KPMG Future Academy AI 활용 데이터 분석가 3기 30일차 수업을 2024년 12월 30일에 참석했다.
오전 9시 - 11시에는 KPMG 정인혜 부장의 특강이 진행되었다. 오후 3시부터는 1차 프로젝트(물류, 금융, 커머스) 발표가 진행되었다.
- 특강 (KPMG 정인혜 부장)
- 1차 프로젝트
2.1. 발표 준비
2.2. 발표
1. 특강
ESG : 환경(Environment), 사회(Social), 지배구조(Governmence)
KPMG ESG IT 본부 정인혜 부장
ESG 시스템 및 공시보고 관련 특강을 들었다.
ESG는 투자자 및 소비자의 관점에서 법인 대상으로 실제 감리될 수 있다.
E 환경 기부변화 등
S 주로 설비 : 인권, 노동, 안전 관련
G 얼마나 투명한 경영 구조를 가졌는가. 수뢰 여부. (C 레벨에서 얼마나 일한 만큼 보상받는가)
실패 사례
1. 폭스바겐 디젤게이트 : 테스트 중에만 배출가스를 줄이는 방식으로 수치 조작. 실제로는 약 50배 이상의 배출가스 배출. 수십억 달러의 벌금, 주가 급락, 신뢰도 하락(회복이 어려움).
2. H&M 그린워싱 : Fast Fashion(2주 마다 패션 아이템이 바뀜) 친환경 제품 라인(컨셔스 컬렉션, Conscious Collection)을 고의 고가 판매. 실제로는 물을 20% 더 사용하고 합성섬유 혼용률로 72% 더 높은 수치. 500만 달러 이상 벌금.
성공 사례
1. 파타고니아 : 모든 면제품을 유기농 목화로 생산. 유기농, 친환경 소재로 공급망(최대 수천개의 협력사 포함)을 철저하게 관리.
Worn Wear 캠페인 : 어떤 의류 제품이든 무상으로 수선.
Don't Buy This Jacket : 중고거래 플랫폼도 직접 운영.
패션 커머스 시장 : 인체에 유해하고 환경에도 안 좋은 상황이 많음. 물 사용량과 오폐수 처리가 주로 문제시됨.
컨설팅 의뢰시 : 오폐수 처리량 공시에 대한 고민 등을 의뢰. 계측기 개선 방안 등을 도출해줌.
2. 프라이탁 : 트럭 덮개, 자동차 에어백, 안전벨트 등 버려지는 산업폐기물을 재료로 가방을 만드는 업사이클링 재생 패션 브랜드.
베스티에르 콜렉티브 사례 : 의류 폐기물의 심각성을 알리고 자원 순환을 위한 소비자의 '의식적인 소비' 문화를 권고.
수강생 관심사
통계학, 데이터사이언스 : 국내에서 G가 특별히 부족하다고 생각. 주식 등 개인투자 측면에서 ESG에 대한 관심을 갖게 되었음.
빅데이터 인문학 : 인지과학, 데이터 프로파일링 등 미시적인 이론과학에 대한 학문적인 관심. 본 프로젝트에서는 네트워크 기술에 특별히 더 관심이 있다. ESG가 화두가 된 지 얼마나 되었나? (교수 : ESG 화두 몇 년 안됐지만 늘 기업계의 화두였음. 재정적 제약이 생긴 코로나 2030년까지 블랙록에서 환경문제에 대한 솔루션 제시하도록하고 공시 조치하게 된 것이 핵심 계기.)
국제관계, 국제정치 : 디지털 전략 DX에 관심. ESG와 DX 간 떼려야 뗄 수 없는 관계. RA. ESG 실무 경험하였음.
물류 : 데이터 분석 SCM 분야로 진로 설계중. 공급망에서 ESG 측면은 고려사항. (교수 : 업스트림, 다운스트림 협력사 관리의 문제. 수기 관리 외 시스템에 대한 고민중. 파악도 안되는 업체가 많음. S사의 경우도 관리가 안되는 경우가 많음. 80% 관리만 해도 잘 하는 편. 2, 3차 용역사는 관리가 안 되는 것이 현실.)
생명공학, 벤처경영 : 전략 도출을 위한 데이터 분석에 관심을 갖게 됨. 짧은 기간 내에 원하는 데이터를 도출하기 위한 skill을 원하여 알고리즘 수업 등을 기대하고 있음. 전략적 방향성 제시를 위해 근거가 필요. (교수 : 기업의 내부 데이터도 분석해보았나? 데이터 백업은 항상 중요함. 기업 내부의 raw data를 많이 분석함. 컨설팅사에서 공시나 initiative에서 검토하도록 가공하는 작업. 현재 컨설턴트들이 투입되어 수기로 작업함. 해당 부분이 언젠가 자동화되어도 좋을 듯하다.)
국제경영학 : 은행 등에서 부동산 공실관리 등 일하면서 자동화에 관심. 회계법인에 관심이 있음. 이직시 도움될까하여 프로젝트에 참여. 재무쪽에 더 관심이 생김. (교수 : 컨설팅사에서도 재무쪽은 전문성이 특별히 더 소요됨.)
국문과, 산업심리학 : 소비자 트렌드 분석시 ESG 개념에 대해 배움. 소비자 심리에 이타적인 심리가 더 많이 작용된다고 배움. 가치중심 소비 지향. (교수 : 소비자가 가치소비를 위해 최대 40%까지 더 낼 의향이 있는 것으로 파악되었음.)
패션, 교육 : ESG보다는 사회적 가치 (소셜 임팩트)에 관심 있었음. 소셜밸류 프로젝트에 투입됨. 지역상생 프로그램에 참여하고자 하는 기업이 많았음. (교수 : 사회적 소셜 벤처에서 어떤 일을 했나?) 까르띠에 사회적 소셜 벤처에서 우먼 이니셔티브 중시하는 기업에 대해 캠페인 도출했다.
경영, 수학 : 기업재무 수업에서 ESG 기업사례 보고서 A4 2장 직접 해봄. LG 그룹의 사례를 직접 분석해봄.
경제학 : 통신 자회사에서 10년 DT팀에서 근무하면서 보고서, 의사결정 과정에서 ESG를 중심으로 언급해야해서 외부데이터를 직접 다룸. 회사 내부에서 ESG에 대응. (교수 : ESG 팀이 몇명으로 구성돼있었나?) 경영팀에서 1-2인이 담당. 신예 작가의 작품을 전시해주는 등의 기여 활동. (교수 : ESG 관련 담당자 현재 일반적으로 기업당 3-7명에 불과)
경영 의사결정 기준 변화
Single Botton Line : 재무적 가치만 측정 및 관리
Double Bottom Line : 재무적 가치와 ESG 가치를 동시에 측정 및 관리
기업 대응
1. 환경
SK ecoplant : 건설기업에서 폐기물 처리 기업으로 전환
GS 칼텍스 : 탄소 포집 등 저탄소 사업 개발 추진
bp : 전기차 충전소 등 친환경 포트폴리오 전환
sony : 혼다와 전기차 시장 진출
2. 사회 : 생산기지 다변화 및 책임 있는 원료 조달
삼성전자 : 중국 스마트폰 공장 철수. (미국에서 관세부과로 철수토록함. CRAM, IRAM 제조시 중국산을 사용 못 하도록 조치함) 반도체 미국 투자 진행. 텍사스 제2의 실리콘 밸리.
LG 에너지솔루션 : 아시아 중심에서 북미, 유럽으로 공급망 다변화.
intel : 불법 채굴 반도체 광물 사용 금지.
BMW : 인권, 노동 관련 공급망 리스크 제거.
3. 거버넌스
"이사회 경영하고 있는가?"
SK : 이사회 경영 제도화를 통해 투자자 대응
네이버 : ESG 경영혁신을 통한 기업가치 제고
애플 : 이사회 중심의 책임 경영 실행
BASF : ESG가 고려된 투자 심의 프로세스
ESG 공시 보고
KSSB, ISSB
AS-IS - Voluntary PR : GRI 표준
TO_BE - Mandatory IR : IFFS 지속가능성 공시 기준, 유럽 지속가능성 공시 기준, 미국 SEC 기후관련 공시 규칙, KSSB 지속가능성 공시 기준 공개 초안. (24')
지표 및 목표 < 위험관리 < 전략 < 지배구조
기업이 위험 및 기회를 어떻게 관리하고 있는지를 공시
TCFD
ESG 측면에서 공급망 관리 강조되고 있음.
이상기후로 건설업 원자재 수급 및 생산성 저하에 악영향.
가뭄때문에 열흘간 전기 끊긴 쓰촨성.
중국, 반도체 핵심 광물 통제 강화. 공급망 전쟁.
서방 및 러시아 : 에너지, 원자재 전쟁 고조. 우라늄 등 원자재 수출 제한 위협.
유럽 환경 규제 : 재생원료 안 쓰면 수출 못 한다. K-배터리 순환 경제 조성.
GE : 1,286개사에 대한 공급망 실사. 법규 위반, 인권 침해 발견된 71개사(6%) 거래 중단.
애플 : 1,121개사에 대한 공급망 실사. 강제노동, 인권 침해, 환경오염 발견된 24개사(2%) 거래 중단.
TotalEnergies : 프랑스, 우간다 인권, 환경보호단체 6곳은 우간다의 환경 및 주민인권에 심각한 위험 초래를 이유로 제소.
BASF : 경제, 환경 및 사회적 영향을 금전적 가치로 평가하는 Value-to-Society 모델 개발. 실용적 및 투명한 검증.
아디다스 : 141개사 공급망 실사 진행. 이중 강제노동, 아동노동, 열악한 근로환경 발견된 48개사(34%) 거래 중단.
BMW : 3,220개사에 대한 공급망 실사 진행. 환경오염, 산업안전 및 보건위생 미흡한 108개사(3%) 거래 중단.
EDF : 멕시코 및 유럽의 인권단체는 멕시코 Gunaa Sicaru 풍력단지에서 원주민 인권 및 재산권 위험을 이유로 제소.
H&M : 판매하는 모든 의류의 공급자 정보를 제공하고 공급망 내 위험요소 공개.
공급망 실사
ESG 공급망 관리
공급사 -> 제조/공급사 -> 소비자
- 공급사 : 원자재까지의 책임 확대
원자재 -> 공급자 : 업스트림 - 제조/공급사
조달 물류 -> 생산, 서비스 -> 운송, 판매 - 소비자
소비자 및 폐기 단계까지의 책임 확대
EU 지속가능성 실사지침
한국에서도 2년 내에 법제화될 예정
공급망 실사 지침 CSDDD
국내 시급성, 수요 분포
1. CBAM : 탄소 국경 제도 48.3%
2. 공급망 실사 23.9%
3. 포장재법 15.7%
4. CSRD 12.0%
5. 배터리 규제 1.2%
6. 에코디자인 0.4%
대응조직 구성 13.7%
진단 및 평가 시행 26.2%
컨설팅 시행 13.11%
별도 조치 없음 47.0%
국내 2년 내 법제화에 대한 부분은 기업공개 등 재무적 제약 혹은 공시 보고 수준은 아님.
환경부, 산자부 등 담당 미정.
벌금 부과에 대한 부분
공급망 실사시 안 된 업체에 대해.
계약 파기, 중단에 대한 민형사상 처벌의 부분 각국에 자발적으로 맡김.
CSDDD
올해 4월 벨기에에서 통과
EU 회원국 각자 법제화해라.
이후 유사하게 APAC에서도 진행중.
AI 활용시 ESG가 어떻게 솔루션 및 시스템에서 작동 및 수행 가능할지.
KPMG 플랫폼 : ESG LINC (azure)
AI 부서가 따로 있음.
Light House 개발 조직이 있음.
공시보고시 중대성 평가
기후변화, 오염물질, 수자원 영향
KPMG 플랫폼 : ESG LINC (azure)
보고서에서 법인 중계 부분
모회사
연결자회사
비연결 종속회사
등으로 연결하여 보고서 지표 관리하도록 함.
환경
가뭄, 산불, 물부족, ...
와이어프레임으로 제시. 실제로는 on-premise로 개발함.
ESRS
CSDDD (공급망 이슈에 관하 24' 하반기부터 : 시스템 구축 수요가 많음)
Q. 기업의 내부 데이터 제공 원할한지?
A. 컨설팅사에 다 오픈해야 수행 가능.
기업 현업의 업무담당자 대행이므로
PI로 새로운 방향 제시까지 포함하여 리드함.
고객사에서는 대부분 전부 공유함.
감사팀, 구매팀에서는 꺼려하는 경우가 꽤 있음.
예민한 담당자가 있음. (설득의 필요가 있음)
내부데이터가 곧 ESG 컨설팅사의 재료.
그 과정상에서 컨설팅사의 역량이 중요함.
scope 1 직접 고객사(원청사 등)에서는 필수조건이기 때문에 의무이며 대부분 제공함.
scope 2 전기 등 간접 에너지 관리시, 협력관계 (데이터를 안 주려고 함). 탄소배출량으로 원가 산정 등 추산이 가능한 경우 기밀로 하려는 경향이 강함) 우회하여 실제 말고 주변 데이터 등 추정치를 확보 시도함. 조직 경계가 넘어가는 순간 더 난감해짐.
scope 3 타회사 유통, 운송, 직원의 외근 등의 거리 등 간접 에너지 소비.
Q. 사회 분야에서 국내의 사후 처리를 고객사에서 얼마나 이행하는지
A. 민형사 등의 문제는 국제 관계사에서는 직접 관여하지 않음. 원청사에서 종속 관계의 협력사에는 의무 부과, 기타 협력사에서
Q. 특별히 데이터 분석시 수행이 난해한 부분
A. 정량 데이터 상의 재무적 데이터 포함 비재무적 데이터 고정연소 계량값. 정성 데이터 이사회 보유 여부 형식, 보고주기, 증빙 등 비정량 데이터. (논리적 입증 체계) 계획 수행 요구시 공시.
레거시 시스템에서 관리중이라고 파악했는데 실제로는 제대로된 데이터가 아닌 경우가 많음. 엑셀 등 누락치.
지표마다 데이터 대응. (데이터 분산 및 수집 및 기준에 부합시키도록 처리 및 정의)
고객사에서는 시스템 관리를 수요하고 있음.
Q. 교수 : AI 기술 위주로 수강중인가?
A. 선생님 : 머신러닝, 딥러닝으로 솔루션 제시를 준비하고 있다.
교수 : AI 할루시네이션이 우려되는 중. 데이터 정합성에 위배되는 경우 어려움이 생김. KPMG 현행보다 더 업그레이드된 시스템이 나오면 좋을 것 같다. 데이터만 입력만 해도 보고서 만들어주면 어마어마하게 절약됨. 완성도의 차이일 듯하다. 현재 시중에서 생성형AI 보고서가 훌륭하지는 않음.
현행 보고서 상에 협력사 보고서 포함하면 완성도가 올라갈 듯하다.
삼정KPMG
개발 및 컨설팅 양분야를 알고 있는 인재를 수요중.
데이터 분석 꼭 필요함.
고객사가 고충이 명확한 경우가 많음.
Q. ESG 분야 어떤 진입 전략이 있을지?
A. 사회공헌사업으로 시작하게 됨. 프로젝트 매니징, 개발 프로젝트 등 다수. LINC 프로젝트 리드. 변화가 많음. 내년 2월 ESG 인턴 공채 예정. 본 프로그램 통해서도 채용 예정.
Q. 컨설팅 수행시 가장 도움이 되는 능력이 있다면?
A. 커뮤니케이션 능력 당연. 고객사나 팀이 원하는 게 무엇일지를 파악. 메타인지. 유연성 필요. 컨설팅에서 가장 중요. 고객사의 말 바꿈에 휘둘리지 않으려고 공부를 많이 함. (일부 고객사를 중심으로 태세 전환하는 능력도 필요.)
Q. 컨설팅사에 필요한 기질이 있나?
A. 사람 만나는 게 좋아야하고, 파이터 기질이 있어야함. 논리를 가지고 명료. 근거 기반. 잘 전달. 일은 잘하는데 고객사와 커뮤니케이션이 안 되면 힘듦. 고객사와의 상호조율 능력이 주니어에서 시니어로 넘어갈 때 어려움. 설득을 위한 준비, 끈기 등. 컨설턴트가 되려면 질문을 잘하고 의문이 많아야함.
Q. 해양산업, 수산업, 해양에너지 프로젝트도 삼정KPMG 관련된 경우가 있는지?
A. ESG 본부에서는 아직 사례가 없음. ESG 관점에서 선박해운업 HMM 미팅 여러번 진행. 환경 외 공시, 협력사 관리, 내부 데이터 관리 관심.
2. 1차 프로젝트
2.1. 발표 준비
발표 준비
내가 속한 팀에서 머신 비전 기반으로 물류 반품상태를 판정하는 솔루션을 기획하였다. 따라서 관련하여 사용되기로 한 MEMSeg 및 PAnS 두 알고리즘에 대한 개요를 숙지하였다.
MEMSeg를 채택한 이유
-
다중 스케일 처리 능력
물체의 전반적 형태부터 미세 손상까지 다양한 크기의 특징 포착
메모리 모듈로 이전에 학습한 손상 패턴 활용
유사한 손상 패턴의 일관된 판정 가능 -
정밀한 세그멘테이션
물체의 손상 영역을 정확하게 구분
경계부분의 정교한 검출
다양한 크기의 결함을 놓치지 않음
PAnS를 채택한 이유
-
데이터 부족 문제 해결
합성 데이터 생성으로 학습 데이터 보강
페를린 노이즈로 자연스러운 결함 패턴 생성
다양한 손상 케이스 학습 가능 -
분포 간 차이 활용
정상과 비정상 샘플 간의 특징 차이 학습
결함의 미세한 특징 포착
결론 : 두 알고리즘 조합의 시너지, 상호 보완적 특성
MEMSeg: 정교한 세그멘테이션
PAnS: 데이터 증강 및 결함 특징 학습
다른 알고리즘 대비 장점:
YOLO 계열: 바운딩 박스만 제공하여 정밀도 낮음
U-Net: 메모리 증강이 없어 일관성 떨어짐
DeepLab: 복잡한 구조로 연산 비용 높음
머신비전 활용 사례
-
삼성전자 반도체 부문
메모리 기반 세그멘테이션과 노이즈 기반 데이터 증강을 결합한 웨이퍼 결함 검사 -
현대자동차 품질관리
차체 도장 결함 검사에 multi-scale 분석과 합성 데이터 생성 기법 활용
구체적인 알고리즘명은 공개되지 않음 -
LG디스플레이
OLED 패널 검사에 다중 스케일 분석과 데이터 증강 기법 활용
자체 개발 알고리즘으로 추정
이하 관련 이론.
MEMSeg와 PAnS
MEMSeg(Memory Enhanced Multi-scale Segmentation)란 Image Semantic Segmentation 기법을 바탕으로 반지도 학습을 통해 이상을 검출하는 e2e 딥러닝 기술이다.
이상치에 대한 객체 식별. 탐지 등에 대해서는 모델마다 다름.
*YOLO의 경우 탐지, 분류, segmentation를 포함.
다중 스케일 정보를 융합하는 것이 특징이다.
다중 스케일 정보 융합 참고 : https://throwexception.tistory.com/1100
Semantic Segmentation 참고 :
https://medium.com/hyunjulie/1%ED%8E%B8-semantic-segmentation-%EC%B2%AB%EA%B1%B8%EC%9D%8C-4180367ec9cb
Segmentation (분할) : 모든 픽셀의 레이블을 예측하며 FCN, SegNet, DeepLab 등의 모델이 있음.
instance segmentation과 semantic segmentation 차이
그 과정에서 convolution(합성곱) 원리와 pooling 과정을 통해 인코딩(다운샘플링), 디코딩(업샘플링)함.
PAnS(Progressive 점진적 + Anomaly 이상치 + Synthesis 합성)은 마스킹과 노이즈 생성을 반복하여 지도학습하는 딥러닝 기술이다.
PAnS는 평면 결함을 탐지하는 기법 중 하나로,
1. 2차원에서 페를린 노이즈(0~1 사이의 연속적인 값)를 발생시킴.
2. P(Perlin Noise)는 마스크 Mp를 생성하여 전이 효과와 결함 특성을 강화.
* binalization(이진화)란 임계값(threshold)을 기준으로 노이즈를 0 또는 1로 변환하는 과정. 결함 영역(1)과 정상 영역(0)을 구분.
** binalization(이진화)를 수행하면 급격한 0과 1의 구분이 생기며 분포 차이가 커지기 때문에 Foreground enhancement(결함 영역의 특성 강화. 경계 부근의 자연스러운 전이 효과 생성)를 수행함.
이 과정으로 실제와 유사한 결함 합성 데이터를 산출 가능함.
i = 원본이미지
m = 마스크 이미지
p = 노이즈
이상치 세분화(segmenting anomalies) 결과, 흰색(White)은 높은 이상치 점수를, 파란색(Blue)은 낮은 이상치 점수를 나타낸다.
PAnS 특징
1. '코사인 분류기'를 이용하여 프로토타입 기반으로 탐지 수행. 즉, 다른 기법들과 달리 확률모델(소프트맥스 분류기 - 함수 등)이 아닌 ‘코사인 유사도’를 사용하여 더욱 효과적으로 이상치 픽셀을 구별해낸다.
* 코사인 분류기 : 특징 공간에서의 구분성이 향상되어 결함 패턴의 미세한 차이 구분, 다양한 스케일의 결함 검출 가능.
2. 페를린 노이즈는 결함을 시뮬레이션할 때 자연스러운 형태를 모사하면서도 제어가 용이하다.
3. 마스크(Mp)는 결함을 영역화할 때 사용된다. (정상 영역과 결함 영역을 구분)
2.2. 발표
발표 순서 3팀 (커머스) -> 2팀 (금융) -> 1팀 (물류)
3팀
!아무거나
긍정/부정 키워드 기반 필터링 적용하여 네이버 지도 리뷰와 매칭되는 메뉴를 보유한 음식점을 제공하는 API 서비스.
형태소 분석.
맛도리 알고리즘
Q. 리뷰수가 많을수록 점수가 높아짐. (오래됐을수록, 맛집으로 알려졌을수록) 신규 매장의 콜드스타트는 어떻게 되나?
A. '식사 만족도 향상'이 목적인 만큼, 리뷰수 및 별점이 아무래도 중요하다. 해당 니즈에 맞추는 것이 더 낫다고 판단했다. 정규화 사용.
Q. 이 서비스가 고객에게 제공하는 핵심 가치는 무엇인가?
A. 배달앱으로 주문하지 않고 외식하는 고객 중심. 입소문 등 정보가 질적으로 충분하지 않고 양적으로 과잉인 면에 초점을 맞춰서 리뷰 홍보 시스템을 개선하고자 함.
Q. 네이버 지도 등 고객사에 대한 가치 제언은 무엇인가?
A. 양질의 맛에 대한 사용자 데이터를 수집하는 등 지표화하여 네이버 지도 서비스 품질을 개선.
Q. 고객 여정 : 소비자가 어떤 음식을 먹을지 선택하는 과정을 보조한다고 파악되는데 마지막 단계는 실제 주문이 결과일 것으로 파악된다. 구매 결정에 대한 서비스 시나리오가 없나?
A. 식성 정보를 수집.
2팀
1인 스타트업 창업자금 관리 서비스
타깃 고객사 : 지원금에 의존중인 스타트업
문제 정의 : 지출 관리를 못 함. 솔루션에서 흐름을 보여주겠다.
스타트업 5년 생존율 33.8% (프랑스 44.3%, 영국 41.1%)
개인 팡업 평균 생존 기간 2.6년
특징
1. 자금 흐름 시각화
2. 런웨이 및 경고 시스템
은행계좌, 신용카드 등 연동.
지원 프로그램 추천.
모니터링 및 알림 발송.
주/월 단위 재무 리포트.
Q. (첨언: 스타트업의 전략적 회계 자문 및 현금흐름 분석에 대하여 브릿지코드, 브릿지파트너스의 파트너스 플랫폼과 타입드 파이낸스와 유사한 것 같다. 재무 데이터 연동에 대한 차별점이 궁금하다.) 회계 자문이 절박한 영역은 과도하게 노출된 재무흐름보다는 폐쇄된 흐름이다. 스타트업의 재무 정보는 오히려 과도하게 시중에 유출된 재무흐름에 해당한다. 해당 시각화 과정이 적합한가?
A. 100인 이상 등의 기업에서는 회계자문이 충분히 되고 있다. 번레이트 등. 또한 1인 창업, 스타트업 등은 업체수가 많으며 지출관리가 안 된다고 파악하였음.
Q-1. (질문의 요지는 재무적 위험관리의 충분성이라기보다 현금흐름 가시화의 충분성에 대한 부분이었지만,) 알겠다.
Q. 서비스에서 가장 중요한 단계?
A. 대시보드다.
Q. 유사 서비스 등 개인 창업자의 재무흐름은 타 서비스가 많은데 특별히 더 차별점이 있나?
A. 더 논의해보겠다.
Q. 기능 중에 '자금 소진 속도를 보여주겠다. 절감방안을 제안한다'고 했는데 정부보조금, 대출 추천 등을 한다고 했다. 모든 사람이 받지 못 하는데 어떻게 운영할 계획인가?
A. 더 논의해보겠다.
Q. 유료인가?
A. 정부에 위탁판매시키고자 한다.
Q. 자금 소진 속도가 빠른 것이 무조건 나쁜가?
A. 알고리즘에 따라 보완하여 제안 가능하다.
Q. 금융데이터를 활용한 서비스다. 개인정보 문제가 늘 화두다. 금융데이터에는 개인정보를 식별가능하여 직접 사용불가능하다. 데이터 관리 방안이 마련되어있나?
A. 더 상의해보겠다.
Q. 자금 소진 관련하여 AI 관련 사업 지원이 많다고 했을 때, 지출증빙을 해야하지 않나? 데이터 어떻게 수집중인가?
A. 2차 프로젝트를 위해 sorting중이다.
1팀
역물류 프로세스상 반품 상태 판정 솔루션
: 결측치 등 모델 정확도, 성능 향상을 목표로 하고 있다. 교육 프로그램이니 만큼 그 점을 활용해서 시데이터 등을 결정하여 향후 프로젝트를 진행하겠다.
Q. 너무 축약된 관계로 설명을 더 해달라.
A. 역물류 프로세스 상에서 문제 여부를 파악하기 위해 blank service를 찾다보니 고안하게 됨.
취지 : 머신러닝, 딥러닝으로 전문 검품 인력을 자동화하겠다는 목적에서 출발하였다. 역물류 과정 상에서 기존 물류 솔루션이 경로 최적화 등 재판매, 재활용 등 물류 풀필먼트 서비스 자체에만 집중하고 있는 현상을 발견하였음. 이로 인해 검품 부분을 특정하여 서비스화하는 것을 고안하게 됨.
Q. 기술적 구현?
A. 반품 물류의 검품 과정을 딥러닝으로 자동화하겠다. 검품의 이미지에서 무엇이 정상이고 비정상인지 파악하는 데에 딥러닝을 활용하는 것.
정상 및 비정상을 판별하는 것이 핵심 서비스. 마스킹. 노이즈에서도 결함치 분석이 수행됨. 투명도 결함까지 지속 수행하여 이미지 segmentation 고도화.
인간이 이미지를 해석하는 방식과 AI가 이미지를 해석하는 과정이 다르므로 AI가 이미지를 더 제대로 해석하는 과정이 수행됨.
기술에 대한 방향 : 보완점 nn%까지 불량으로 판정할 것인지 등 의사결정이 필요함.
(라벨링이 주요 서비스 시나리오가 될 것이다.)
반품 상태 판정 후 리셀, 분해 등의 서비스 상의 분류 기준이 추후 프로젝트 내에서 개발 소요될 것으로 파악됨.
Q. 창고에서 검품시, 상품의 수에 따라 시스템 효율성이 갈릴 것 같다. 학습비용, 적용시의 검품 비용. 창고 규모가 다르다. 제품도 종류별로 다양할 것이다. 소물류, 중물류, 대물류 중 어디? 데이터의 사이즈가 다를 것 같다. 특별히 고려중인 상품군이 있나?
A. 미정이다. 물론 반품율이 높은 의류 산업일 수도 있다. 또한 검품과정이 이미 자동화된 곳도 있다. 타깃사 자체 인력 검품운영이 없는 곳이 초기의 타깃 고객사군일 것이다. 결품의 학습에는 industry 5.0 등 제조분야에서 기성 데이터를 많이 찾을 수 있다. *반지도 학습인 것이 중요하다.
Q. 물류에서 반품이 오면 제조사가 책임지나? 물류사가 책임지나?
A. RMA(Return Merchandise Authorization) 등 계약 및 정책에 따라 다르다.
Q. 로지텍 자동 검품과 같은 솔루션을 타 고객에도 적용하나? 모든 물품 판매에 적용 가능한가?
A. 주로 사고가 나는 구간 및 이상치가 급증한 시의적인 거점 위주로 솔루션을 시범 적용하는 게 필요할 것으로 파악된다. 재화에 대한 특이점은 미미하다.
Q. 역물류 과정 설명에서 창고까지의 배송 이후에는 왜 솔루션이 부재한가?
A. 반품 이후의 검품 과정에서 머신비전이 생각보다 잘 거르지 못 했을 가능성이 있다. 반품과정이 제조 과정에 비해 정형화되어있지 않기에 그럴 수 있다.(추정) 해당 오차에 대해 주의를 기울이고 있다.
발표를 마치고 이후 수업 진행 방향에 대해 설명을 들었다.
2차 프로젝트 전까지 약 한 달 남음.
NumPy, Pandas로 데이터 분석을 수행할 예정.
데이터 Matplot, 폴리움 등.
일변량, 이변량, 다변량 분석 등 방법론 학습.
데이터 수집.
확률, 분포 추리 통계.
T검정, 아노바.
유의성 검정.
머신러닝. 40h
회귀, 분류 알고리즘
랜덤포레스트 등
중요한 알고리즘 위주로 시간 배분 예정
빅데이터 분석기사 시험 범위와 수업 내용이 일부 중첩.
데이터 분석가 : 커뮤니케이터. 인사이트.
데이터 과학자 : 원리 중심.
유의성 파악 등 방법론 문제.
이후 전원 수강생 개인 면담을 오늘과 내일에 이어서 간단히 진행하였다.
