Aiden의 개인적인 이것저것 블로그

AI가 강조되고, 데이터를 기반으로한 BM 들이 더 많이 나오면서 xAI (Explainable AI) 중요성 또한 올라가고 있다. 사실 값만 잘 예측하면 되긴하지만, AI 자체에 소모되는 인프라 비용 등을 경영측에 설득하기 위해서, 그리고 해당 예측값이 DA 분야와 어떤 방식으로 결합할 수 있는지를 다른 부서 등에 설명 및 협업하려면 이런 '설명 가능한 AI'가 중요해지는 거라고 생각한다. 물론 관련 팀원 또한 해당 Feature Importance 같은 지표를 통해 모델을 직관적으로 개선하기도 더 쉽다. 따라서 일반적인 예측이나 분류작업에는 NN 모델보다는 Classical ML이 더 많이 채택되고 있다. 이런 XAI 중 가장 대중적으로 쓰이는 것이 SHAP (SHapley Additive exPl..

RAG는 어떤 팀은 '랙'으로, 어떤 회사는 '알에이지'라고 말하기도 한다. 그리고 출시된지 어언 2년정도 흘렀는데 여전히 둘의 단어는 통합이 안되었고, 명칭의 혼란만큼 RAG 자체의 한계도 다소 여전하다. LLM이 큰 반향을 일으킨 2023년 2월경, 많은 기업은 일단 tuning이라는 단어가 custom에 가깝다고 생각했는지 fine-tuning을 찾아헤메기 시작했다. 물론 fine-tuning은 좋은 방향이다. 돈이랑 데이터가 많다면 말이다. 특히 fine-tuning은 거대 모델을 local에 얹는 것도 부담스러웠지만, 이미 tuning 된 데이터를 바꾸는 일은 생각보다 더 어려운 일이였다. 데이터라는 것은 다소 변하고 수정되기 마련인데 fine-tuning은 그런 작업을 자주하기에는 다소 부담..

2010년대 정부와 기업이 매일같이 외치던 '빅데이터'를 지나 해당 빅데이터를 기반으로 ML을 전사적으로 도입하는 사례가 많이 느는 것 같다. 개인적으로는 순수 IT기업에서는 비용과 리소스가 많이 드는 ML 모델링보다는 실시간 웹훅, 소켓이나 초/분단위 등의 alert를 기반으로 많은 문제를 해결 및 대응하고 있는 것 같은데, 물리적인 시간과 비용에 대한 계산이 없는 순수 IT기반의 BM이라면 해당 방법이 훨씬 더 합리적일 수 있다. 다만 물리적인 개입이 필요한 BM을 코어로 가지고 있는 기업들 (ex. 배민, 쿠팡 등 ) 은 예측이나 분류치를 기반으로 물류 기반 선제 행동을 해야하기 때문에 ML이 적극적으로 쓰여지고 있다. ML 모델은 과거 if-else 정도의 아주 간단한 tree 형태의 모델만 사용..