제1장 AI 프로젝트의 핵심 인물은 문과 계열 AI 인재입니다. AI를 활용할 수 있는 인재가 되자. 거대한 디지털의 흐름에 올라타자 AI 지식은 ‘웬만큼’ 만으로도 충분하다 AI는 현대 직장인의 필수 기술이다 최강의 문과 계열 AI 인재로 가기 위한 필수 요건 도대체 AI란 무엇일까? 광의적인 AI와 협의적인 AI AI의 진화 과정을 4가지로 구분하면 핵심을 알 수 있다 AI 시스템의 기본 원리도 입력 데이터를 처리하여 출력하는 것이다. AI 프로젝트의 3가지 함정 [함정 ① 프로젝트의 목표가 모호한 상태로 시작하는 경우 [함정 ② AI 프로젝트는 데이터가 생명이다 [함정 ③ PoC의 무한 반복만 할 뿐 본격 도입까지 진행되지 않는다 문과 계열 AI 인재에게 필요한 3가지 능력 AI는 평소 생활 속 어디에 사용되고 있을까? AI로 무엇을 할 수 있을까? AI의 특기 분야 중 하나인 ‘화상 인식’ 스마트폰으로 익숙해진 ‘음성 인식’ AI의 ‘미래 예측’으로 무엇이 가능할까? AI 사례를 알아두면 아이디어가 샘솟는다 제2장 AI와 기계학습에 대한 기초 지식 ‘기계학습’이라는 말이 뭐지? ‘기계학습’은 AI를 뒷받침해주는 기술 중 하나이다 학습 과정은 ‘입력 → 학습모델 → 출력’이다 문과 계열 AI 인재가 알아야 할 기계학습 개념은 3가지뿐이다 기계학습의 3가지 학습법 기계학습 삼형제의 장남, 지도형 기계학습 디지털 사진의 위치 정보도 학습 데이터로 이용할 수 있다 데이터에 정답 라벨을 달아서 학습시킨다 요구되는 정확도는 프로젝트마다 다르다 분류 외에 미래 예측에도 강하다 [요약] 장남격인 지도형 기계학습은 ‘학습 데이터’로 힘을 발휘한다 차남, 비지도형 기계학습은 숨겨진 특징을 밝혀낸다 비지도형 기계학습은 요약에도 강하다 [요약] 비지도형 기계학습의 클러스터링은 요약에 강하다 강화학습은 스스로 점점 똑똑해진다 강화학습의 기능은 사람의 지능에 가깝다? [요약] 강화학습은 보상을 주면 성장한다 AI 활용의 핵심을 쥐고 있는 딥러닝 딥러닝은 기계학습 삼형제의 여동생 개념이다 딥러닝의 대표적인 알고리즘 현재 AI의 4가지 취약점 AI는 만능이 아니다! 여전히 취약한 부분들 [취약점 ① 소량의 데이터로는 추리하기가 어렵다 [취약점 ② ‘합리적이지 않은 판단’을 내리기가 어렵다 [취약점 ③ 문맥에서 의미 파악하기가 어렵다 [취약점 ④ 임기응변에 대응하기가 어렵다 제3장 [기획력] 가설과 현장의 목소리를 형상화한다 어디에 AI를 사용할 것인가? AI 프로젝트의 목표는 효율화(업무 개선) 또는 새로운 콘텐츠? 프로젝트의 목표는 2가지 중 하나이다 프로젝트의 대략적인 흐름을 확인하자 AI로 어떤 과제를 해결하고 싶은가? 업무 과제를 발견해내는 3가지 질문 [사례 연구] 콜센터의 인력 부족을 해소하고 싶다 결론부터 생각한 후에 전체를 한 번에 파악한다 3단계로 가설을 세운다 AI의 ‘작업’과 ‘기술’을 구분해서 생각해본다 [1단계] AI의 ‘작업’에서 추리한다 AI가 잘하는 작업에 초점을 맞춰 생각해본다 [지도형 기계학습 ① 분류 [지도형 기계학습 ② 예측 [비지도형 기계학습 ③ 클러스터링 [비지도형 기계학습 ④ 차원 축소 [강화학습 ⑤ 행동 패턴 학습 [2단계] AI의 ‘기술’에서 추리한다 화상 인식이나 음성 인식은 다양한 용도로 사용된다 [사례 연구] 콜센터의 자동 음성은 어떻게 만들어졌을까? [3단계] 목표를 이미지화한다 입력부터 출력까지의 흐름을 정리한다 AI에서 한 발짝 떨어져서 고객 입장에서 기획을 재검토하는 것도 중요하다 [고객 여정 지도] 고객의 도달 과정과 행동을 가시화한다 CJM에서 무엇을 파악할 수 있는가? 고객 시점에서 자사 서비스의 제공 범위를 재검토해보자 [KPI] 프로젝트의 목표를 수치화한다 업무 개선도 KPI로 관리한다 ‘요건 정의’는 전문가에게 맡겨 마무리한다 ‘요건 정의’는 AI 시스템의 사양서이다 제4장 [분석력] 데이터가 프로젝트의 성패를 쥐고 있다 어떤 데이터를 이용할 것인가? 프로젝트 팀의 역할과 멤버 구성 역할을 이해하여 최적의 체제를 갖춰보자 [벤더 ① AI 도입을 위해 폭넓게 제대로 지원 [벤더 ② 개발팀의 역할은 3가지로 구분하여 생각한다 AI의 학습에 필요한 데이터를 준비 문과 계열 AI 인재를 중심으로 학습 데이터 준비를 진행한다 ‘데이터’란 무엇인가? AI에서 사용할 수 있는 5가지 종류의 디지털 데이터 데이터를 가공해서 ‘사용 가능한 상태’로 만들어야 한다 무작정 모은 데이터는 사용할 수 없을 수도 있다 [해결책 ① 클렌징으로 질을 높인다 [해결책 ② 공개 데이터 세트를 활용한다 [해결책 ③ 데이터 세트를 새롭게 만든다 대량의 데이터를 정확하게 라벨링하기 어노테이션은 AI 개발에서 매우 중요하다 [사례 연구] 통신 판매 사이트의 챗봇 읽는 사람의 관점에서 매뉴얼을 작성하자 주관에 의지하는 어노테이션이란? 어노테이션을 외주로 주고 싶지만 비용이 걱정되는 경우 학습모델의 평가 방법을 알고 싶어! AI의 정확도는 어느 정도까지 요구할 수 있는가? AI의 정확도는 어떻게 판정하는가? ‘긍정의 정답’ 비율에 중점을 두는 적합률 정답을 놓치지 않으려면 재현율, 균형을 생각할 때는 F값 데이터 세트 종류와 사용 방법 기계학습에서 사용하는 3종류의 데이터 세트 사고 훈련으로 상상을 넓혀보자 제5장 [추진력] AI 시스템 도입을 위한 7단계 - 어디를 향해 나아갈 것인가? 기계학습의 개발 과정에 다가가다 ‘추진력’은 개발을 관리하는 능력이다 우선 7단계의 개발 절차를 파악하자 [1단계] 알고리즘 선택하기 알고리즘에 따라 AI의 정확도가 현격히 바뀐다?! 기계학습에 사용되는 대표적인 알고리즘 ‘분류’는 식별, ‘회귀’는 미래 예측! 비슷한 것끼리 그룹으로 묶는 ‘클러스터링’ [2단계] 데이터 정리하기 학습 데이터는 기계학습 엔지니어가 정리한다 [3단계] 프로토타입 개발하기 ‘프로토타입 모델’로 이미지를 공유한다 [4단계] PoC(포크) 본 개발 전 단계의 검증 및 데모 PoC를 진행할 필요가 없는 경우는 언제일까? PoC를 진행하는 최적의 시기는? 신기술과 조합하려면 서둘러서 PoC를 진행하라! 수정 및 검증을 반복하여 적절한 모델을 구축한다 지금 가능한 일과 가까운 미래에 가능한 일을 구분한다 과제 및 문제점을 정리하여 구분하자 [5단계] 개발하기 개발 기간 중에는 기계 학습 엔지니어를 돕는다 [6단계] 본격 도입하기 개발을 이어 나가면 AI 시스템이 진화한다 [7단계] 시스템 운용하기 관리 및 보수 방법을 결정하는 단계까지도 문과 계열 AI 인재의 업무이다 KPI의 결과를 살펴보면서 방향을 정하자 실패를 실패로 끝내지 않기 위한 마음가짐 제6장 AI를 사용해서 과제를 해결하고 싶다! [성공 사례 14] Introduction AI를 활용하여 비즈니스의 이상과 현실의 간극을 메운다! 01 찾기 힘든 IT 인재! 기계학습으로 대량의 결과를 추출 02 당신이 원하는 상품은 이것인가요? AI가 추천의 질을 높인다 03 위험 예지 활동을 AI로 지원! 건설 현장의 산업 재해를 방지한다 04 특정 장소를 방문한 사람들의 감상이나 인상 등을 데이터화 해 다시 방문할 수 있도록 매력적인 거리로 만든다 05 말투, 표정, 목소리를 수치로 평가. 첫인상이 좋아지도록 도와주는 지원 서비스 06 회전초밥 체인 ‘구라스시’가 참치의 품질을 판정하는 AI를 도입 07 영상과 GPS로 도로의 균열 및 파손을 감지! 인프라 정비에도 빼놓을 수 없는 AI 08 택배 회사의 운송장 집계를 자동화 데이터 입력 및 분리 시간을 단축 09 자주 사용하는 단어나 말버릇을 학습하여 점점 똑똑해지는 의사록 작성 툴 10 통신 판매 사이트 사용자의 질문에 높은 정확도로 대답해 주는 챗봇 11 아나운서 수준의 정확한 발음으로 뉴스를 읽어준다 12 ‘아이돌 자동 생성 AI’로 의류업계 버추얼 모델을 제작 13 글로벌 기업의 필수품은 기계학습을 통한 다언어 번역 툴 14 수다는 AI의 대화 엔진으로! 대화 상대가 되어 주는 로봇, Romi