의 불만 같은 이슈도 있지만, AI 통합 이후의 상담원들 쪽에서의 변화나 난이도 등도 있을까요 ? Q. 간단하게 inbound의 경우 질문들이 달라지거나 진상 손님을 만날 확률이 늘어난다든지 등이 예상이 되는데, 전체 재교육 등과 연관이 될까요 ? Q. 같은 KB 인지는 모르겠고, 관련 이슈인지 잘 모르지만, KB 노사 고용 이슈들이 연초에 꽤 있었던 걸로 알고 있습니다. AICC 의 품질이 높아지면 언젠가는 다시 겪게 될 사회의 문제일 거 같은데... 조심스러운 제안이 있을까요 ? Q. 상대적으로 한국의 CC 품질이 월등히 높아 왔었어서 더 어려운데, 다른 나라의 사례들을 참조할 때 어떤가요 ?  출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/99 ( 2024. 12. 6. )

대학 교육 기타인공지능추천강의

인공지능과 추천 시스템 강의 노트 - (13/16) - 2024. 11. 29.

들어가며작년과 다르게 강사인 내가 리모트로 수업을 진행하게 되더라도 과제 발표하는 학생들은 강의실에서 좋은 마이크로 하기를 이야기했고, 오늘 처음 시도해 보는 방식의 수업이 진행이 되었다. 때마침 한국에서는 폭설이 있어 출퇴근, 통학에 난이도가 훨씬 높아졌다 했고, 미국에서는 daylight saving이 끝나서 새벽 2시 - 5시까지의 수업을 진행했다. 작년보다 발표의 과정은 자연스러웠고, 녹화된 내용들도 나아졌지만, 여전히 현장 반응이 잘 안 보이는 것도 이슈이고, 발표가 길어질 경우 끊거나 하는 방식을 바로 적용할 수 있었던 게 아니어서 몇몇 발표에는 아쉬움이 있다. 게다가 몇몇 학생들이 한학기 내내 공지하는 시간 조절에 대한 숙지가 적은 경우 더 아쉬움이 생기게 된다. 아마 강의 평가 때도 부정적인 의견으로 오겠다 싶고, 내년에도 같은 과목을 맡는다면 리모트를 더 오래 해야 할텐데, 전하고 싶은 내용을 잘 정리하고 있는가 하는 생각을 해 본다. 준비한 내용들13주) 강의 update굵직한 이슈들로 금융 쪽 이야기 하나, 조금 뜬금 없는 산업은행과 OpenAI 의 전략적 제휴, 갑작스럽기도 한 Perplexity 의 쇼핑 진출까지.. 블랙프라이데이가 끼어 있는 주라 시기 상 나빠 보이지는 않지만, 개인적으로는 생각으로는… 전선을 구글에서 아마존으로 바꾼 것일까 ?  Big Acquisitions / Nest / Subscriptions / US Life한국은 회사를 잘게 잘라서 상장의 route 로 가고, 미국은 하나의 회사 안에 포함시키는 형태로 M&A 들이 진행된다. 지주회사의 영향이 두 나라가 매우 다르고, 들여다 보면 볼 수록 기존의 상도덕으로 이해가 가지 않는 구석들이 있는데, 오늘 30분 정도 스토리는 네스트 랩스의 제품과 서비스를 중심으로 해서 Acquisition 이야기와 구독형 서비스들의 운영에 대한 이야기. 한국에는 구글 스피커가 네스트라는 이름을 잡고 있고, 다른 장치들이 사용 가능하지 않아서, 두 나라에서 ‘네스트’라고 부르는 것이 주는 차이가 주거 문화 이상의 차이이라 하겠다. 기말 과제 발표AICC의 현황과 도메인별 적용 사례-김영근,유주희CC 를 운영하는 혹은 필요로 하는 회사들을 위한 상품과 내부 구성에 대한 이야기. 수동적인 단순한 콜센터가 아니라 다양한 대응들과 다양한 채널의 운영을 담당하는 조직으로 이미 진화하고 있고, AI agent 와 경쟁하면서 사용하는 역할을 나누어 해야 하는 서비스로 자리잡아 있음. Q. 적당히 작은 서비스의 경우는 전담 직원이 나을 수도, 또 아주 규모가 커 버리면 전용 솔루션을 아예 구축하는 게 낫다든지 등의 고민거리가 있겠습니다. 특히 매뉴얼을 만들어서 공급해야 하는 상황에서 그 난이도가 가늠이 잘 안 되는데.. as a service 로 고려할 때 주목할 만한 부분이 있을까요 ?Q. 24시간 서비스는 교대가 아니라 밤시간대는 챗봇이 기본 응대를 하는 것으로 대처하는 건가요 ? Q. 초개인화 혹은 개인화는 이 제품 바깥에서 풀어야 하지 않을까요 ? 허가된 개인 정보 열람을 통한 대응 등은 괜찮지만, 개별 고객 맞춤형 대응 같은 건 너무 멀리 가거나, 기본적으로 고객 상담이 많이 이용된다는 건 그 자체가 바람직한 방향이 아닌 거 같습니다. 인공지능과 추천 시스템을 활용한 개인화 패션 플랫폼 - 김소라,홍희윤,손새암.pdf가상의 서비스를 기획해서 피치하듯 만든 과제. 옷장에 있는 옷들을 추천해 주는 시스템을 기획한 것에 대한 내용들. 몇몇 기획을 이야기하는 과제들이 아무말 대잔치가 되던 사례들이 있어 우려가 있었지만, 고민과 문제를 잘 정의한 잘 만든 기획서. 실제로 잘 될 지 안 될 지 등은 상상의 영역이지만, 사용자 혹은 공급자의 문제를 정의하는 것이 의미를 주면 하는 바램이다. 가상의 서비스 기획에 해당하는 이야기이다 보니 리뷰할 때 내가 어떤 역할을 했었어야 하나 등에 다소 혼란이 있었다. Q. 옷장의 옷들을 인벤토리로 넣고 관리하는 게 난이도가 상당히 높아 보입니다. 실제 사용자들이 자기 옷들을 쉽게 앱에 등록하는 방법들을 고민하고, 등록된 옷들의 속성들이 잘 정리되어 쌓이는 바코드가 있는 기성품들로 시작해 보는 건 어떨까요 ?Q. 아울러 공급 업체의 솔루션으로부터 진행되는 모습도 좋아 보이기는 합니다.저 상품 등록들을 개개인이 하는 게 아니라 공급업체들이 미리 해 주는 모습에서 말이지요. Q. 긍부정의 피드백 루프는 어떻게 ?? 사용자가 오늘은 좋았어 혹은 아니야 등의 피드백 정보들이 쌓여야 초개인화가 가능할 거 같은데요.. - 실제 비지니스는 개개인으로부터 시작하는 게 아니라 공급 업체의 솔루션으로부터 진행되는 모습도 좋아 보이기는 합니다. 개개인이 하는 게 아니라 전문가들의 도움을 받는 모습은 어떨까 합니다. CNN기반 주가 예측 논문 스터디-신민석주가 예측을 하면서 숫자 대신 그림으로 표현해서, 그리고 CNN을 이용해서 예측을 해 보자는 논문 분석. 논문의 제목이 이중적이어서 그 의미를 해석하려는 노력이 나름 재미가 있었음.  (Re-)Imag(in)ing Price Trends  Q. 논문 제목의 괄호 부분의 함의에 대해 설명해 주세요.Q. Train 은 예전 것으로 하고, 테스트를 최근 것으로 한 것인데, 차이가 많이 나 보이는 과거가 이용된 것에 대한 이야기는 없을까요 ?Q. 1993-2000 년의 내용으로 training 해서 2020년 내용을 예측한다는 게 어색하기도 해서요..Q.Transfer learning 쪽에 대해서 조금 더 설명을 좀 더 해 주세요. base model 을 어떻게 이용해서 판단에 쓰겠다는 것인지 정도면 괜찮을 거 같습니다.Q. 왜 한국은 잘 안 될까요 ?  증권사 주식매매 시스템 비교 분석-윤유동.pdfHTS, MTS, WTS 까지 주식 매매 시스템들을 망라하는 잘 정리된 서베이 논문. 오래된 시장에서 비슷비슷한 제품들로 굳어 있던 한편으로 서로 제로섬 게임을 하는 모습이지만, 최근 해외주식으로 전선이 넓어지는 상황에서 새로운 플레이어들에게 여지가 생기게 되었고, 나스닥 이외에도 여러 기회들이 생기고 있음. Q. P14 그림은 미래가 키움으로 , 지금은 군웅할거의 시대라는 표현일까요 ?Q. 일거래대금이 전체 투자금이랑 일치하지는 않을텐데.. 의미가 어떤 걸까요 ? Q. ‘해외’ 주식이라고 하면 나라 별로 또 많은 편차들이 있을 거 같은데.. 이쪽 상황들은 대개 어떤가요 ? 예를 들면 사람들은 나스닥만 관심 있어 한다거나, 어떤 증권사가 베트남 주식이 효자 상품이라거나..Q.. P17 토스 본사의 IPO 시도는 비결이라기보다는 과정에 가깝지 않을까요 ? IPO 를 가기 위한 수익 창출의 도구 같은..?  추천을 위한 컨텐츠 피처 도출 관점에서 분석한 Spotify 프로덕트 - 강예슬.pdf화장품을 판매하는 사이트 입장에서 추천 시스템을 구하는데, 극단적인 형태의 cold start 이슈를 겪고 있는데, 이를 spotify 의 접근으로 풀어보고자 하는 분석, 제안 리포트. 뷰티 제품과 산업에 대한 설명, spotify 의 곡에 대한 메타 정보들 구축에 대한 이야기, 이 둘을 합쳐 보려는 노력 등이 담긴 조금은 생각보다 커져버린 내용.  C. 뜨끔하네요.. 저도 구글에서 같은 과제 했는데, 기능은 혹하지만 그래서 어디서 어떻게 뭐 이런 제품 상의 질문을 풀지 못했더랬습니다. 당시 입력기로서 렌즈보다는 유튜브 앱에서 파워 유튜버와의 콜라보 등에서 쓰임이 더 좋아서 여러 의미로 난감해 했었습니다.Q. 뷰티 쇼핑 상품의 경우 결재, 배송 후 피드백들이 잘 쌓여야 할텐데요..Q. 추천 리스트의 품질이 애플 뮤직이랑 비교한 것이 조금 아쉽긴 하네요.Q.  스포티파이가 한국에서 점유율이 잘 안 잡히는 것에 대해서는 따로 언급 해 주세요. 요새 열심히 하긴 하네요. ( https://www.hankyung.com/article/202410156254i ) 아마 유튜브 끼워팔기에 당했다는 설과 리스트가 주욱 흘러갈 때 뒤에 튀는(?) 곡들 때문에 차이가 있다는 설도 있었더랬습니다. 출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/95 ( 2024. 11. 29. )

대학 교육 기타인공지능추천강의

인공지능과 추천 시스템 강의 노트 - (12/16) - 2024. 11. 22.

들어가며과제들이 본격적으로 진행되고 있고, 발표 자료를 정리하느라 주중에 일이 좀 더 많아졌다. 학기 초에 준비했던 것들 중에서 디테일한 내용들을 학기 말까지 커버하지 못하게 될 거 같고, 대신 과제들 피드백을 신경을 더 써 뭐라도 배워 가면 좋겠다는 바램이다. 다음 주부터의 리모트 수업이 조금 걱정이 된다. 준비한 내용들12주) 강의 update궁금해 하는 수학 문제 풀이 대신 언어 영역 문제가 예상보다 많이 높은 점수가 나왔고, 이는 객관식 시험의 한계일 수도, 우리네 고등 교육, 입시 교육의 한계일 수도 있겠다는 생각을 하게 되었다.  https://www.reddit.com/r/singularity/comments/1gv8b8t/top_ai_key_figures_and_their_predicted_agi/그리고 AGI 를 예견하는 여러 현자 or 이야기꾼들의 이야기. 여전히 AGI 가 무엇일까에 대한 생각들이 거리가 있겠지만, 개인적인 bias 는 노벨상을 수상하신 두 분의 의견에 있음. 그래도 노벨상인데…  Lessons from  Google Search ( part 3 )구글 검색과 관련해서 알고 있던 것들을 털어 놓는 마지막 이야기. 지금 보아도 놀라운 구글 스케일의 무지막지한 접근들부터, 지금의 deep-linking 을 이루게 한 App indexing 과제까지. 다른 자리에서면 거기에 맞는 나름의 서사가 있는 스토리인데, 수업 내용이랑 멀어질 수 있는 내용이겠다 싶어 짧게 마무리. Search console 도 준비한 것들이 있었는데, 이는 강의장 컴퓨터에 계정을 다른 것들로 로그인하는 바람에 핀트를 많이 놓치게 되었고,  Acquisition - Nest - Subscription 으로 이어지는 약 30분 정도의 이야기 관련 내용들을 준비했으나 자료가 꼬여 다음으로 미루게 되었다.  기말 과제 발표통신 3사 AI 전략 - 최혁균,이왕희,이종한국내 통신 3사의 AI 주제에 대한 전략. 아주 일목요연한 정리들. 최근에 KT 가 MS 랑 너무 붙으면서 B2B 고객들은 헷갈려 하고, 여전히 B2C 에서 사업을 잘 이어 나가고 싶어 하는 3사의 고군분투 이야기들Q. 통신 회사(들)은, AI 를 이용해서 어떤 문제를 풀고 싶을까 ?Q. 유선망 사업은 따로 운영되나 아니면 같이 포함되어 진행이 될까 ?Q. 통신사들의 기본 value 는 회선을 늘리거나 안테나를 더 많이 설치하게 하는 데 있지 않은가 ?Q. B2C 의 경우 4G -> 5G 로 가면서 추가적인 bandwidth가 주는 이득이 없어 여러 문제들이 있어 왔는데, 이 문제가 address 될 수 있을까 ? 그렇다면 그게 통신사의 영역일까 대용량 데이터를 필요로 하는 서비스( e.g. Netflix ) 의 역할일까 ?Q. 많이 멀지 않은 과거에 Edge environment 등으로 꽤 홍보를 했더랬는데, 이는 서비스 업체와의 강한 연대가 있어야 해당이 되는 것이었을까 ? Q. KT가 MS 와 너무 가까워지면, 믿음과 kt-cloud 는 어떤 상황이 되는 걸까 ?  논문 - 현실적인 오더북 시뮬레이션 하에서 멀티 에이전트 강화학습 - 박상우기관이 대량주문을 하게 될 때 어떤 전략을 피는 것이 유용할 것인가 ? 에 대한 연구 논문. 아주 오래전 데이터를 가지고 지금을 예측하는 것에 대한 우려는 있지만, 꽤 설득이 되는 잘 정리된 논문 분석.Q. 가격이 변동이 심할(?) 때 효력이 셀 텐데, 얼마나 짧은 단위의 주문이 필요할까요 ? 30초면 괜찮을까요 ?Q. NASDAQ 만의 특수성이 있을까요 ? 예를 들면, 미국에서는 물리적인 거리를 줄이기 위해 거의 모든 증권 관련 회사나 서비스는 뉴욕 근처에 있습니다만..Q. CSCO, IBM, INTC, MSFT, YHOO 등의 업종이 조금 쏠려 보이는데, 이게 주는 시사점은 없을까요 ?  카드사 매입 데이터를 활용한 연체여부 예측과 신용관리방안 추천 - 신기원,최원준,최지영카드사에서 실제 데이터들을 가지고 연체 고객을 다양한 방법으로 찾아 보고 예측해 보는 실습 결과. 전체 숫자가 많지만 10배 이상의 성능 차이에도 같은 정확도라면 그 방향으로도 유의미한 접근Q. 오차행렬이 random forest 랑 XG boost 랑 차이가 꽤 나 보이는데, 전체 숫자는 FF 가 너무 많아서 차이가 안 나 보이는 걸까요 ? 오차 행렬의 숫자만 설명 부탁드릴께요.Q. 한편으로는 알고리즘들 사이에 우열이 잘 보이지 않으니 자원을 아끼게 하는 결과물로도 괜찮아 보이네요..Q. 연체자의 경우 특정 달에 연체가 시작되기 시작할텐데요… mark 된 이후의 소비들도 영향을 준다고 생각할 수 있을까요 ? 아니면 이후의 것은 제외해야 하는 걸까요 ?Q. 선제적으로 action 을 취할 수 있는 거라고 하면 false alarm 도 어느 정도 감내할 수 있고, 보수적인 접근도 유의미하겠네요.Q. 대개 한국인의 경우 카드를 여럿 사용하기에 전체 시장의 일부만으로 판단을 하게 되는 상황이 될텐데, 그에 따르는 부작용이나 해석은 없을까요 ? 예를 들면 현대카드가 점유율이 2등이던가 큰 부분을 차지하지만, 내역들만으로 광고를 운영한다거나 한다면 전체를 볼 수 없어 애로사항이 많았더랬습니다.  루닛의 의료 AI 제품의 추천 시스템과 AI 개발을 위한 데이터 라벨링 과정 - 김서진, 심혜민AI 의료 기업으로 분류되는 루닛 이야기. 레이블링에 들어가는 노동 혹은 비용을 최소화하려는 잘 정의된 제품 기획부터의 사이클. 추천이라는 기능은 조심스럽지만, 사례를 펼쳐 놓고 의사들에게 도움을 주는 1차적인 도구로써 기능은 훌륭하게 수행할 듯.Q. 사전적 의미로 추천은 안해도 그만에 가까운 내용들이라는 점이 의료정보쪽의 엄격함과 살짝 거리가 있어 보이기는 합니다.Q. 프라이버시의 경우 병원 밖을 나오지 못하거나 병원들 혹은 의료보험 체인을 벗어나지 못해 의외로 유의미한 모수를 모으는 데 애로사항들이 많다 들었습니다. Q. 다양한 표본들을 모으려는 노력들에 대해 이야기해주실 수 있으실까요 ? Q. 여전히 '특정 질병에 대한' 판단과 '모든 잠재적인 질병'에 대한 판단은 다른 이슈일 거 같은데요..Q. 전문 의사들이 labeler 역할을 하게 되고, 교차 검증으로 부작용을 최소화하려는 부분이긴 한데, 수많은 데이터가 될 때 이를 scalable 하게 풀 수 있을까요 ? 의사의 레이블링을 일반인들이 하기 힘들다는 점이 가장 풀어야 할 부분인 거 같습니다만..출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/94 ( 2024. 11. 22. )

대학 교육 기타인공지능추천강의

인공지능과 추천 시스템 강의 노트 - (11/16) - 2024. 11. 15.

들어가며수능이 끝나며 갑자기 추워진 11월. 기말 과제들을 리뷰하면서 시간 분배를 잘 하기 어려운 일들이 생기고 있었다. 아직 못 전한 싶은 내용들이 많이 남아 있는 거 같기도 하고, 가끔은 같은 말을 반복하는 거 같은 조금 모호한 감정이 드는 시기인 거 같다. 개인적인 일정 + 회사 일정으로 미국에서 원격 수업을 두어번 더 잡아야 할 것인데, 한 학기 16주를 꾸준하게 다 가지고 가는 것에 대해 더 현명한 결정들이 있어야 하지 싶고, 다행히 기말 과제들은 아직까지는 잘 distribute 되고 있다. 준비한 내용들11주) 강의 update나를 잊지 말아 달라는 듯한 Anthropic 의 팟캐스트.. 무려 5시간짜리라니… 그래도 꽤 잘 들리는 아젠다 선정, 알아 들을 만한 대화들. 이어서는 MS 의 이후 agent 에 대한 아젠다 선정까지.지난 주 발표했던 콴다와 GPT 간의 수능 수학 문제 풀이 배틀을 기대했지만, 언어 영역에 지문으로 diffusion 이 나오는 일이 일어났다. 모든 사람의 기초 상식에까지 내려가고 있는 건가 싶어 다행이다 싶으면서도 입시에 이용되었어야 하는가에 대한 씁쓸함이 있다. Lessons from  Google Search ( part 2 )지난 주 검색 결과 페이지에 있던 component 들을 지나 이번 시간에는 한 단계 더 들어간 구글 검색의 내용들을 다루었다. 인덱싱, 관련 검색, suggest, auto completion 등의 과제들과 점점 더 극단으로 crazy 하게 흘러가던 과제들을 몇 개 다루었다. GWS rewrite, universal search, 순간 검색 ( instant search ) 까지 공개된 자료들을 중심으로 이야기들을 나누었는데… 너무 예전의 이야기들이라 별 도움이 되지 않았을 수 있겠다는 생각이 조금 들기도 했다.  기말 과제 발표디지털마케팅플랫폼(DMP)을 통한 상품 추천 사례 소개 - 김지연, 전진솔, 심윤찬농협을 비롯한 금융앱들이 자사 상품들을 판매하기 위한 많은 노력들. 팔기 힘든 금융 상품을 팔기 위해 여러 노력들을 담담하게 설명해 주었음. 마이데이터와 중개 플랫폼들 사이에서 고뇌하는 금융 슈퍼앱들은 같은 운명이리라.- 플랫폼의 입장에서 볼 때 저축 은행 계죄 개설과 '보험 가입' 은 적당한 상품인가요 ? - 신규 가입 / 개설의 모양일까요 기존 고객에게 하나 더 권하는 모습일까요 ? 둘은 아예 집단이 달랐더랬는데요..- 체리피커들은 어떤 영향을 주나요 ? - 다양한 일을 하는 네이버 등과 다르게 금융앱 내에서 하는 행동 정보들이 신규 상품 추천에 도움이 될까요 ?- 과연 사용자들의 경우 '연이율', '혜택' 을 이길 수 있는 조건이 있을까요 ?  인공지능을 활용한 기업 재무등급 자동산정 시스템 - 방준영, 김동혁, 임도형KIS Value, 연합 인포맥스 등 데이터들을 모으고, FinBert 등으로 실제 EDA 까지 실습해 본 내용들 정리. 데이터 수집과 분석 시간을 단축시키며 초기 등급 판단에 걸리는 시간을 단축시키는 효과가 있음.-.분기/반기 보고서가 매번 발행되지 않고, 뉴스들도 균일하게 분포하지 않을텐데, 이를 사심 없이 적용할 수 있는 방법이 있을까요 ?- 감성지수 ( sentinent analysis ) 에서 기사의 긍부정과 함께 인용되는 조합들의 match 부분에서 정확도가 차이가 많이 나는데요. 회사 이름이 모호하다거나 하는 업이 바뀐다거나 등... 뉴스의 양도 차이가 많고 해서 진지한 세상에서는 가중치를 가지고 매번 고민하게 될텐데.. 몇 번 돌려 본 결과라면 예제들이 있을까요 ?- 상장사나 공시 등은 잘 정의된 양질의 정보들인데, 비는 부분은 혹은 새로 들어오는 기업들은 어떻게 준비를 해야 할까요 ? e.g. default padding 전략 ?  추천시스템을 활용한 맞춤 이동수단 추천 서비스 - 나문정, 이혜진https://www.kakaomobility.com/service-kakaot카카오 T 가 택시인 줄 알았는데, Transportation 이었고, 20개 이상의 서비스들이 공존하는 슈퍼앱인데, 모두 택시만 알고 쓰는 모순이 있는 앱. - 우버의 경우는 택시 내의 제품군을 여러 개로 나누어서 접근하는 것을 하고 있고, 드라이버들을 다양하게 운용하는 방식으로 사업확장이 일어나고 있습니다. - 택시 탑승을 유도하지 않으면 '손해 보는 제품'이 되는 건 아닌가요 ? 이 경우 판매하는 상품을 선택하지 않았음을 알 수 없으니 feedback loop 로 다루기가 어려울 거 같은데... - 사용자의 앞 퍼널인 카카오맵에 조금 더 어울리는 서비스일 수 있겠는데, 어떻게 섞을 수 있을까 ?- 사용자의 마음에 들려면 “택시 많이 막히니까 몸이 조금 고생해도 대중 교통으로 가고 10,000원 아껴라” 라고 이야기할 수 있어야 하는데, 제품으로 이게 설명이 될까요 ? - 기차 예약은 SRT / Korail 앱보다 훨씬 더 쾌적하군요. AI투자하는국내ETF비교 - 이하준, 황신형ETF 들 중에서 AI 를 쓴다고 주장하는 제품들에 대한 분석과 성적, 그리고 AI washing 이라 부르는 내용들까지. 개인적으로는 전설적인 투자자들에 대한 내용을 학습시켜 종목을 선정하게 하는 ETF가 관심이 갔음.- 상장사들은 이래저래 자료들이 많으니 도움이 되겠군요.- 일반 문서들의 경우 이름만으로 인용된 회사들이 실제 어느 회사로 매핑되는지가 sentiment analysis 보다 난이도가 훨씬 높았습니다. 특히 계열사의 영향은 어떠할까요 ? 특히 한국의 증시의 경우 비슷한 이름의 회사가 여럿이고, 미국의 경우 다 퉁쳐서 구글/MS 등이 되는 서로 다른 영향일텐데요..- 국내 ETF 상품 이름에 AI 가 포함되는 건 어떤 의미일까요 ? AI washing 일까요 ?- AI 상품들의 경우 영업비밀에 해당하는 것일까 아니면 신뢰도를 얻으려는 노력일까 ?- ETF 와 로보어드바이저를 구별해서 설명해 주시겠어요 ? Q&AQ.발표하면서 여쭤봐야지 했다가 까먹고 질문 남기게 되었습니다.. 디지털마케팅플랫폼의 기본데이터를 행동데이터로 사용하기로 하고.구글의 AD-ID를 수집, 분석하여 활용하는 방향으로 개발하고 있었는데 ADID를 조만간 대체할 ‘프라이버시 샌드박스’를 도입하겠다고 발표해서 내부적으로 많은 혼란이 있었다가 구체적인 내용이 전부 미정으로만 알려져서 기존대로 진행해서 사용했었는데 내부적으로 진행 중인 사안인지? 아니면 기타 사유로 보류 또는 중지된 것인지 궁금합니다.참고 기사:https://www.digitaltoday.co.kr/news/articleView.html?idxno=527230 A. 이게 용어들이 많이 복잡하기도 해서… 먼저 AD-ID 는 Android 용, IDFA 는 iOS 용 device tracker 였을 거고.. Chrome 이 없애겠다고 하는 건 3rd party cookie tracking 이겠는데, 크롬에서 구글에 검색 몇 번 하고 나서 페이스북에 들어가면 그 물건의 광고가 뜨는 게 여기에 해당하겠습니다. 광고 플랫폼이 Chrome 에 3rd party 로 뭔가를 설치하고 그걸 facebook 에게 파는 모양인 거죠.. 사용자의 동의를 받은 경우 해당 앱을 사용하는 사용자의 상태 변환을 보는 것은 문제가 되지 않으나 이를 서로 다른 사이트나 앱들 사이에 공유하는 것을 막는 게 큰 골자로 이해하고 있습니다. 이들을 이용해 온 광고 중개업 등이 사태를 주의깊게 보고 있고, 애플의 IDFA 처럼 갈 것이라는 게 중론이긴 했더랬습니다. 제가 active 하게 다니던 시절에도 이슈가 있어 왔었고, 법령에서의 문구는 사용자가 하기 싫다고 하면 하지 마라.. 라는 거라 개인적인 견해로는 유럽 때문에 가긴 갈 거다 라는 생각입니다. 저도 구글과 인연을 끊은 지는 꽤 되어서… :) 출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/93 ( 2024. 11. 15. )

대학 교육 기타인공지능추천강의

인공지능과 추천 시스템 강의 노트 - (9/16) - 2024. 11. 1.

들어가며지난 주의 중간 고사 즈음으로 조금 쉬어 간 이후 이번 주는 여러 개의 토픽들을 돌아가며 중간정리를 해야 했어서 context 가 많이 튀었다. 검색의 품질에 대한 이야기, 추천 시스템 결과를 비교할 수 있는 실제 코딩, OpenAI API 를 이용할 수 있는 기본적인 코딩까지. 추천 시스템 코딩 따라하기가 여러 면에서 가장 생뚱맞아서 튀게 되었다.  준비한 내용들9주) 강의 updateSearchGPT 가 출시되었지만, 모두가 써 본 건 아니고, 현재까지는 기존의 ChatGPT 보다 썩 더 나아졌나 궁금한 정도의 사용성이고, 한편으로는 MS / Github / OpenAI 가 오랫동안 파트너를 할 것처럼 했지만, Claude 가 Github 에서 사용 가능하겠다 하였으며, 미 대선 결과 발표 전인데 빅테크들은 건실함을 자랑하고 있는 듯했다. brunch: AI 들에게 물어보기 - '단백질 음료수 추천'SearchGPT 를 써 보진 않았지만, 얼마전에 Perplexity 가 한국에 도전장을 내밀며 예제로 든 쿼리가 '단백질 음료수 추천'인데, 나름 PR 팀이 고르고 고른 쿼리이겠지만, 이게 결과가 더 나은가? 라는 질문의 기록이다. 구글의 검색 퀄리티에 대한 노력을 너무 허투로 보고 있는 건 아닌가 하여 offline human evaluation 에 대해 소개하였다.  public link : Guide to Search Quality Rating ProgramEWOK 으로 불리던 사람들이 결과를 내는, 요즘에 RLHF 혹은 cloud sourcing 으로 읽히는 10여년전부터 구글이 검색 품질에 들이는 노력에 대한 공개 자료이다. 실제 엄청나게 디테일한 가이드라인을 담고 있고, 새로운 이벤트를 진행하게 될 때 이정도의 촘촘한 설명이 필요해서 고생했던 기억들도 난다.추천시스템 - 추천 알고리즘 상세 ( part 2 )추천 시스템의 몇몇 주요 알고리즘을 코드를 이용해서 따라가지 않은 게 여전히 찜찜하게 나타나 있지만, MovieLens 데이터를 이용해서 random , popular , association , user-2-user memory collaboration filter 등의 내용을 담은 링크들이다. Colab : openai API test-1101Colab : openai API - for news creation위의 코딩보다는 실제 OpenAI API 를 등록해서 써 보는 테스트를 해 보았다. 이미 잘 하는 친구들도 있겠지만, 뭔가 시도해 보기 힘든 벽을 처음에 가진 학생들에게 조금의 용기라도 주었으면 한다. 에러가 나는 환경, 모델을 바꾸어 가면서 혹은 prompt / instruction 을 바꾸어 가면서 글 혹은 뉴스를 만들어 내는 기본적인 prompt 사용하는 법들을 훑어 보았다. $10 의 credit 으로 시작하지만, 공짜가 아니어서 몇 개 해 보지 않아도 금방 quota 가 소진된다. 기말 과제 발표한국어 기반 금융 분야 BERT 기반 LLM 비교ChatGPT 가 나오기 이전 LM 의 1-2위를 다루던 BERT 의 금융계 도전에 대한 논문 survey 였다. KB은행에서 주도한 https://github.com/KB-AI-Research/KB-ALBERT 과 카카오뱅크에서 이후에 주도한 https://huggingface.co/kakaobank/kf-deberta-base 과 관련해서 발표되었던 몇몇 논문들을 잘 요약해 주었다. 한글이라서, 금융 도메인이라서 라는 제약을 추가적인 데이터를 가지고 pretraining 하는 접근 방법들인데, 아래는 몇가지 질문들.- 테스트 셋으로 외국 테스트의 번역본을 썼는데, 이걸로 충분한가 ? 오염이나 bias 는 ? - 부족한 데이터들을 모으기 위해 앞은 syntetic creation 으로 접근했고, 후자는 권위 있는 데이터의 조합으로 접근했음. 후자로 가야 하는 게 아닐까 ? - 점수의 차이가 실제 사용하는 입장에서 어떤 의미가 있을까 ? accuracy 가 90점이나 92점이나 10-11번 당 1번씩 잘못 판단하는 건 제품 입장에서 큰 차이 없는 것 아닌가 ? 맺으며준비한 내용들로는 2시간 약간 넘은 정도만 커버할 수 있어서 예상보다 많이 일찍 끝난 수업이었다. 멀리까지 시간 내어 온 학생들에게 미안한 상황이 되었는데, 교재로 준비한 책들의 내용이 끝나는 상황이 될 때 transition 이 매끄럽지 못한 것에 대해서는 더 준비가 필요하겠다.출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/91 ( 2024. 11. 1. ) 

대학 교육 기타인공지능추천강의

인공지능과 추천 시스템 강의 노트 - (10/16) - 2024. 11. 8.

들어가며이번 주는 기말 과제 발표가 4개 이상 잡혀 있는 일정이었다. 작년에 기말 과제들에 일정이 휘둘리며 하려 했던 구글 검색 심층 이야기들을 마저 못했던 게 마음에 걸려서 오늘 그 구글 검색 이야기를 시작했다. 제품 측면이나 기술적인 측면이나 이야기거리가 많은 내용인데 이른바 성장기의 구글 검색과 수성기의 구글 검색의 차이가 많이 큰 부분에 대해서는 너무 옛날 이야기가 아닐까 아쉬움이 있다. 준비한 내용들10주) 강의 updateAnthropic 에서 API 사용료를 올린다는 조금은 충격적인 뉴스가 있었지만, 미 대선 결과에 묻혀 버렸다. Lessons from  Google Search지금의 시장의 절대적 지배자가 되기 전까지 구글이 이루어 냈던 여정들에 대해서 같이 했던 내용들에 대한 직간접적인 기록들에 대해 이야기를 나누기 시작했다. 지금은 업계에 표준처럼 되어 버린 여러 방식들이지만, 검색의 기본기에 대한 이야기, 검색 결과 페이지를 구성하는 요소들에 대한 내용들을 오늘 다루었고, 한발 안으로 들어가서 infrastructure 에 해당하는, software development 에 대한 이야기, 그리고 내가 직접 했던 과제들에 대한 이야기들을 다음 주와 그 다음 주에 다뤄 보려 한다.  기말 과제 발표AI를 활용한 기업 신용평가 - 홍다은,이영훈,김윤아단골 주제인 비정형 데이터를 기업의 평가에 쓰고 있다는 이야기의 신용 평가 내리는 이야기.정성적인 부분을 더하고 싶어하는 예제를 논문에서는 스페인 증시를 가지고 접근해 왔음.- 상장사의 경우 감사 보고서 등은 이미 bias 되는 내용이지 않을까 ? - 뉴스의 양은 그 자체가 비대칭이고, 보도 자료는 회사가 보여주고 싶은 내용들을 이야기할텐데, 그 자체로 오염된 내용은 아닐까 ? - 사람이 잘 하고 있는 걸 시간을 줄여주는 용도일까? 아니면 사람이 하지 못했던 것들의 새로운 가치를 주고 있는 것일까 ?   생성형 AI시대의 Mobile 플랫폼 추천 시스템 - 김성민,이재훈,이종연모바일 플랫폼(Android / iOS)에서의 앱 액션 추천 시스템에 좀 더 가까운 제안. 플랫폼을 직접 운영하는 곳에서 프로젝트 제안으로 삼을만한 이야기들. LLM 이 없던 시절에 몇몇 노력들이 있었지만 설익은 채 지나 버렸고, 다시 여러 형태로 제안이 되고 있는 주제. 이를 RTB 의 예를 들어 비교하며 제안. 개인적으로 설득이 되진 않지만, 그래도 참신한 아이디어.- privacy 가 점점 강화되는 상황에서 화면을 읽는 정도의 것을 사용자가 허락할 것인가 ? - 사용자가 시키지 않았는데, 알아서 뭔가를 하고 싶을 때 가능한 이야기가 있을까 ? - 앱들이 할 수 있는 action 들은 이미 충분한데, 여전히 조건을 정하는 데에서 문제가 있는데, ondevice 가 해결할 수 있는 부분이 있을까 ? - 장악력이 강한 플랫폼에서 bonding 을 더 강하게 하는 용도로 생각나는데, 카카오나 위챗 등이 이게 더 필요할까 ?  콴다(교육에서의 AI 활용 방안) - 강혜정,김민수,김민지매스프레소의 대표 제품인 콴다의 제품으로서의 여정에 대한 이야기. - 문제를 풀어주는 제품일까 문제은행일까 ? 둘은 아주 거리가 먼 조합일텐데.- Poly 는 뜬금없지만, 이는 어떤 제품을 지향하는가 ?- Google Lens 시절, Photomath 와 Work mode 가 문제를 읽어는 주는데, 이보다는 나은가 ? - 2023년 수능을 GPT 3.5 와 비교했을 때는 우위에 있었지만, GPT-4o 가 추월했다는 보고가 있었는데, 2024년에는 어떤 결과일까 ? FASHION CURATION OMNI CHANNEL STRATEGY OFFLINE FOCUSED SERVICE - 신경철띠어리 라 불리는 의류 서비스의 온오프 매장 연동에 대한 이야기. 의류 판매의 난이도와 온오프 경험을 섞는 것에 대한 이슈들과 매장 스태프들의 역량을 어떻게 내재화할 것인지 등에 대한 고민들.- 옷의 경우 입어 보고 사는 걸 좋아하는 사람은 온라인에서 절대 만족을 못 주고 있을 텐데, 같이 놓는 게 의미 있을까?- 추천은 오프라인의 영역이지만, 사진을 찍은 후 style 검색은 꽤 오래전부터 잘 되던 영역이었다..- 여러 온라인 회사들 중에 무신사가 제일 괜찮은 비교일까 ? 무신사는 명품 혹은 중고 명품과 거리가 좀 있는 브랜드이지 않을까 ?  Assimilating the Recommendation eXperience - 김세환[보도자료] 쿠팡, 럭셔리 뷰티 버티컬 서비스 ‘R.LUX’ 론칭…“품격과 편리함 갖춘 쇼핑 경험 선사”앞의 패션 주제와 같이 이야기할 수 있는 쿠팡 - 파페치 - R-Lux 이야기. 한창 진행형이기에 결과를 평가하기보다는 쿠팡의 도전이 궁금하고 도전 자체를 응원하는 마음이다. - 국내에 서비스하고 있는 쿠팡의 제품군을 넓히기 위해 해외에서 운영하고 있는 서비스를 사 왔다..?  왜 ?- 국내의 명품 시장의 경쟁자로 서고 싶은 걸까..? 의류는 쿠팡이 잘 못 하고 있지 않나..?- 커지지고 있다지만, 발란, 트렌비, 머스트잇 등의 곳들, SSG-네타포르테 같은 조합 ?- 전통적인 추천이 통하지 않는 업의 특징이 많을텐데... 맺으며검색의 안쪽으로 한 발 더 들어가기도 했지만, 기말 과제들이 유익하다. 금요일이 되기 전에 학생들의 과제들을 리뷰할 때의 난이도도 상당하지만, 서로 전달하는 내용들이 도움이 많이 된다. 매주 추가적인 시간들을 과제 리뷰에 쓰고 있는데, 질문들이 서로 공감되며 나누어지기를 바라는 마음이다.출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/92 ( 2024. 11. 8. )

대학 교육 기타인공지능추천강의

인공지능과 추천 시스템 강의 노트 - (8/16) - 2024. 10. 25.

들어가며이번 주는 학생들과 간담회가 있어서 단축 수업이 예정되어 있었다. 작년의 경험으로 학기 앞부분에 하면 좋았던 기억들이어서 조금 서둘렀고, 조교들이 일정 조절에 많은 노력들을 해 주었어서 꽤 많은 이야기들을 한 거 같기도 하고, 한편으로는 모든 학생들을 더 말을 섞어 보지 못한 게 미안한 생각도 들게 된다. 명함들을 나누고, Linkedin 에 scan도 하지만, 아무래도 내가 먼저 말을 붙이며 돌아다니기에는 좀 부담스러운 상황이긴 하다. calendly 를 이용한 커피챗을 조금이라도 더 이용하고 권해야 하겠다.이번 주부터 학기말 발표들을 시작하게 되었고, 이번 주와 다음 주는 한 주제씩, 그 이후는 수업의 절반 이상이 과제에 할당되는 일정이 되겠다. 준비한 내용들8주) 강의 update앤트로픽의 컴퓨터 위에서 동작하는 Agent 가 신기했고, nature 지에 소개된 구글의 Synth ID 도 구글스러운 접근이라 생각이었다. 어떻게 접근해야 할 지 아직은 막막한 AI 각서까지..  Statse of AI - part 2https://www.stateof.ai/ 지난 수업에 이어 Nvidia 를 제외한 업계의 이야기들과 지난 1년간 연구소들의 이야기들을 같이 훑었다. 현재를 설명해 주는 요약된 보고서이기에 같이 잠깐씩 훑어 보는 것만으로도 지난 1년의 격변을 이해할 수 있고, 학생들도 그리 받아 주면 하는 바램이다. 아래는 총평.프론티어 연구소의 성과가 점차 수렴되며, 독점 모델의 우위가 줄어들고 있다. GPT-4와 다른 모델 간의 격차가 좁혀지고 있으며, OpenAI의 o1 모델이 선두를 다시 차지했으나, 그 위치가 얼마나 오래 지속될지는 미지수이다.  LLM 연구에서는 계획과 추론이 중요해지며, 기업들은 강화 학습, 진화 알고리즘, 자기 개선과의 결합을 통해 미래 지향적인 에이전트 응용 프로그램 개발을 모색하고 있다.  파운데이션 모델은 언어를 넘어 수학, 생물학, 유전체학, 물리학, 신경과학 등 다분야 연구에서 잠재력을 보여주고 있다.  미국의 제재는 중국 연구소의 모델 개발 능력에 큰 영향을 주지 못했다. 중국의 연구소들은 재고 비축, 승인된 하드웨어, 밀수, 클라우드 접근 등의 방법으로 고성능 모델을 개발하고 있다. 한편, 중국의 반도체 산업 구축 노력은 여전히 혼란스러운 상태이다.  AI 기업들의 기업 가치는 9조 달러에 도달했으며, 상장 기업들은 AI 성장에 따른 강세장을 경험하고 있다. 민간 AI 기업들에 대한 투자도 증가했으나, 미국의 생성형 AI 거대 유치들에도 불구하고 규모는 훨씬 적었다.  파운데이션 모델 개발자와 영상 및 음성 생성 스타트업을 포함한 몇몇 AI 기업들이 본격적인 수익을 창출하기 시작했다. 그러나 모델이 저렴해지면서 장기적인 지속 가능성에 대한 의문은 여전히 남아 있다.  일부 AI 기업들은 수익 모델을 찾지 못해 '의사 인수(pseudo-acquisition)'를 선택하는 사례가 증가하고 있으며, 선도적인 위치를 유지하는 것이 부담스러운 상황이다.  OpenAI에서의 실패한 쿠데타 이후 특히 존재적 위험에 대한 논의는 줄어들었다. 그러나 연구자들은 잠재적인 모델 취약성과 오용에 대한 지식을 계속 심화시키면서 잠재적인 수정 및 보호 조치를 제안하고 있다. 기말 과제 발표 Reducing AI Footprint: Multimodality for TikTok Viral Prediction - 김가온.pdf첫 주제는 논문 분석 + 구현 및 테스트. 작년에 조교로 수고해 주었던 학생이 처음 해 주어서 과정을 smooth 하게 만들어 주었다. 몇몇 comment 들과 질문들.viral 을 예측하는 비용을 적은 footprint 로 구현하고자 하는 노력들. viral 이 매우 중요한 도메인에서 문제를 잘 정의하고 있고, 이를 예측하기 위한 비용을 줄이는 것의 접근. Audio + Video를 이용한 간단한 CNN 접근. 더 나은 것들을 예상할 수 있을까..? maximum 1분의 contents 에서 5초면 충분할까..? 비슷한 성능을 보인다면 더 작게는 ? 꼭 video를 봐야 할까 ?  마치며다음 주는 라이브 코딩들과 작년에 하지 않았던 새로운 것들을 담아야 겠다는 생각을 하고 있다. OpenAI API 로 RAG 만드는 예제를 시연해서 해 볼 수 있을까 싶은 생각과 걱정이 있는데, 주중에 잡힌 부산/광주 출장 일정 사이에 자료들을 더 준비해야 할 거 같다. 출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/86 ( 2024. 10. 25. )

대학 교육 기타인공지능추천금융

인공지능과 추천 시스템 강의 노트 - (7/16) - 2024. 10. 18.

들어가며지난 주의 감기는 나은 거 같지만, 비가 쏟아지며 날씨가 많이 추워져서 여러 신경 쓰이는 상황들이 생긴다. 얼마전까지만 해도 너무 더웠더랬는데, 서울 날씨가 적응이 꽤 어려워 졌다.. 준비한 내용들7주) 강의 update지난 주의 노벨상들의 임팩트가 너무 커서 다른 뉴스들이 초라하게 느껴지게 되었다. 제프리 힌턴과 얀르쿤은 여전히 서로 다른 시각에서 인공지능의 현재와 미래를 이야기하고 있고, 앤트로픽도 나를 잊지 말아 달라는 메시지로 읽히는 글들을 올리며 주목을 끌려 하는 상황인 거로 보인다. 구글 플레이스토어 - part 2Google(Playstore)에서 과제 런칭하기.pptx유사 쇼핑몰이지만 잘 정의된 추천을 가지고 있는 구글 플레이스토어를 완제품으로써 리뷰하는 것의 뒷부분을 진행했다. 지난 주의 제품으로서의 챌린지와 지표들에 이어 이번 시간에는 각 제품들의 구성과 역사 약간과 함께 실제로 진행했던 과제 몇 개를 선택해서 이야기를 나누었다. 아래 케이스 스터디로 뽑은 세 과제들은 오래 된 기억이지만, 당시 한국의 상황에서 각각 잘 정의된 문제를 풀어 나가는 과정을 이야기한 내용들이라 많이 나누고 싶은 이야기들이긴 한데, 추상적으로 다루게 되니 어떻게 전해졌을까 하는 생각도 있다. Statse of AI - part 1https://www.stateof.ai/ 200 페이지가 넘아가는 리포트이지만 1년을 돌아보는 의미로 같이 한 번은 훑어 보았으면 하는 내용들이 모여 있는데, 수업 시간에는 맨 앞의 2023년 예측에 대한 결과와 Industry 섹션의 Nvidia 이야기들을 같이 읽어 보았다. 1년 사이에 더 많이 멀어져 버린 회사이지만, 앞으로도 여러 이유로 경쟁자를 찾기 힘들 것이라는 전망이 대부분이었다. 아래는 이 리포트에서 이야기하는2024년의 예측마치며3시간 연속되는 강의를 촘촘하게 시간 배분을 해 오는 게 난이도가 있고, 여러 내용들을 전하고 이야기 나누려 하다보니 미리 어떤 어떤 것들을 하겠노라 라는 이야기들을 전하기 힘들었다. 특히 플레이스토어 특강 같은 건 이야기가 길어지다 보니 30분 정도 준비했던 추천 시스템 코딩 부분은 둘러 보지 못하게 되었다.다음 주는 간담회와 병행해서 수업이 짧아 지는 시간이고, 기말 과제 발표를 시작한다. 첫 주는 하나의 논문 분석 발표만 있지만, 앞으로 더 많은 일들이 벌어질텐데.. GPT 실습과 finance + AI 일반론까지 너무 늘어지지 않게 정신 바짝 차려야 겠다는 생각이 든다.정부 과제와 엮이며 갑자기 12 월 초에 reinvent 출장이 잡혀 버렸다. 구체적인 일정들을 함부로 할 수 없는 상황에 라스베가스에서 원격으로 수업을 새벽에 해야 하는 상황이 최소 한 번은 생기게 될 거 같다. Q&AQ. 구글 앱스토어가 스팸 필터링에 진심이라고 설명해주셨는데요, 직접적으로 연관된건 아니지만 항상 궁금했던 것이 있습니다. 심사가 엄하기로 소문난(?) 애플 앱스토어와 다르게 구글 플레이스토어는 개인이 장난으로 만드는 앱(?) 들도 필터링 없이 등록 허가를 내주는 것같습니다.(예“ 고상혁에게 스위치 사주기“ 앱) 플레이스토어 내부에서는 이런 개인들이 만드는 앱에 대해 어떻게 생각하시는지 궁금합니다. 또 생태계 지향성 이런 거대한 이념(?)은 자치하더라도 위와 같은 앱들이 많아지면 플레이스토어에 대한 신뢰도가 많이 떨어질텐데 내부적으로 스토어 등록 기준 허들이 높아져야한다는 의견은 없었는지 궁금합니다.A. “스팸"의 정의가 여러 개 있겠습니다. 플레이스토어의 정책은 마치 웹과 닮아 있는데요, 임의의 사용자가 임의의 앱을 만들어 배포하는 것에 대한 기준은 낮고, 그 내용이 나쁘거나 혹은 그것을 이용해서 나쁜 짓을 하려는 것을 잡아 내는데 많은 노력들을 하고 있습니다. API 레벨에서 검사를 하는 등의 노력과 앱 자체의 성격에 대한 것은 하나의 기준이고, 바깥에서 click farm 등의 비정상적인 install behavior 등을 체크하는 데는 많은 노력을 하고 있습니다.출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/84 ( 2024. 10. 18. ) 

대학 교육 기타인공지능추천금융

인공지능과 추천 시스템 강의 노트 - (4/16) - 2024. 9. 27.

들어가며개인적인 사정으로 원격 수업을 해야 하는 상황에서의 화상 수업. 유튜버나 스트리머의 경험은 아니지만, zoom chatting 으로 질문을 하는 건 수업 전후에 손을 들어 질문하는 것보다는 장벽이 낮았는지 몇몇 질문들이 있었고, 아래에 첨부금요일 새벽 3시부터 시작하는 건 확실히 부담이 있고, 미국에서 전후 일정이 많이 틀어지는 부작용이 있게 되어 가급적 피할 수 있으면 그리해야 할 거 같다.  준비한 내용들4주) 강의 updateAI 강의 - 4강, 5강 추천시스템 - 1 추천시스템 - 2 바람 잘 날 없는 OpenAI먼저 때마침 국가 주도의 몇몇 기사들이 있어 인용할 수 있었다. 비록 국적은 다른 상황이지만, 좋은 의지의 따뜻한 마음들이 모여 미래에 도움이 되었으면 하는 바램과 함께 너무나 많은 바람들로 인한 걱정도 많다 하겠다. 글로벌 인덱스에서는 생각 이상으로 싱가폴의 영향력이 이미 커 있다는 사실에 적잖이 놀랬고, 다시 여러 자료들을 들여다 보게 되었다.기존의 상도덕을 새로 정의하게 만드는 요즘 AI 관련된 유명인들의 움직임은 여전히 감을 못 잡겠고, 내가 저런 것까지 알아야 하나 싶은 일들이 여전히 벌어지고들 있는 거 같다. 마지막 기사는 구글과 character.ai 사이의 딜을 자극적인 제목으로 만든 기사인데... 수익화에 실패한 기업의 새로운 출발이라는 면, 그게 구글의 주식으로 풀려 나가야 하는가에 대한 개인적인 불만 정도의 의견이다. AI 강의 2부새로운 교재로 어차피 이야기를 다시 해야 할 거 같기에 지난 주에 하던 이야기를 마무리하였다. stateofai 2024도 곧 나올 것이고, 어차피 새로운 이야기들로 한 학기 내내 이야기하게 될 것이라는 생각이고, 정책적인 담론, 의견 수립 등은 개인적으로 박태웅 선배님의 의견과 방향을 동의하고 존중하고 도울 수 있는 부분에 대해 최선을 다하겠지만, 이 수업에서 다룰 수 있는 성질의 것은 아니어서 약간은 열린 토론 정도로 놓자 싶다. 추천 시스템 강의 1, 2장추천, 혹은 추천 시스템이라는 말이 워낙 일반적인 이야기가 되어 버려서 그 단어들을 정의하려는 노력을 교재에서 꽤 많이 하고 있다. 지금 시대에 서비스나 제품이 어디 한두개의 요소로 결정이 되겠냐마는 고전적인 의미에서 시작하는 게 일단 맞겠고, 고전적인 질문으로 검색과 추천의 차이는 무엇인가 라는 것도 좋은 시작이라 하겠다.추천 시스템이라는 섹션에서는 하나의 end-to-end cycle 로 과제를 정의한다. 회사에서 과제로 알게 모르게 진해하는 것들이 다 이 사이클을 수행하는 것일테고 문제를 어떻게 정의하고 어떤 걸 비교할 지 등을 이야기하려 한다. 말로만 하는 이야기들일 수밖에 없고, 이 부분에 대해서는 계속 어떤 문제를 정의했는지, 어떤 방법으로 평가를 하는지, 어떻게 deploy 를 하는지 등의 이야기들을 계속 할 수밖에 없겠다 싶다.  라이브 코딍교재로 쓰고 있는 추천 시스템 책의 절반 이상은 다양한 추천 알고리즘을 코드로 구현해 보면서 비교해 보는 것의 연속이다. 과제를 내야 하나 라이브 코딩으로 가볍게 가야 하나 등에 대해 고민이 있었던 부분언데, 이번 학기에는 매 시간마다 최대 30분의 라이브 코딩 / 입코딩 / 따라해 보는 코딩(?) 시간을 마련해 보려 한다.수업 시간 기준으로 2시간이 지난 9시 정각을 시작으로 해서 그 시기가 되면 준비했던 코드를 colab 에서 혹은 VsCode 에서 실행시켜 보면서 이런 저런 것들을 챙겨 보자 싶다. 이걸 직접 다룰 줄 아는 절반 정도의 학생에게는 평범한 일이겠지만, 이 기회를 통해 프로그래밍으로 입문하는 학생들이 생긴다면 그것만으로도 나름 수확이라 할 수 있겠다.첫 시간으로는 MovieLens 에 대한 이야기들을 했다. 실제로 10'년 전에 구글에서 별점 과제를 할 때 참조했던 데이터, 참조했던 방법론들이었고, 각종 과제와 교재에서 인용이 되고 있는 내용이다. 오늘은 첫 시간에 기초적인 EDA를 하는 코드를 했다. 실제 회사에서는 이정도만 잘 해도 여러 사람들이 행복하고, 요즘에는 개인적으로는 ChatGPT 에게 일 시키는 재미가 꽤나 쏠쏠하지만, 생각해 보면 prompt 를 "### 필드 중에서 outlier 를 빼 주고, 왜 뺐는지 알려 줄래?" 등의 말을 건네며 가끔씩은 '이럴 거면 그냥 내가 하고 만다' 라는 생각이 들기도 한다.이후에 세션들은 몇몇 방법들에 대한 이론적 혹은 실험적 접근이 될 수 있겠고, 이번 강의의 3번째 교재인 ChatGPT API 를 이용하는 제품 개발 등으로 여러 가지 일들을 해 볼 수도 있겠다 싶다. 바라건데 매 수업시간 동안 30분의 라이브 세션은 잡아 보자 싶다. Q&AQ. 검색 시스템이 '사용자가 미리 마음에 드는 아이템을 파악'하는 경우가 많고, 추천 시스템이 오히려 파악하지 않는 경우가 많다고 하셨는데요,  사용자가 검색을 많이 하다보면 추천시스템에서 마음에 드는 아이템을 파악하게 되지 않나요?A. 검색을 많이 하는 건 개인화를 포함해서 서비스 업체에게 중요한 정보로 사용됩니다.검색 쿼리 - 검색 결과 - 클릭 여부 - ( 구매 여부 ) 는 해당 사용자를 이해하는 가장 강력한 시그널입니다.여럿을 모아 통계적인 정답, popularity를 이용하는 데 쓰기도, collaborative filtering 으로 쓰기도 합니다. Q. 서비스를 기획하면서 대부분의 유저는 잘 모르지만 공급자 입장에서 팔고 싶은(?) 상품을 추천할 구석을 자꾸만 찾게 되는데요, 결국 mass 유저가 원하는 제품은 어느 정도 정해져있는 상황에서 상대적으로 매력이 떨어지는 상품 (하지만 팔고 싶은..)에 대한 추천 시나리오를 기획할 때는 어떻게 접근하는 것이 좋을까요?A. 교재에도 언급이 되어 있는 내용이긴 한데요. 친절한 설명 등의 UI 로 접근하는 경우 호응이 좋았던 사례들이 몇 있습니다. 구차하다 싶을 정도로 설명을 하거나 아니면 아무 설명 없이 (쿨하게) 널 위해 준비했어. 두 사례들로 귀결이 되는데, 사용자들은 다짜고짜 널 위해서.. 라고 하면 거부감을 많이 가지는 거 같았습니다. curation / editor’s choice 등의 형태로 풀어 내는데, 사용자들이 알고도 한 번 봐 준다 정도로 접근했을 때 얻어 걸리는 경우들이 있었더랬습니다..  Q. 데이터 클린징 시 EDA를 활용하여 오류데이터를 효과적으로 찾아내어 수정하는 대표적인 방법론들이 어떤 것이 있는지요? A. 결국 다 눈으로(?) 혹은 기계로 들여다 보면서 걸러내는 것들인데, 데이터 포맷, 인코딩 등의 기계적인 오류들을 제외한다면 대부분은 outlier 들을 빼 내는 데 중점을 둡니다. 특정 row/column 을 plotting 하면 꽤 보이고, sort by 해서 아래 위 살피면 대개 보입니다. 

대학 교육 기타인공지능추천금융공학

인공지능과 추천 시스템 강의 노트 - (3/16) - 2024. 9.20

미국에서 원격으로 새벽에 하는 수업이고, 이번 주는 추석 연휴 사이에 있는 주여서 출석 처리를 하지 않고 대신 같이 관련 클립들을 보는 것으로 수업을 대신했다. 두어 개 더 같이 보았으면 하는 내용도 있었지만, 주제를 그룹 짓기에 어색하다 생각했고, AI , Search by Google , AI by Google 의 세 그룹으로 이야기거리를 모았다. 다음 주부터 다시 조금은 딱딱한 강의 내용들로 채워 지겠다.  준비한 자료들3주) 강의 update금융권에서는 금리 인하만큼 큰 일이 드물 듯. 아래는 수업 시간에 같이 훑은 토막 비디오들. 채팅 창에서 소통을 하듯 이야기를 하고 싶었고, 아래는 script를 붙여 놓았다. 채팅을 통해 질문도 하나 들어와서 조금 더 이야기할 수 있었다. 클립 같이 보기Marty McFly & Doc Brown - Visit Jimmy Kimmel Live (2015, 11 min )AITed Talk : How we're teaching computers to understand pictures by Fei-Fei Li ( March 2015 , 18 min )Ted Talk : Why AI is incredibly smart and shockingly stupid by Yejin Choi ( April 2023 , 16 min )트랙터 회사가 보여준 AI 트랜스포메이션의 정석  ( 2023, CES , 13min ) Korean Cipher with OpenAI o1 ( 2023, 4 min )Search by Google  The Evolution of Search ( 2011, 6 min ) How Google makes improvements to its search algorithm   ( 2011, 4 min )Search Quality Meeting: Spelling for Long Queries (Annotated) ( 2012, 8 min )Year in Search 2010: Year in Review ( 2011, 4 min )Google — Year in Search 2022 ( 2023, 4 min )Google — 25 Years in Search: The Most Searched ( 2024, 4 min )AI by Googlebuilding AI for Everyone | Jeff Dean Senior Fellow in Google AI ( 2018, 세바시 강연, 16 min )Google I/O 2024 Keynote: Google DeepMind ( 2024, 17 min ) ---Clip 1. 영화 백 투더 퓨처의 1985년 영화가 처음 나왔을 때의 30년 후 미래, 빽투더퓨쳐 2의 같은 시간대입니다..Clip 2. AI 의 대모 역할을 맡고 있으신 FeiFei Li 의 ImageNet 소개에 대한 Ted Talk 입니다. ( 자막이 아주 작게 나오네요… )10년 전에 한계에 부딪쳤던 AGI, language model 들이 이 시기의 vision recognition 이 물고를 터서 LLM으로 가는 한계를 풀어 나갔습니다.이 이후에 구글 클라우드 팀에도 몇년 계셨지만, 원하시는 만큼의 성과를 서로 만들지 못한 아쉬움들이 있고, 학교로 다시 돌아가신 후에 더 큰 역할을 하고 계십니다.Clip 3: 시기상으로 GPT가 매우 잘 나가고(?) 있을 때 다른 방향에서 논의를 리딩하고 계시는 최예진 교수님의 이야기입니다.워싱턴 대학교에서 교수님으로 계시고, 인공지능 영역에 묵묵히 진행하고 계시고, 어떻게 humanity를 ‘가르칠 수 있을까’를 연구하고 성과로 주도하고 계십니다.작년에 전세계 AI 100인에 선정된 (아마도 유일한) 한국인 혹은 한국계 인재시고, 개인적으로 손자병법으로 대화를 만들어 나간 이 스토리가 주는 감동이 있었습니다. 빌 게이츠와 주고 받는 팟캐스트가 이후에 나왔는데, 아주 훌륭합니다.Clip 4: 2023년 초에 CES 장소를 압도적으로 지배했던 존디어 이야기입니다. 랭기지 모델 같은 것과 별개로 어찌 보면 자율주행이 가장 잘 어울리는 곳에서 입지를 잡고 있습니다.( 미국에서 아주 큰 시골에 가면 이 기계를 가끔 볼 수 있는데, 정말 큽니다.  )Clip 5: OpenAI GPT-4o 로 할 수 있게 된 신기한 기능을 소개해 줍니다.문제를 보고 여러 단계의 전문가들을 동원하는 모습으로 구현해 내고 있습니다. 사람들의 예상대로 knowledge / reasoning / language 를 구분해서 접근하는 방식의 좋은 예제이겠습니다.여기까지 AI 이야기였고, 구글 이야기들 들려 드릴께요.Clip 6: 10년 전 시점으로 세상을 정복하기 직전에 구글 검색의 역사에 대해 이야기해 줍니다.저는 2007년에  조인해서 이 시기에 유니버설 검색을 참여했었습니다. (구글) 검색은 사용자를 극단적으로 만족시켜야 하는 미션을 다루고 있었고, 모바일 세상이 오기 직전까지의 이야기입니다. Clip 7: 이미 15년 전에 어떻게 제품을 ‘개선’시키는가에 대한 이야기를 보여 줍니다. 실제 사용자의 피드백들이 제품을 강하게 만드는 일들을 해 주고 있습니다.제가 개인적으로 돌려 보았던 실험만도 1년에 20개는 되었으니Clip 8: 앞에서 이야기했던 결정 미팅의 실제 소개 영상입니다. 결정권자들이 둘러 있고, 각 과제 제안자들이 하나씩 리뷰를 받습니다.Clip 9-11 : 연말이 되면 그 해의 검색 쿼리들에 대해 소개 영상을 만들어서 진행을 했었습니다. 2010년부터 시작했네요. 기억으로는 그 전에는 구글이 유튜브에 호스팅을 안 했던가 그렇습니다…Clip 10: 2022년 버젼입니다.Clip 11: 작년에는 2023년 걸 보여 주는 게 아니라 25주년 특집을 보여 주었습니다.Clip 12:  구글의 AI 를 이끄는 양웅 중 하나인 제프딘이 한국에 왔을 때 세바시에 강연 영상입니다.구글 초기부터 개발자 연구자로 남아 있는 이제 몇 안 되는 고인물이고, AI 가 뜨기 이전에 지금의 구글에 들어가는 소위 인프라들은 전부 이 분 손에서 시작했다 알려져 있습니다.이 때 이미 ‘검색’의 영역에서는 search by image 가 거의 풀린 문제로 인식되었습니다.Clip 13: 딥마인드를 이끄는 분입니다. 한국에는 알파고 때 방문했었지만, 구글 행사에 좀처럼 안 나오는 분인데, 올해 구글 I/O 행사에 처음 나오셨습니다.지금은 제프딘과 함께 구글의 AI 를 제품 단으로 올리는 역할을 하고 있습니다.참고로 알파벳 지주회사 아래에 구글과 딥마인드는 따로 있었는데, 이 시기부터 구글의 한 영역으로 자리잡고 있습니다.이 날의 하이라이트가 이 Project Astra 인데, 전날 오픈에이아이의 시연과 같은 레벨의 성능을 보여줍니다. 시연 영상이 아마 나오는데, 개인적으로 두가지 무시무시한 포인트가 있습니다. 개인적으로 코드 잘 보는 건 감동이 적습니다만..현재 위치를 보지 않고 어딘지 알아 냈다면 stretview 에서 가지고 온 거라 엄청난 일이구요.본 영상들을 기억하면서 끄집어 낸다는 것도 context size 를 가지고 풀어 나가는 게 구글 스럽긴 합니다. Q&AQ. 최예진 교수님의 강연은 시기가 언제일까요? 최근의 LLM이 보여주는 퍼포먼스를 기준으로는 이제 stupid라는 표현이 어울리지 않는 것 같은데요.A. 작년 GPT4 가 나온 직후였습니다. 문제를 잘 푸는 것들과 함께 ‘common sense를 가르침'을 조화해야 한다는 것에 대한 이야기이구요. ‘잘 하는 것은 잘 하지만, common sense 에 대한 것들을 어떻게 가르칠까 등과 함께 소버린 AI 와도 같이 이야기를 모아 나가고 있습니다. 현업에서는 빼고 싶은 지식 혹은 감추고 싶은 이야기들 등에 대해 어떻게 할 것인지를 고민하는 방향으로 진행하고 있습니다. Language model vs knowledge model 로의 논의에도 의미가 있다 하겠습니다. 출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/78 ( 2024. 9. 20. )

대학 교육 기타인공지능추천금융공학

인공지능과 추천 시스템 강의 노트 - (2/16)

학생들의 수는 그대로 78명으로 확정되었다. 주입식 혹은 강연 위주의 수업이 예상되는 부분이라 한계도 있겠지만, 기말 과제 혹은 다양한 소통의 방식으로 생각의 폭을 넓히는 데 거들 수 있으면 한다. 준비한 자료들2주) 강의 updateAI 강의 - 1강 AI 강의 - 2강 AI 강의 - 3강 9월 2주에 있었던 이슈들 위 업계 소식에서 하이퍼라이트 인용은 Matt Shumer의 반성문을 이야기하려 했음이다. https://x.com/mattshumer_/status/1833619390098510039 AI 강의 1강 - 3강작년에 발간된 박태웅 선배님의 AI 강의 책의 앞부분 역사적인 순간들에 대해 같이 다루었다. 직간접적인 현업에서 있었던 이야기들이라 덧댈 이야기들이 꽤 있었고, 아무래도 과제의 세 토픽 중에 인공 지능 이야기가 소재도 많고 관심도 많은 게 학생들의 호응에서 차이가 나는 거 같다.이 책 개정판이 2025년판이 출간되었다 하여 학기 중에 다루어 볼 심산이다. 미국 다녀 오면 실물이 가능할테고, 이론적인 부분이 많이 보강되었다 하는데, 기술적 내용에 비해서는 사회적 시각이 아무래도 다양하다 보니 개인적으로는 뒷부분이 더 어려운 주제인 거 같다.https://m.yes24.com/Goods/Detail/133308510 당연하게 중심에는 2022년 말의 ChatGPT 가 있고, 개인적으로 더 큰 변화였다는 Llama 이후 사회적인 이슈들, 따라 가기에만도 벅찬 쏟아지는 뉴스들과 그에 따르는 현업의 복잡한 사정들에 대해 이야기를 나누었다. 25마리 말 경주 문제를 칠판에 놓고 같이 이야기를 했었고, 4종 AI 에게 7마리일 때 어떻게 할 지 물어보았을 때 정답을 다 못 주는 걸 확인할 수 있었다.인공 지능 이야기를 주로 하게 되었고, 추천과 금융 토픽에 대해서 따로 진지하게 다루지는 못했다. 다음 강 시간에는 세간의 '추천' 제품, '추천 시스템'에 대해 주로 이야기를 시작하기로 했다. 쉬어가는 퀴즈Q. 챗지피티가 2023년 1월에 2달 걸려 MAU 기준 1억명을 최초로 모았다고 했는데, 2024년 9월 현재 기준으로 1억명 사용자를 모으는 데 더 짧은 시간이 걸린 서비스들은 ?힌트 1) 하나는 이전, 하나는 이후힌트 2) 하나는 게임. 그래도 퀴즈인데 싶어 inflearn 에 올려 놓은 내가 만들어 놓은 강의 수강권을 상품으로 놓았고, 수많은 오답들 끝에 두 학생이 맞추어 주어 부끄럽지만 상품을 전해 줄 수 있었다. 맺으며이번 수업을 끝으로 추석 연휴가 시작이 되었다. 나도 미국으로 건너 가서 다음 2주는 미국에서 온라인으로 진행해야 하는 추가 난이도가 생겼고, 연휴 사이에 있는 다음 주는 출석 검사를 따로 하지 않고, 비디오 클립들을 같이 보는 시간으로 따로 할애하기로 했다. 출처 : 브런치 매거진 KAIST DFMBA 2024https://brunch.co.kr/@chaesang/77 ( 2024. 9. 13. )

대학 교육 기타인공지능추천금융경영

인공지능과 추천 시스템 강의 노트 - (1/16)

들어가며아직 더위가 한창인 여의도 강의장을 9개월만에 다시 방문하였다. 전임교수 등록이 말소되었다가 다시 신청하는 등 사소한 해프닝이 있었지만, 위치도 그대로고 강의장도 여전했다. 이번 학기의 회사, 숙소인 분당 정자역에서 여의도까지 금요일 오후의 출퇴근 길은 꽤 어려운 일이 되었지만, 작년에 한 번 해 봤다고 금방 익숙해 지는 느낌도 있고, 지원팀 분들의 친절함마저도 익숙하게 느껴졌다. 흐리지만 탁 트인 여의도 강의장과 넙죽이 원래 이 강의는 정원 60명인 DFMBA 과정에서 개설된 것이지만, 일단 그 과정의 학생들이 수강하고 남는 자리는 다른 대학원에도 오픈이 되어 총 78명이 수강하게 되었다. 정보경영 등 다른 과정에서 신청하는 학생들이 절반에 가깝게 되었다. 금요일 오후에 다른 과목이 없어서 대형 강의동을 비롯한 한 층 전체를 쓰는 셈이 되었고, 과목 조교 두 명이 수고가 많겠다는 생각이 든다.아직 전업 교수가 아니라 과목에 대한 어떤 기대치를 놓아야 하는지 걱정도 있지만, 학생들 사이에 그냥 가서 듣고 조금만 뭐 더 하면 학점 준다더라 같은 평만 아니면 좋겠고, 인연 닿는 친구들에게 도움이 되는 부분이 있으면 하는 마음이 끝까지 가면 한다. 준비한 자료들1주) 강의 소개 - 인공지능과 추천시스템  2024년 2학기 1주) 금융 - 시작하며1주) 인공 지능 - 시작하며1주) 추천 시스템 - 시작하며한 학기 동안 다루게 될 내용들 나눈 이야기들일단 첫번째 주에는 내 이야기를 하는 것으로 시작하게 되었다. 오랜 기간, 90% 이상 현업에서의 일들에서의 이야기들을 전하는 게 이 과목의 목표이기에 변경을 해야 하겠다는 학생들이 있으면 그 기회를 주는 게 맞다고도 생각해서 첫 시간은 내가 했던 역할들, 맡았던 과제들, 풀었던 문제들에 대해 큰 틀에서 이야기를 했다.한 학기 내내 힘 닿는 대로 세 가지 키워드들 ‘금융', ‘인공 지능', ‘추천 시스템' 에 대해 이야기를 나누는데, 워낙 여러 의미로 쓰이는 단어들인지라 여러 단상들에 대해 먼저 이야기들을 했다. 세 주제에 대한 경험들, 최근의 단상들, 앞으로의 기대들에 대한 이야기들을 나누는 것이었고, 각종 키워드들로 시작했다. 상대적으로 '금융'에 대한 이야기들이 적어질까 걱정이 되지만, 이는 계속 채워 나가야 할 부분으로 생각한다.그리고 각 주별 수업의 구성, 기말 과제 소개, 조교들과 오피스 아워를 통한 조절 등 한 학기를 준비하는 내용들을 나누었다. 소통이 잘 되고 있는 걸까 궁금함이 남아 있지만, 필요로 하는 이들에게 닿기를 바란다.출처 : 브런치 매거진 KAIST DFMBA 2024 https://brunch.co.kr/@chaesang/76 ( 2024. 9. 6. )

대학 교육 기타인공지능추천금융경영

인공지능과 추천 시스템 강의 노트 - (0/16)

들어가며작년에 이어 올해에도 KAIST 경영대학원의 Digital Finance MBA 과정에 같은 과목의 강의를 의뢰받았다. 작년의 강의는 초보 교수의 어색한 진행, 원격 수업의 빈도가 높을 수밖에 없던 개인적인 사정, 문과와 이과가 모여 있는 수강생 그룹 등의 난이도가 있어 호불호가 꽤 갈렸고, 따라서 강의 평가가 평균보다 낮았었는데, 그래도 다른 과목들에서 채워 주지 못하는 부분을 다시 부탁을 주셔서 한 학기 더 해 보기로 하였다.장소와 조건은 작년과 같이 여의도 IFC 빌딩 17층. 금요일 오후 7시-10시, 16주 수업. 임용은 2024년 8월 말부터 1년간. 1주일에 반나절을 선생님으로 지내 보겠다고 하는 개인적인 목표를 유지하며 달성하고 싶고, 일상 시간을 같이 보내고 있는 회사 관계자들께 폐가 가지 않도록 하면서 한국과 미국을 오가려면 긴장을 더 하고 열심히 살아야 겠다는 다짐을 해 본다.올해는 현재 연구소장을 맡고 있는 인이지(https://www.ineeji.com/ )에서 서류 지원을 해 주셨고, 역시 여러 마음이 들지만 작년과 같이 거창한 생각보다는 직장인들이 업무 후 시간 내서 도전하는 그 노력들에 조그만 도움이라도 되면 싶었고, 여러 이야기들을 나누며 들을 수 있으면 하는 생각을 한다. 다만 불금 오후에 분당에서 여의도로 출퇴근은 꽤 난이도가 있어 보인다. 작년 강의에서 괜찮았던 점들기말 프로젝트를 발표함에 있어 가제출 - 피드백 - 발표의 사이클이 내용들을 풍부하게 하는 데 도움을 주었다. 출장 등의 공결을 고려한 자유로운 시간 배치도 그 자체로는 좋았다는 생각이다.인공 지능 부분과 추천 시스템 부분을 나누어 두 개의 다른 이야기를 한 시간씩 풀어 나갔는데, 학기 초에 소재가 충분했을 때는 도움이 많이 되었다. 특히 인공 지능 쪽은 북클럽의 책 같이 읽기와 같은 기대를 했었는데, 갓 출간된 교재 덕을 본 거 같다.기술과 거리가 있는 절반의 학생들을 바라 보느라 라이브 코딩을 몇 번 못 했는데, 의외로(?) 반응들이 괜찮았었다.매 주 15분 앞에 그 주에 있었던 AI 관련 뉴스 읽기를 했는데, 좋은 평가들을 받았었다. 작년 강의에서 아쉬웠던 점들학기말 프로젝트들을 운영했는데, 각 과제들마다 시간 제한을 제대로 하지 못해서 몇몇 과제들에 대해서는 아무말 대잔치처럼 흘러 가는 것에 대한 불만이 있었다. 이 부분은 강제 리모트 상황도 같이 겹쳐서 아쉬움이 많이 남는 부분이다.수업 중간에 비디오클립을 공유했었는데, 절반 정도는 반응이 좋았지만, 가끔 뜬금 없는 내용들이 15분씩 차지하게 되는 것에 대해서는 불만들이 있었다. 처음 몇 번에 만족했었어야 하는 생각이고, 하반기에는 억지로 비디오 클립을 찾는 노력이 불필요했던 거 같다.금융회사의 경영 혹은 기획 부서들과 전산쪽의 기술자들이 한 자리에 모여 있는 상황이어서 양쪽을 동시에 만족시키지 못하는 상황이 되기도 했었다. 코딩 관련해서 준비한 내용들도 있었지만, 선을 넘지 못한 느낌이었다.자유로운 간담회를 운영할 수 있었는데 개인 사정으로 학기말에 가까워서 운영하게 되었다. 학기 앞쪽에 시간을 냈었어야 하는 아쉬움이 있다. 올해 계획교재 3권을 골랐고, 이를 최대한 '인공 지능', '추천 시스템'의 두 토픽으로 나누어서 진행하려 한다.추천 시스템 입문 (Recommender System ) - 한빛 미디어 GPT-4를 활용한 인공지능 앱 개발 - 한빛 미디어 금융 전문가를 위한 머신러닝 알고리즘 - 위키북스 이 교과서에 있는 내용들은 GPT 이전 시대의 논의 거리들을 모으고 있어 책 내용을 훑는 것들 심지어 GPT4 조차도 옛날 이야기가 되어 버리게 되어 잘 섞어서 써야 겠다는 생각이다. state-of AI 등을 위한 공간, 특강을 위한 공간 등을 채워 보리라는 생각이다. 이 매거진을 이용해서 자료들을 모을 생각이고, 기록으로 남아 필요한 분들께 도움이 되면 하다.출처 : 브런치 매거진 KAIST DFMBA 2024 https://brunch.co.kr/@chaesang/74 ( Aug 22. 2024 )

대학 교육 기타인공지능추천금융경영

채널톡 아이콘