HwangHub

지금까지의 프로그램은 개발자가 로직을 직접 구성하는 방식으로 만들어져 왔다. 하지만 머신러닝 또는 딥러닝으로 대표되는 인공지능 모델은 입력과 출력이라는 데이터를 바탕으로 추론 로직이 완성되는 형태이다. 즉, 코드 뿐만 아니라 학습에 사용되는 데이터 또한 로직을 구성하는 데에 큰 영향을 끼친다는 것이다. 기존의 프로그램은 개발자가 구성하는 로직이 그대로 규칙이 되는 반면, ML / DL 모델은 데이터가 그 규칙을 결정하는 데에 "매우 크게" 관여한다는 것이 포인트이다. 이에 따라 세간에서는 모델을 개발할 때 "Garbage in, Garbage out" 이라는 말을 많이 한다. 이 대목에서 생각해봐야 할 포인트가 있다. 만약 데이터가 편향되어 있다면 어쩌나.데이터의 편향성? 그게 문제가 될까? 된다. 위에..

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성되었습니다.패스트캠퍼스 링크: https://bit.ly/4hTSJNB 오늘 공부 시작은 오후 7시 경, 퇴근은 못했지만 이미지 빌드하는 등의 짬짬이 아무것도 할 수 없는 시간부터 슬슬 시작했다.  마친 시각은 9시 20분, 기록해야 할 시간이 필요하기 때문에 멈추고 글을 작성하는 중이다. 지난 주에 part 1을 열심히 들었고, 이번 주부터 본론으로 들어가고 있다. Part 1에서는 연구용 ML vs. 상품용 ML을 비교하며 우리가 이번 코스를 통해 MLOPS를 공부할 때 어떤 부분에 중점을 두고 파이프라인을 구성해야 하는지를 알 수 있었다. Part 1을 공부하면서 AI 공정성이 필요하다는 이야기를 이해할 수 있었다. 무슨 말인고 하니, 머신러닝 ..