Udemy 에 아주 좋은 강의가 있어서 소개합니다.
진짜 실전 AI 서비스를 기획할 때, 개발할 때 모두 필요한 내용만을 쏙쏙 추려서
이해하기 쉽게 시각화된 강의자료 속에 다양한 예시와 함께 담아냈습니다.
<실전 AI 서비스 기획> 강의는 Upstage AI 의 이활석 CTO님 직강인데요,
실전 AI서비스를 만드신 CTO님의 모든 경험이 강의에 아낌없이 녹아 있습니다.
강의 URL : https://www.udemy.com/course/upstage-jump-into-the-ai-world/
이 강의의 목표는 다음과 같습니다.
- ‘AI 기술을 제대로 활용할 수 있는가’에 대한 제대로 된 고민을 통해 AI 기술과 생태계, 비즈니스에 대한 지식을 학습할 수 있습니다.
- AI 제품 기획을 위한 A to Z 과정의 이해도를 높여, AI 비즈니스 Use case 발굴 및 제안할 수 있는 역량을 강화할 수 있습니다.
- AI 기술이 서비스와 비즈니스에 활용되는 사례를 이해하고, AI/ML기반의 서비스 기획 역량을 향상시킬 수 있습니다.
- AI 서비스 개발부터 배포 후 관리까지 과정별 필요한 역할을 이해함으로써 실무에 바로 적용할 수 있는 핵심 기술을 익힐 수 있습니다.
- AI 비즈니스에 적합한 서비스 기획과 시뮬레이션 경험을 통해 실무 감각을 배양할 수 있습니다.
이 강의는 총 3개의 세션으로 구성되어 있는데요,
첫번째 섹션 수강 후기를 먼저 정리합니다.
저는 개인적으로 AI의 분야 중 자연어처리 (=NLP), 그 중에서도 특히 기계번역 위주로 연구하고 일해 왔기 때문에
강의 내용을 추가적으로 설명하기 위해 자연어처리 및 기계번역의 예시를 주로 소개하겠습니다.
Session 1. AI 기술의 흐름과 원리
[1-1] Ambient Intelligence, 일상 속의 인공지능 서비스
일상에 편재하고 있는 AI 기술은 무엇일까요? 다양한 AI 기술의 서비스 적용 사례를 탐구합니다.
예시 : 문법 교정기, 번역기, 예술 작품, 자동 내비게이션, 대화(챗봇), 업무 계획 작성, 수학 교육, 검색, 생명공학
[1-2] AI Product Lifecycle, AI 제품의 라이프 사이클 한 판
AI 기술 기반의 제품을 만들 때 어떠한 일들이 일어날까요? 전체적인 프로세스를 조망해봅니다.
아래 그래프 한 장으로 강의 내용을 요약할 수 있습니다.
AI 제품 하나를 만들고 또 유지보수하는데 있어 필요한 카테고리를 정리했습니다.
[1-3] Software Program이란
Software Program?
= 특정 입력에 대해서 희망 출력이 나오게 하는 설명서
= 특정 입력에 대해서 희망 출력이 나오게 하는 연산들의 집합
= 그래서 입력도 숫자, 출력도 숫자 (컴퓨터는 숫자만 이해 가능)
= 입력값이 이미지든 텍스트든 숫자로 변환해서 Software Program 에 입력하면 출력도 숫자로만 나옴
기계번역의 경우 다음과 같이 문장의 단어들을 숫자로 변환해 번역기에 넣으면
번역결과를 숫자로 출력하고, 이를 다시 단어로 매칭시킵니다.
https://tutorials.pytorch.kr/_images/seq2seq.png
[1-4] SW Program 개발 방법론의 변화
소프트웨어 프로그램의 개발 방법론을 1.0부터 3.0 까지 총 3개 버전으로 크게 나누어 설명합니다.
강의에서는 각 버전별 개발 방법론을 이렇게 쉽게 설명하고 있는데요,
소프트웨어 프로그램의 역할을 빵 제조법(레시피) 를 찾아내는 것이라고 할 때,
이 빵 제조법을 찾는 주체가 사람인지, 기계인지에 따라 크게 1.0 과 2.0~3.0 이 나뉩니다.
- SW 1.0 : 사람이 찾는다
-- AI 도입 -- - SW 2.0 : 기계가 찾는다 (데이터를 모아 머신러닝/딥러닝 모델에 학습시키고, 모델의 학습 결과를 비교하여 최적의 레시피를 찾아낸다)
- 이 경우 각 태스크별로 모델을 각각 만들어야 합니다.
- SW 3.0 : 기계가 찾는다 (SW 2.0 과 거의 동일하나....)
- 하나의 거대 모델로 여러 개의 태스크를 처리할 수 있습니다.
개인적으로 SW 1.0 ➩ SW 2.0 ➩ SW 3.0 까지 진화하는 개발 방법론을 자연어처리에 한정하여 예시를 들자면,
한국어 문장을 영어로 번역할 때, SW 1.0 은 문법 구조를 이용하는 번역기이고,
SW 2.0 은 다량의 한국어 : 영어 문장 여러 개로 구성된 데이터셋을 머신러닝/딥러닝 모델에 학습시켜 만든 번역기이고,
SW 3.0 은 ChatGPT 가 그러하듯 문장을 영어로 번역해 줌은 물론 추가적으로 요약, 문법 교정까지 하나의 거대한 언어 모델 (LLM : Large Language Model) 로 수행 가능한 것으로 보았습니다.
[1-5] AI 기본 원리 이해
[1-4] 장에서는 비유로 설명했고, [1-5] 장에서는 더 나아가 AI 기본 원리를 정확한 용어를 사용해 설명합니다.
강의자료 마지막 장에서 강의 내용을 한번에 잘 설명하고 있습니다.
- 규칙 기반 프로그래밍 : 수동 작성 프로그램 (= 논리식을 이용해 결과 도출)
- 딥러닝 : 자동 프로그래밍 (계산 방식을 사람이 아니라 데이터를 학습한 딥러닝 모델이 찾는다)
- 사전학습&미세조정 : 딥러닝 서비스 개발 시 (1) 학습 데이터 준비 (2) 모델 학습 단계를 거침
- (2) 모델 학습 단계는 다시 2단계를 거침
- (2-1) 사전학습 (Pre-training) = 특징 찾기 = 데이터를 구분하는 일반적인 특징 학습
- (2-2) 미세조정 (Fine- tuning) = 판단 하기 = 데이터를 구분하기 위해 판단하는 로직만 새로 학습
- 초거대 모델 & 제로샷/퓨샷
최근 트렌드는 단연 초거대 모델 (LLM) 로, 하나의 모델을 이용해 여러 개의 태스크를 처리할 수 있게 되었습니다.
ChatGPT 를 이용하면 번역, 문법교정, 요약, 질의응답 모두가 가능한 것이 대표적인 예시인데요,
태스크별로 학습 데이터를 준비할 필요가 없고, 미세조정 (Fine-Tuning) 없이 하나의 모델로 많은 태스크에 대응이 가능합니다.
제로샷/퓨샷은 태스크에 있어 예시를 몇 개나 들어주는지의 차이일 뿐인데요,
강의자료에서는 이해하기 쉽도록 그림 한 장으로 요약했습니다.
[1-6] Sample Case 이해하기
예제 AI 서비스 하나를 가정하고, 서비스를 만들기 위해 필요한 각 단계에서 필요한 점에 대해 설명합니다.
제품 개발
1. 사전준비
제품 개발을 위한 준비 단계로, 필요한 요구사항을 파악하고, 일정을 수립하며, 법률적인 측면을 검토합니다.
2. 제품 개발
2-1. 데이터
데이터 수집, 전처리, 탐색 및 품질 평가 등을 통해 모델 학습에 필요한 데이터를 구축합니다.
2-2. 모델
적합한 알고리즘과 모델 아키텍처를 선택하고, 데이터를 활용하여 모델을 학습시키고 최적화합니다.
2-3. 상품화
서비스 요구조건에 맞는 시스템을 설계하고, 모델을 서비스에 통합합니다.
유지보수
제품의 지속적인 개선과 업데이트를 위해 유지보수를 수행하고, 모델 업데이트를 진행합니다.
이 과정에서 서비스 신뢰성을 유지해야 합니다.
해당 콘텐츠는 유데미로부터 강의 쿠폰을 제공받아 작성되었습니다.
