02.27 화 ( 0 ~ 32 )
풀링계층에서 처리함으로써 이미지 내에서 도안의 위치가 다소 변동되어도 그것을 흡수할 수 있게 되거나 데이터 양이 줄어 학습 단계에 걸리는 시간을 단축할 수 있다는 장점이 있습니다.
AI 모델 학습은 언제나 대용량 데이터에 기반한다. 데이터가 많을수록 학습 리소스는 늘어나며, 이는 비용과 직결된다. 비용을 줄이고자 학습 데이터를 효율적으로 처리하는 방법에 대한 연구도 필연적으로 따라온다.
02.28 수 ( 32 ~ 44 )
도구의 가치는 “풀고자 한 문제를 얼마나 잘 해결할 수 있는가?”에 있다. 시중에는 다양한 AI 도구들이 등장했고, 누구나 쉽게 접근해 사용할 수 있다. 현 시점에서 우리가 가져야 하는 역량은 AI를 도구로서 어떻게 활용할지 고민하는 것이다.
03.05 화 ( 44 ~ 82 )
AI 기술이 빠르게 발전함에 따라, 데이터 사업 시장도 눈에 띄게 성장하고 있다. 좋은 AI 모델을 만들기 위해선 좋은 데이터가 필요하다. 바꿔 말해, 데이터가 AI의 권력이다.
03.11 월 ( 82 ~ 104 )
AWS의 AI 서비스가 활성화 될수록 S3의 사용량도 비례해 증가한다. AI 모델을 구축하고, 서비스로 치환하기 위해선 대량의 데이터를 저장할 공간이 필요하다. 유저는 관리 및 유지 보수를 위해 aws 생태계에 존재하는 스토리지 서비스를 자연스럽게 선택하게 된다. 생태계를 만든다는 것은 이를 구성하는 요소들을 서로 순환하게 만든다는 말이다.
03.12 화 ( 104 ~ 111 )
우리가 일상에서 사용하는 서비스는 수많은 기술이 블록처럼 조합해 완성된다. 가령 요즘 쉽게 볼 수 있는 챗봇도 다양한 기술 개발로 인해 존재할 수 있게 됐다. 우선 사용자가 무슨 말을 했는지 이해할 수 있는 기술이 필요하다. 그리고, 말뭉치 속에서 정보를 추출하고, 이를 이해해서 DB 안에서 유의미한 데이터를 추출할 수 있는 기술도 필요하다. 또한, 추출한 데이터를 가공해 사용자가 쉽게 이해할 수 있는 구성으로 만들어야 하는 기술도 필요하다. 서비스를 볼 때, 이 서비스를 구성하는 기술 블록은 무엇인지 생각할 수 있는 습관을 기르자
03.15 금 ( 111 ~ 140 )
Amazon Forecase를 사용하면 누구나 쉽게 코딩 없이도 시계열 데이터를 이용해 예측 모델을 구현할 수 있다. 책을 읽을수록 접근할 수 있는 기술은 다양하고, 접근의 난도도 그렇게 높지 않음을 깨닫는다. 동시에 결국 가장 큰 문제는 기술을 접근하고자 한 나의 의지에 있음을 반성한다.
03.20 수 ( 140 ~ 174 )
AWS의 추천 알고리즘 모델에서 사용되는 필수 데이터 타입은 user id, item id 그리고 user-interaction id 다. Intraction의 범주를 어떻게 정의하고, 상품 조회, 체류도, 구매 등의 가중치를 어떻게 설정하느냐에 따라서도 결과가 더 달라지지 않을까!
03.25 월 ( 174 ~ 220 )
머신 러닝 모델을 위해서 데이터를 학습 데이터, 검증 데이터와 테스트 데이터로 나눠야 한다. 학습이 됐다고 해도 검증이 통과되지 못하면, 모델은 의미가 없어진다. 애초에 잘못 학습된 모델이니깐.
03.26 화 ( 220 ~ 241 )
AWS의 EC2 서비스는 다양한 인스턴스를 제공해 사용자가 자신의 요구 사항에 맞춰 인스턴스를 선택할 수 있도록 도와준다. 바꿔 말해, 다양한 옵션지를 제공하고 유저가 자신의 니즈에 맞춰 직접 고를 수 있는 상품이다.
