AI 문제 해결의 공통 흐름
AICE의 여러 등급은 사용하는 도구가 달라도 문제 정의, 데이터 확인, 전처리, 모델 또는 AI 도구 적용, 결과 평가의 흐름을 공유합니다. 메뉴 이름이나 코드만 외우기보다 각 단계가 왜 필요한지 설명할 수 있어야 합니다.
1. 데이터 분석
문제 유형 구분
범주를 맞히면 분류, 연속된 수치를 예측하면 회귀입니다. 고객 이탈 여부는 분류이고 매출액 예측은 회귀에 가깝습니다.
데이터 품질 점검
행과 열의 의미, 데이터형, 결측치, 중복, 이상치, 타깃 분포를 먼저 봅니다. 식별자처럼 예측에 불필요하거나 누수를 일으키는 열도 찾아야 합니다.
시각화와 상관관계
히스토그램은 분포, 박스플롯은 사분위와 이상치, 산점도는 두 수치형 변수의 관계를 살펴보는 데 유용합니다. 상관관계만으로 인과관계를 단정하지 않습니다.
2. 데이터 전처리
결측치와 이상치
결측치는 무조건 삭제하거나 0으로 채우지 않습니다. 비율과 의미를 확인한 뒤 삭제, 대표값 대체 또는 별도 범주 처리 여부를 결정합니다. 이상치도 실제로 가능한 중요한 사례인지 입력 오류인지 먼저 판단합니다.
인코딩과 스케일링
순서가 없는 범주는 원핫 인코딩이 자주 쓰입니다. 수치 범위가 크게 다른 특성은 표준화나 정규화를 검토합니다. 전처리 기준은 학습 데이터에서 구한 뒤 테스트 데이터에 동일하게 적용해 누수를 막습니다.
학습·검증·테스트
학습 데이터는 모델을 만드는 데, 검증 데이터는 설정을 비교하는 데, 테스트 데이터는 최종 일반화 성능을 확인하는 데 사용합니다.
3. AI 모델링과 평가
분류에서는 정확도만 보지 말고 정밀도, 재현율, F1, 혼동행렬을 목적에 맞게 확인합니다. 회귀에서는 MAE, MSE, RMSE, 결정계수 등을 함께 해석합니다.
학습 성능만 높고 검증·테스트 성능이 크게 낮다면 과적합을 의심합니다. 데이터 품질, 특성 선택, 모델 복잡도, 규제, 교차 검증과 하이퍼파라미터를 차례로 확인하세요.
4. 생성형 AI와 Responsible AI
좋은 프롬프트는 목표, 배경 맥락, 필요한 입력, 제약 조건, 결과 형식과 평가 기준을 명확히 합니다. 첫 결과를 그대로 쓰기보다 누락·오류를 찾아 지시를 보완하며 반복 개선합니다.
생성 결과는 사실 오류와 환각 가능성이 있으므로 공식 원문과 대조합니다. 개인정보, 영업비밀, 저작권 자료를 입력하거나 활용할 때는 조직 정책과 이용 조건을 먼저 확인합니다.
5. 알고리즘과 AI 프로젝트
Future에서는 순차, 선택, 반복, 변수와 함수의 의미를 이해하고 블록을 조합해 시나리오를 완성합니다. 상위 단계로 갈수록 이미지·텍스트 데이터와 외부 API를 활용하는 프로젝트 범위가 넓어집니다.