June AI

개발자보다 미용사가 안전하다?레딧 투표로 본 AI 시대의 생존법요즘 취업 시장의 불문율이 깨지고 있다. "코딩을 배우면 평생 먹고산다"는 말은 이제 옛말이 되었다.생성형 AI(Generative AI)가 등장하면서, 화이트칼라 직군이 오히려 대체 위기에 처했기 때문이다.많은 사람들이 의사, 변호사, 개발자 같은 전문직이 AI로부터 안전할 것이라 막연히 믿는다.하지만 전 세계 최대 커뮤니티인 레딧(Reddit)에서 진행된 투표와 토론 결과는 정반대였다.수천 명의 유저들이 꼽은 'AI가 절대 대체 못 할 직업 1위'는 개발자가 아니었다. 바로 '미용사(Hairdresser)'였다.최첨단 기술 시대에 왜 하필 미용사일까? 이 의외의 결과를 뜯어보면, AI 서비스 기획자가 반드시 알아야 할 기술적 한계와 인간의..

AI가 자꾸 거짓말을 한다면?기획자가 꼭 알아야 할 RAG와 Vector DB요즘 IT 업계의 가장 뜨거운 감자는 단연 생성형 AI(LLM)다.많은 기획자들이 자사 서비스에 챗GPT 같은 AI를 도입하려고 고민하고 있을 것이다.하지만 막상 도입하려고 보면 큰 벽에 부딪힌다.기획자로서 야심 차게 AI 도입을 준비하다 보면, 곧바로 현실적인 3가지 문제를 맞닥뜨리기 때문이다.첫째, '거짓말쟁이 AI'다. (할루시네이션 문제)정확한 정보 제공이 생명인 기업 서비스에서 AI가 모르는 내용을 아주 당당하게 지어낸다."우리 회사 규정을 물어봤는데, 없는 규정을 만들어서 대답한다."고객에게 잘못된 정보를 안내했을 때 그 책임은 오롯이 서비스의 몫이 된다.둘째, '게으른 AI'다. (최신성 문제)AI는 학습 시점 이후..

AI는 도구가 아닌, 새로운 종(Species)의 출현이다아직 우린 AI를 생산성을 높여주는 '도구'로 여기고 있다.나 또한 업무, 여행, 일상에 AI를 도구처럼 사용하고 있다.하지만 AI를 단순히 도구라고 치부하기에는 마음 속 한켠에내 일자리를 뺏길지도 모른다는, 내가 AI에게 지배당할지 모른다는 불안감이 자리잡고 있다.내가 제어하고 활용하는 도구를 넘어서나의 생존을 위협하는 어떤 생명체라 여기고 있는 것이다.즉, AI를 새로운 종(Species)의 출현이라고 인식하고 있는 것이다.도구(Tool)와 종(Species)의 차이그렇다면 과연 AI는 '종(Species)'의 조건을 충족하고 있을까?먼저, 우리가 정의하는 전통적인 도구와 종의 특성을 비교해 보았다.비교 항목도구 (Tool)종 (Species)..

2024년이 '생성형 AI의 태동기'였다면, 2025년은 '리얼타임(Real-time) 상호작용의 시대'라고 볼 수 있습니다. 텍스트 채팅을 넘어, 사람과 대화하듯 끊김 없이 음성을 주고받고,심지어 화면을 보며 이야기하는 멀티모달 경험이 필수가 되고 있습니다. OpenAI Realtime API와 Gemini Live API을 모두 써보면서 느낀점을 적어보겠습니다.참고로 Open AI Realtime API은 2025년 10월 기준, Gemini Live API는 2025년 12월 기준으로 사용한 경험을 토대로 합니다. 요약비교 항목 OpenAI Realtime APIGemini Live API기반 모델gpt-realtime (2025.10)gemini-2.5-flash (2025.12)음성 품질 (감성..

ROC 곡선(Receiver Operating Characteristic Curve)ROC 곡선(Receiver Operation Characteristic Curve: 수신자 조작 특성 곡선)은 모든 분류 임계값(Classification Thresholds)에서 분류 모델의 성능을 보여주는 그래프입니다. 이 곡선은 두 매개변수를 갖습니다.TPR(True Positive Rate): 참 양성 비율(= 재현율) => TPR = TP / (TP + FN) FPR(False Positive Rate): 허위 양성 => FPR = FP / (FP + TN) ROC 곡선은 다양한 분류 임계값의 TPR과 FPR을 나타냅니다. 분류 임계값을 낮추면 더 많은 데이터가 양성으로 분류되어 거짓 양성(FP)과 참 양성(T..

분류 모델을 평가하는 방법으로 정확도(Accuracy) 외에도 정밀도와 재현율 이란 것이 있습니다. 이에 대한 이해를 도울 수 있는 좋은 자료를 아래의 링크로 첨부하겠습니다. 한 번 읽어 보시는 걸 추천드립니다! 링크: 조대협의 블로그 - 분류모델(Classification)의 성능 평가 이 포스트에서는 Machine Learning Crash Course에서 다루는 정밀도와 재현율에 관한 내용을 정리하도록 하겠습니다. 정밀도(Precision)정밀도(Precision): 양성으로 식별된 사례 중 실제로 양성이었던 사례의 비율은 어느 정도인가요? 정밀도는 다음과 같이 정의 됩니다.(거짓 양성이 없을 경우 모델의 정밀도는 1.0) 그럼 이번에는 이전 포스트에서 다룬 예시를 통해 정밀도를 계산해 보도록 하겠..

이번 포스트에서는 분류 작업에 로지스틱 회귀를 사용하는 방법과 분류 모델의 효과를 평가하는 방법에 대해서 알아보겠습니다. 로지스틱 회귀 모형에서 특정 이메일에 관해 스팸일 확률이 0.95가 반환 되었다면 이 이메일은 스팸일 가능성이 매우 높은 메일로 예측 할 수 있습니다. 이와 반대로 동일한 로지스틱 회귀 모형에서 예측 점수가 0.03인 이메일이라면 이 이메일은 스팸이 아닐 가능성이 높습니다. 그렇다면 만약 스팸이 확률이 0.6인 이메일은 어떻게 처리해야 할까요? 임계값(Threshold)우리는 이렇게 애매한 값을 이분법으로 확실히 분류를 할 기준이 필요로 합니다. 이 기준을 바로 임계값(Threshold)라고 합니다. 로지스틱 회귀 값을 이진 카테고리에 매핑(Mapping)하려면 분류 임계값(Class..

앞서 우리는 선형 회귀를 통해 주어진 데이터가 연속적인 값일 경우 하나의 선으로 회귀시키는 예측 모델을 만들었습니다. 그런데 만약 주어지는 데이터가 범주형이거나 특정 분류로 나눠지는 데이터일 경우 어떻게 해야 할까요? 예를 들어서 동전이 앞면이 나올지 뒷면이 나올지, 아니면 내일 비가 올지, 맑을지, 구름이 낄지 등과 같이 수량이 아닌 확률과 같은 범주형으로 데이터가 주어지는 경우 처럼 말이죠. 이때 사용하는 방법이 바로 로지스틱 회귀(Logistic Regression)입니다. 로지스틱 회귀(Logistic Regression)로지스틱 회귀법은 주어진 데이터가 1, 2, ..., 100 처럼 연속적인 값이 아닌, 동전이 앞면이 나올 확률, 내일 비가 올 확률과 같이 특정 분류로 나누어 지거나, 확률적으..

앞의 포스트에서 우리는 L2 정규화를 통해 모델이 학습 데이터에 과적합 되는 것을 막는 방법을 배웠습니다. 그럼 우리는 어느정도 정규화를 해야 좋은 모델을 얻을 수 있을까요? 이번 포스트에서는 정규화 항에 람다(Lambda)라는 정규화율(Regularization Rate)을 곱하여 정규화의 정도를 조정하는 것에 대해서 알아보도록 하겠습니다. 람다(Lambda)람다(Lambda)란 얼마나 정규화를 할지 조정하는 정규화율(Regularization Rate)입니다. 만약 람다 값을 높인다면 정규화 효과가 강화되어 아래와 같이 정규 분포 모양의 그래프가 그려집니다. 람다 값이 높은 모델 가중치 분포 그래프를 보면, 가중치의 평균 값에 가장 많은 빈도가 발생하는 뚜렷한 정규 분포의 모양을 나타내는 것을 알 수..

이번 포스트에서는 우리가 학습시키는 모델이 주어진 데이터 세트에만 과적합 되는 것을 방지하기 위해 정규화를 하는 방법에 대해서 다뤄보도록 하겠습니다. 위의 그림은 반복 학습 횟수에 대해 학습 세트(Training Data)와 검증 세트(Validation Data)의 손실을 일반화된 곡선으로 보여줍니다. 이를 보면, 학습 손실은 점차 감소하지만 검증 손실은 어느 순간부터 증가하는 것을 나타냅니다. 즉, 이 일반화 곡선은 모델이 학습 세트에 과적합되어 있다는 것을 의미합니다. 정규화를 통한 과적합 줄이기정규화란, 모델의 복잡도에 패널티를 줌으로써 과적합을 줄이는 것을 말합니다. 정규화 전략에는 크게 2가지가 있습니다.조기중단: 학습 데이터에 대해 손실이 특정 값에 수렴하기 전에 학습을 중단하는 방법 => ..