모델을 구현한 다음, 무엇을 해야 할까요?

모델을 학습시키고 성능 지표를 확인했다고 해서 AI 프로젝트가 끝나는 것은 아닙니다. 그 결과가 현업의 문제를 얼마나 해결했는지, 어떤 조건에서 신뢰할 수 있는지, 실제로 어떤 판단과 행동을 바꿀 수 있는지까지 확인해야 합니다. 이 책은 개별 알고리즘과 구현 방법을 프로젝트 전체의 흐름 속에 배치하여, 기술을 배우는 과정이 실제 문제 해결로 이어지도록 돕습니다.

필수 개념부터 프로젝트 설계, 실행과 완주까지

책은 세 단계로 구성됩니다. 1부에서는 머신러닝·딥러닝 기초, 일반화와 학습 성능 개선, CNN과 RNN, 랜덤포레스트와 오토인코더를 살펴봅니다. 각 모델의 원리와 함께 어떤 데이터에 적합하고, 어떤 조건에서 선택해야 하는지를 익힙니다. 2부에서는 STAR 프레임워크를 활용해 문제와 데이터, 모델, 목표 성능을 연결하고 미니 프로젝트로 기술적 가능성을 확인합니다. 3부에서는 데이터 정제와 모델 개선, 성과 정리와 후속 과제 설계, 설계 최적화와 AI 자동화의 책임까지 다룹니다.

현업의 모호한 문제를 실행 가능한 AI 프로젝트로 바꾸는 STAR 프레임워크

“AI를 도입하고 싶다”는 요구만으로는 프로젝트를 시작하기 어렵습니다. 무엇을 입력받아 무엇을 예측할지, 그 예측이 어떤 업무 판단에 쓰일지, 필요한 데이터와 라벨을 확보할 수 있을지 구체화해야 합니다. 이 책의 STAR 프레임워크는 프로젝트의 배경, 해결 과제, 실행 방법, 결과를 연결하여 이러한 질문을 체계적으로 점검하도록 돕습니다. 결과에서 한계가 드러나면 문제 정의와 실행 방법을 다시 검토하는 반복 구조를 통해, 처음의 설계를 현실에 맞게 발전시킬 수 있습니다.

실제 데이터와 산업 사례로 배우는 판단과 수정

자동차 테스트 시간의 이진 분류, 기상 시계열 예측, 유압 시스템 펌프 누설 이상 탐지 등 세 가지 미니 프로젝트를 통해 설계와 구현, 예비 성능 평가를 경험합니다. 이어 컨셉 차량의 충돌 성능 예측, 전기차 배터리 사용량 예측, 센서 데이터를 활용한 차량 이상 탐지 사례를 살펴봅니다. 데이터가 적거나 피처가 지나치게 많을 때, 연속적인 데이터를 학습 예제로 바꿔야 할 때, 이상 데이터의 라벨이 부족할 때 무엇을 바꿔야 하는지 구체적으로 이해할 수 있습니다.

성능을 높이는 것만큼 중요한, 멈추고 마무리하는 기준

목표 성능에 도달하지 못했다고 해서 모델을 계속 복잡하게 만드는 것이 답은 아닙니다. 결측 데이터와 이상치, 클래스 불균형, 데이터 분포, 모델 구성과 하이퍼파라미터를 차례로 점검하고 성능을 제한하는 원인을 찾아야 합니다. 동시에 현재까지 확보한 성과와 활용 범위를 명확히 하고, 남아 있는 한계를 다음 프로젝트의 과제로 전환할 수 있어야 합니다. 이 책은 성능 개선과 프로젝트 마무리를 함께 다루며, 결과를 현업 담당자와 의사결정자가 이해할 수 있는 형태로 전달하는 방법까지 안내합니다.

AI의 결과를 이해하고, 선택하고, 책임지는 사람을 위한 책

AI의 예측이 실제 행동으로 이어질수록 자동화의 범위와 사람의 역할은 더욱 중요해집니다. 이 책은 정보 제공, 추천과 사람의 승인, 자동 실행을 구분하고, 잘못된 판단의 영향과 예외 상황에 대한 대응을 함께 살펴봅니다. 부록에서는 생성형 AI와 LLM의 기본 원리와 활용 방법을 설명하며, 생성된 결과를 검증하고 현재 문제에 적절한지 판단하는 기준을 제시합니다.

각 장의 ‘현업 판단 포인트’와 미니 프로젝트는 개인 학습뿐 아니라 기업의 AI 교육, 실무 워크숍, 대학의 프로젝트 수업에도 활용할 수 있습니다. 모델을 직접 구현하는 개발자와 데이터 분석가는 물론, 프로젝트의 방향과 목표를 정해야 하는 기획자·PM·기술 리더가 함께 판단 기준을 공유하는 데 도움이 됩니다.

이 책의 주요 특징

• 문제 정의부터 현업 적용까지 이어지는 AI 프로젝트의 전체 흐름을 다룹니다.
• STAR 프레임워크로 프로젝트의 배경·과제·실행·결과를 구조화합니다.
• 데이터·모델·목표 성능을 연결하는 실무 판단 기준을 제시합니다.
• 목표 성능에 미치지 못했을 때의 진단과 수정 전략을 안내합니다.
• 제조·산업 현장의 실제 프로젝트 사례를 통해 설계와 수정 과정을 익힙니다.
• AI 자동화의 범위와 사람의 검토·책임까지 고려한 적용 기준을 설명합니다.

이런 독자에게 추천합니다

• 머신러닝·딥러닝을 배운 뒤 실제 프로젝트를 어떻게 시작할지 고민하는 개발자와 데이터 분석가
• 보유한 데이터로 해결할 수 있는 문제와 적절한 모델을 판단해야 하는 산업 현장 실무자
• AI 프로젝트의 목표와 성공 기준을 정해야 하는 기획자·PM·기술 리더
• 모델의 성능 개선에 막혀 데이터와 설계를 다시 점검하려는 프로젝트 담당자
• 이론과 실습을 실제 문제 해결로 연결하고 싶은 대학생·대학원생
• 기업 AI 교육과 프로젝트 수업을 설계하는 강사·교육 담당자

[1부 AI 프로젝트를 위한 필수 개념]

1장 머신러닝·딥러닝 기초

_1.1 머신러닝은 무엇을 학습하는가?

_1.2 최소제곱

_1.3 로지스틱 회귀

_1.4 DNN

_1.5 scikit-learn, TensorFlow 기초

_1.6 MNIST 데이터로 분류 모델 만들기

_1.7 현업 판단 포인트: 분류 문제 전환 기준

2장 모델의 일반화와 학습 성능 개선 기법

_2.1 데이터 관리: 분리 전략, 비율, 분포

_2.2 일반화

_2.3 가중치 초기화

_2.4 학습 안정화

_2.5 교차 검증

_2.6 하이퍼파라미터 탐색

_2.7 실습: Adult Income 데이터셋 전처리 및 성능 고도화

_2.8 현업 판단 포인트: 성능 고도화 적용 순서

3장 이미지 데이터를 위한 합성곱 신경망(CNN)

_3.1 Conv 계층

_3.2 풀링 계층

_3.3 전형적인 CNN 구조

_3.4 대표적인 CNN: AlexNet과 ResNet

_3.5 실습: CIFAR-10 기반 AlexNet과 ResNet 구현

_3.6 현업 판단 포인트: CNN 적용 판단 기준

4장 시계열과 순서 데이터를 위한 순환 신경망(RNN)

_4.1 시계열 데이터와 RNN

_4.2 순환 뉴런과 메모리 셀

_4.3 기본 RNN

_4.4 LSTM

_4.5 실습: IMDB 영화평 감정 분석

_4.6 현업 판단 포인트: RNN 적용 판단 기준

5장 소량 데이터에 강한 모델: 랜덤포레스트

_5.1 결정트리

_5.2 랜덤포레스트

_5.3 실습 1: Iris 데이터셋 기반 결정트리 분류

_5.4 실습 2: California Housing 데이터셋 기반 결정트리 회귀

_5.5 실습 3: 랜덤포레스트 구현

_5.6 현업 판단 포인트: 소량 데이터에서 랜덤포레스트 적용 판단 기준

6장 오토인코더를 활용한 이상 탐지 기법

_6.1 오토인코더의 구조와 학습

_6.2 오토인코더 기반 이상 탐지

_6.3 실습: ECG5000 기반 오토인코더 이상 탐지

_6.4 현업 판단 포인트: 오토인코더 활용 판단 기준

[2부 실패하지 않는 AI 프로젝트 설계]

7장 STAR 프레임워크를 활용한 AI 문제 정의와 프로젝트 설계

_7.1 Situation: 프로젝트 배경 및 도전 과제 정의

_7.2 Task: 해결해야 할 문제를 AI 문제로 바꾼다

_7.3 Activity: 데이터셋 기술, 모델 선택, 목표 성능 설정

_7.4 Result: 도전 과제 해결 여부 평가

_7.5 현업 판단 포인트: STAR 구조 적용 판단 기준

8장 AI 프로젝트 설계와 예비 검증 워크숍

_8.1 미니 프로젝트 1: 자동차 테스트 시간 이진 분류

_8.2 미니 프로젝트 2: 기상 시계열 예측

_8.3 미니 프로젝트 3: 유압 시스템 펌프 누설 이상 탐지

9장 현업 사례로 배우는 AI 프로젝트 설계 수정

_9.1 사례 1: 컨셉 차량의 충돌 성능 예측

_9.2 사례 2: 전기차에서 목적지까지의 배터리 사용량 예측

_9.3 사례 3: 센서 데이터를 활용한 차량 이상 탐지

[3부 AI 프로젝트 실행과 완주]

10장 현업 데이터 정제 및 전처리 전략

_10.1 데이터 유형별 전처리

_10.2 결측 데이터 처리 전략

_10.3 데이터 오염과 이상치 정제 전략

_10.4 클래스 불균형 처리 전략

_10.5 고차원 데이터의 차원 축소 전략

_10.6 추가 데이터 수집 판단

_10.7 현업 판단 포인트: 지금 이 데이터로 학습을 진행해도 되는가?

11장 목표 성능 달성을 위한 모델 구성과 개선 전략

_11.1 데이터 특성에 따른 모델 선택 전략

_11.2 여러 데이터 유형을 결합하는 모델 구성 전략

_11.3 서로 다른 데이터 분포를 위한 모델 구성 전략

_11.4 하이퍼파라미터 탐색과 성능 고도화 전략

_11.5 현업 판단 포인트: 목표 성능에 도달하지 못했을 때 무엇을 점검하고 바꿔야 하는가?

12장 프로젝트 성과 정리와 후속 과제 설계

_12.1 프로젝트의 성과·한계 확정과 향후 과제 설정 전략

_12.2 STAR 기반 최종 발표 전략

_12.3 현업 판단 포인트: 이 프로젝트를 마무리해도 되는가?

13장 예측 모델을 활용한 설계 인자 최적화

_13.1 머신러닝을 활용한 설계란?

_13.2 설계를 위한 볼록 최적화의 역할

_13.3 제약조건이 있는 설계 문제의 최적화

_13.4 설계 문제 구현을 위한 PyTorch autograd 사용법

_13.5 autograd를 활용한 설계 최적화

_13.6 현업 판단 포인트: 이 설계 최적화 결과를 실제로 활용해도 되는가?

14장 현업 적용을 위한 AI 자동화 범위와 책임 설계

_14.1 어디까지 AI에게 결정을 맡길 것인가?

_14.2 자동화 수준에 따라 책임 구조가 달라진다

_14.3 AI 기본법과 책임 있는 자동화

_14.4 현업 판단 포인트: 어디까지 자동화해도 되는가?

부록 A 소프트웨어 환경 설정

_A.1 Python과 Anaconda 설치

_A.2 Jupyter Notebook 사용

_A.3 Windows 네이티브 환경의 TensorFlow 2.9.1 GPU 가속 설정

부록 B 차원 축소

_B.1 차원 축소는 왜 필요한가?

_B.2 PCA를 이용한 차원 축소

_B.3 t-SNE를 이용한 데이터 시각화

_B.4 현업 판단 포인트: 어떤 차원 축소 방법을 사용할 것인가?

부록 C 전이학습

_C.1 사전학습 모델을 활용하는 방법

_C.2 전이학습 구현

_C.3 현업 판단 포인트: 언제 전이학습을 사용할 것인가?

부록 D 생성형 AI와 LLM

_D.1 생성형 AI는 예측 중심 AI와 무엇이 다른가?

_D.2 LLM은 어떻게 동작하는가?

_D.3 LLM을 현업에서 활용하는 방법

_D.4 현업 판단 포인트: LLM의 결과를 어떻게 판단할 것인가?