클릭 >> Hello, world !! (from ShadowEgo)

YouTube 영상 :

들어가며…

인공지능에 대한 관심도가 높아지면서, 관련 기술을 보유하고 있지는 못하지만 외부의 힘을 빌려서라도 자신의 비즈니스에 인공지능 기술을 적용해 보려고 하는 사람들이 늘어나고 있다. 본 포스트에서는, 인포리언스가 실제로 진행해 온 프로젝트들에서 얻은 경험과 주요 관련 사이트에 실린 분석 기사들을 토대로, 인공지능 기술을 비즈니스에 성공적으로 응용하기 위해서는 어떤 준비가 필요하며, 어떤 프로세스를 거쳐야 하는지에 대해 1차적으로 정리해 본다.

인공지능을 비즈니스에 쉽게 활용할 수 있을까?

인공지능에 대한 최근의 폭발적 관심에도 불구하고, 인공지능 및 데이터 분석 기반 프로젝트의 85%가 실패한다고 알려져 있다. [1] 도대체 왜 그런 걸까?

이러한 맥락에서, 최근에는 인공지능 기술을 응용하는 프로젝트가 왜 실패하는가에 대해 고찰한 기사들이 많이 제시되고 있다. [2-12] 기사들을 통해 확인한 대표적인 이유들을 정리해 보면 다음과 같다.

(1) 구체적인 기술과 구현과정에 대한 지식과 경험을 갖춘 사람을 만나기 어렵다. 인공지능 분야를 전공하고, 다양하고 실제적인 프로젝트를 기획단계에서부터 최종 구현단계까지 충실히 완료해 본 경험을 갖춘 사람을 만나기 어렵다. 만나게 되더라도, 그 사람이 특정 분야의 비즈니스 또는 특정 데이터에 꼭 맞는 능력과 경험을 가진 사람일 가능성 또한 그리 높지 않다. 인공지능의 세부분야도 꽤 다양하기 때문이다.

(2) 기술이 있어도, 데이터에 따라 성공 여부가 달라진다. 인공지능 프로젝트의 대부분은 데이터를 기반으로 진행된다. 따라서 운좋게 누군가의 도움과 협력을 구할 수 있는 상황이 된다 하더라도, 프로젝트에 필요한 데이터의 내용, 형태, 품질 및 용량 등이 세부분야에 따라 크게 달라진다는 점이 인공지능 프로젝트의 성공적인 진행을 어렵게 한다. 또한 이것은 인공지능 프로젝트의 성공 가능성을 미리 예측하기 어렵게 하는 이유가 되기도 한다. 달리 말하자면, 훌륭한 전문가 또는 경험자가 있더라도, 활용 대상이 되는 데이터 때문에 프로젝트가 실패할 수도 있는 것이다. 설상가상으로, 프로젝트가 진행되는 동안 새롭게 밝혀지는 데이터 특성으로 인해 프로젝트의 세부 진행, 심지어 전체적인 방향과 범위가 바뀔 수도 있다.

(3) 쓸모있는 결과보다 새로운 기술 적용에 초점을 맞추는 경우가 있다. 인공지능 관련 기술을 “비즈니스”에 적용하려는 가장 근본적인 이유는 추가적인 수익을 창출하는 것이다. 그럼에도 불구하고, 많은 인공지능 프로젝트들이 인공지능의 기술적 내용에만 초점을 맞추거나, 구체적인 성과가 없어도 인공지능 기술을 적용했다는 사실만으로 만족스럽게 생각하는 경우가 많다. 이렇게 되면 기술 개발의 노력이 수익 창출로 제대로 이어지지 못하게 된다.

(4) 충분하지 않은, 부적절한 커뮤니케이션에 의해 프로젝트가 무너진다. 모든 기술개발 프로젝트가 마찬가지겠지만, 특히 인공지능 관련 프로젝트에서는 프로젝트 관련자들 사이에서의 커뮤니케이션이 매우 중요하다. 이 문제에는, 비즈니스 관점에서 프로젝트를 보는 사람들과 기술적 관점에서 프로젝트를 이해하는 사람들 사이에서의 커뮤니케이션의 어려움 뿐만 아니라, 기술을 개발하는 개발자들 사이에서의 커뮤니케이션의 어려움도 포함된다. 다른 종류의 개발 프로젝트와는 달리, 인공지능, 특히 데이터 기반 프로젝트는 데이터를 핸들링하는 꽤 오랜 시간동안 ‘모호하고 답답한’ 상태가 지속될 수도 있는데, 시스템 개발자들의 관점에서는 이러한 상황이 매우 낯설게 느껴질 수 있기 때문이다.

어렵다고 하지만 그래도 잘 해보려면…

인공지능을 비즈니스에 성공적으로 적용하는 것이 어렵다고는 하지만, 그렇다고 포기할 수는 없다. 지금부터는 인공지능을 적절히 활용하기 위해서 어떻게 하면 좋을 지 생각해 보자. 이번 포스트에서는 다음과 같은 요소들에 대해 생각해 보기로 한다. (사실, 깊이 따지자면 생각해야 할 세부내용들이 아주 많지만, 우선 5가지만 고려해 보자.)

• 현황과 문제 파악
• 프로젝트 수행에 필요한 세부 요소들을 정의
• Communication 방법 및 Paperwork에 대한 정의
• Working model 의 구현과 검증
• 확보한 결과의 내재화 (internalization) 방안 마련

(1) 현황과 문제 파악

모든 프로젝트가 그렇듯이, 인공지능 프로젝트를 성공적으로 수행하여 비즈니스에 적용하기 위해서는 현재의 비즈니스 현황과 문제, 필요한 솔루션 등에 대하여 최대한 명확하게 파악하고 정리해야 한다. [5] 실제 비즈니스에서 나올 수 있는 예를 통해 인공지능 프로젝트를 위해 사전에 정리해야 할 요소들을 하나씩 살펴보자.

영어 교육 앱 서비스를 제공하는 회사A가 영어 독해 학습용 인공지능 웹 서비스를 만들기로 했다는 시나리오를 생각해 보자. 그리고 3D 프린터를 생산하는 회사B에서는 생산품의 품질을 자동으로 측정하는 인공지능 모듈을 만들기로 했다고 가정해 보자. (인포리언스는 이와 유사한 종류의 프로젝트를 실제로 진행한 경험이 있다.)

Situation

• 회사A
  • 고등학교 학생들을 대상으로 스마트폰 앱을 통해 독해 문제를 제공하고 있으며, 학생들이 제출한 답에 대한 부가설명을 선생님들이 직접 작성하고 있다.
  • 학생들이 문제를 풀고 나면 다음에 풀어볼 문제가 제공된다.
  • 특정 학생이 푼 문제와 해당 문제에 대한 정오답 여부, 그리고 선생님이 작성한 부가설명 데이터가 서버에 지속적으로 쌓이고 있다.
• 회사B
  • 3D 프린터를 생산하는 공장을 운영하고 있으며, 생산된 3D 프린터의 품질 상태를 측정하기 위해 3D 프린터를 시험적으로 동작시키는 동안 발생하는 소음을 체크하고 있다.

Problem

• 회사A
  • 학생 수와 문제 수가 많아 선생님들이 부가 설명을 작성하는 일에 너무 많은 시간을 소비하고 있다.
  • 부가 설명은 일부 주요 문제에 대해서만 제공되고 있다.
  • 다음에 풀어볼 문제가 무작위로 선택되어 제공되고 있어 학생의 수준이나 성향을 고려하지 못하고 있다.
  • 경쟁 업체의 경우, 인공지능을 적용한 맞춤형 학습 서비스를 제공하고 있어 주목을 받고 있다.
• 회사B
  • 3D 프린터의 소음을 작업자가 직접 듣고 품질을 평가하고 있다.
  • 생산되는 3D 프린터의 수가 많아 모든 프린터의 품질 상태를 체크하지 못하고 있으며, 무작위로 추출한 일부 생산품에 대해서만 품질을 평가하고 있다.
  • 작업자가 평가한 결과에 오류가 발생하고 있다.

Solution

• 회사A
  • 학생이 틀린 문제에 대한 부가설명을 자동적으로 생성, 제공하는 기능을 만든다.
  • 정오답 결과를 기반으로 학생의 수준과 성향을 파악한 후 이를 기반으로 다음에 풀어볼 문제를 추천하는 기능을 만든다.
  • 장기간에 걸쳐 쌓인 학생의 학습 히스토리를 기반으로 현재의 수준과 앞으로의 학습 방향에 대한 가이드를 자동적으로 생성, 제공하는 기능을 만든다.
• 회사B
  • 3D 프린터의 소음을 마이크로 녹음한다.
  • 녹음된 소음 상태를 자동적으로 분석하여 이상 여부를 평가하는 기능을 만든다.

Next step

• 회사A
  • 독해 문제 뿐만 아니라 어휘, 문법, 영작 문제에도 유사한 기술을 적용한다.
  • 영어 과목 뿐만 아니라 제2외국어 과목에도 유사한 기술을 적용한다.
• 회사B
  • 공장에서 생산하고 있는 다른 타입의 제품에도 적용한다.
  • 제품 뿐만 아니라 제품을 만드는 기계의 상태도 실시간으로 파악한다.

위의 내용은 회사A와 회사B가 인공지능 서비스를 만들기 위해 가장 먼저 고려해야 할 요소들의 예시를 보여준다. (회사A가 실제적으로 구현할 수 있는 실제적인 기능의 예시는 인포리언스의 관련 포스트[13]를, 회사B의 상황에 필요한 기능의 예시에 대해서는 인포리언스의 과거 포스트들[14 -16]을 참조한다.)

Situation 항목에서는 인공지능 서비스가 구현되기 전의 상태를 정리한다. Problem 항목에서는 현재의 상태에 어떤 문제가 있는지, 어떤 포인트에 개선할 부분이 있는지에 대해 정리한다. Solution 항목에서는 problem 항목에 정리된 내용들을 개선하기 위해서 어떠한 기능을 구현하고자 하는지에 대해 정리한다. 그리고 Next step에서는 구현된 기능을 어떻게 활용, 확장할 것인지에 대해서 정리한다.

사실 위의 내용들은, 인공지능 서비스를 구현할 경우에만 해당되는 것은 아니며, 모든 기술개발 프로젝트의 초기 단계에서 고려해야 할 일반적인 내용이라고 해도 전혀 이상하지 않다.

(2) 프로젝트 수행에 필요한 세부 요소들을 정의

AI Project Canvas [3] 에는 인공지능을 기반으로 한 연구개발 프로젝트를 진행하기 위해 고려해야 할 여러가지 요소들이 포함되어 있다. 전체 요소들 중에서, 연구개발을 수행하는 데에 직접적으로 관련되는 4가지 요소들에 대해서 살펴보자.

Data, data, data

인공지능 기술을 기반으로 진행되는 프로젝트에서 데이터만큼 중요한 것은 없다. 구현하고자 하는 기능에 적합한 데이터를 보유하고 있어야 하며, 데이터에 대하여 많이 파악하고 있을 수록 프로젝트의 성공 가능성이 높아진다. 데이터의 중요성은 다양한 관점에서 생각해 볼 수 있는데, 용량, 출처, 품질, 그리고 내용과 형태, 배경지식 등이다.

가장 먼저, 인공지능 모델을 학습시킬 수 있는 충분한 양의 데이터를 가지고 있어야 한다. 충분할 용량이 어느 정도인가에 대해서 콕 집어서 말할 수는 없지만, 활용할 수 있는 최대한의 데이터를 확보해야 한다. 회사A가 특정 학생의 학습 히스토리를 충분히 보유하고 있지 못하거나 회사B가 소음 데이터를 충분히 보유하고 있지 못하다면, 인공지능 모델로 하여금 학생의 특성과 수준, 독해 지문의 특성을 충분히 학습하거나 기계의 정상, 이상상태를 학습하게 할 수 없다. 

만약, 현재 보유하고 있는 데이터가 충분하지 않다면, 외부에서 추가적인 데이터를 끌어와야 할 수도 있다. 이러한 경우에는, 끌어올 데이터의 활용성 만큼 출처와 라이센싱 문제도 중요하게 검토해야 한다. 특히 데이터가 사람들에 대한 정보를 담고 있을 경우에는 개인정보보호 문제가 매우 중요해진다. 회사A의 경우, 이미 보유하고 있는 문항 데이터 외에, 고등학생들의 영어학습 수준에 맞는 corpus를 확보할 필요가 있다. 또한 학생들의 학습 히스토리는 개인정보이므로, 법적인 문제가 발생하지 않도록 신중하게 검토해야 한다. 회사B의 경우, 라이센스 문제없이 외부에 공개된 비슷한 기계 장치의 소음 데이터를 찾아 활용해 볼 수 있을 것이다. 

데이터는 활용하기에 적합한 내용과 형태로 구성되어 있어야 한다. 그렇지 않으면 목적에 맞게 데이터를 가공해야 한다. 사실, 데이터의 가공과정에는 데이터에 대한 배경지식, 활용목적, 그리고 데이터를 다루기 위한 기술적 지식과 경험이 요구되며, 심지어 시간이 꽤 소요되는 작업이다. 따라서, 이 과정에 시간과 노력을 투자하는 것에 너무 비판적인 자세를 취하면 안된다. 이 과정에서 프로젝트의 성패가 결정되는 경우도 많다.

데이터의 품질은 용량, 내용, 형태를 바탕으로 종합적으로 평가할 수 있다. 그러나 놓치지 말아야 할 것은, 현재의 데이터가 만들어지거나 수집되는 과정이 적절했는가에 대해서도 꼼꼼하게 살펴봐야 한다. 예를 들어 회사B의 경우, 소음 데이터를 수집하는 과정이 어떤 환경에서 어떻게 진행되었는지를 살펴봐야 한다. 또한 오류가 포함되어 있을 수 있는 작업자의 품질 판단 결과를 인공지능 모델의 학습 데이터로 활용해서는 안된다.

데이터에 대한 배경지식은 프로젝트의 진행방향을 결정하는 매우 중요한 요소이다. 예를 들어 회사A의 경우, 학생들이 문제를 틀릴 때 어떠한 부가설명을 제공하는 것이 좋을 지에 대해서 인공지능 기술자들이 잘 알고 있을 가능성은 높지 않다. 그럼에도 불구하고 틀린 문제에 대해 부가설명을 자동적으로 제공하는 기능을 구현하고자 한다면, 특정 문제에 대한 부가설명을 추려내는 과정에 대한 선생님들의 경험과 노하우가 인공지능 모델에 최대한 반영될 수 있도록 자세히 정리, 공유되어야 한다. 회사B의 경우, 작업자가 소음에 포함된 어떤 특성을 잡아내려고 하는지에 대해 잘 정리할 수 있다면 기술개발자들이 해당 특성에 초점을 맞출 수 있게 되어 프로젝트의 결과에 대한 기대치가 크게 높아질 수 있다.  

Skill

회사A가 필요로 하는 기반 기술은 Natural Language Processing (NLP)이다. 예를 들어, 독해 지문의 문장 구성, 주제, 어휘 정보 등을 분석하는 기술을 구현, 활용해야 한다. 이 과정에서는 state-of-the-art 기술을 활용해야 하는지, 아니면 이미 검증된 바 있는 traditional 기법만으로도 충분한지에 대해 고려해야 한다. 이 선택 과정은 구현하고자 하는 기능, 데이터의 용량과 내용에 의해서 달라질 수 있다. 회사B의 경우에는 Vibration Analysis 기술이 기반이 된다. 기계공학 분야에서 오랫동안 연구되어 온 기계 진동소음 분석 기술을 활용할 수 있어야 하며, 최근에 많이 주목받고 있는 딥러닝 기반 anomaly detection 기술도 고려대상이 될 수 있다. 만약 기계의 동작상태를 열화상 카메라를 통해 파악할 수 있고 해당 데이터를 확보한 상태라면, Machine Vision 기술도 고려할 수 있다.

Skill 에 대해 정리하는 과정에서는 연구개발 인력에 관해서도 검토해야 한다. In-house 개발, 즉 내부의 인력만으로 프로젝트를 진행할 지, 아니면 outsourcing, 즉 외부와의 협력을 추진하거나 프로젝트를 외부 전문가에게 맡길 지에 대해 결정해야 한다. 내부 인력의 기술과 경험이 충분하다면 내부 인력만으로 프로젝트를 진행하는 것이 이상적이겠지만, 그렇지 않을 경우가 더 많을 것이다. 그렇다면, 프로젝트에 필요한 기술적 역량과 경험, 추진력을 갖춘 외부 협력 대상을 찾는 것이 중요해진다. 

Output

프로젝트의 최종결과에 대해 명확하게 정의하는 것도 중요하다. 이것을 정의할 때에는, 목표로 하는 기능에 대한 ‘묘사’ 수준에서 시작하여 해당 기능들에 대한 세부 명세까지 상세히 정리해 볼 필요가 있다. 이 과정은 특히 외부와의 협력을 통해 프로젝트를 진행할 때 더욱 중요해지는데, 프로젝트 관련자들이 가지고 있는 최종 결과의 내용과 범위에 대한 시각이 서로 다를 경우 큰 어려움에 빠지게 될 수 있기 때문이다. 회사A의 경우에는 ‘학생의 학습 수준 측정 기능, 학습 수준을 고려한 새로운 문제 추천 기능’ 등과 같이 정리하기 시작하여 학습 수준의 평가 방식과 추천 문제의 선택 방식에 대한 세부적인 방법론까지 정리할 수 있다. 회사B의 경우라면, 작업자가 직접 품질을 평가했을 때의 정확도보다 높은 성능을 내는 것을 목표로 하는 것과, 짧은 시간동안 얼마나 많은 작업 결과를 낼 수 있을 것인가와 관련한 목표 중에서 선택하거나, 두 가지 모두를 목표로 할 수 있을 것이다. 회사A의 경우에는, 개발한 기능을 활용한 서비스에 대한 학생들의 만족도를 평가해 보는 것이 중요할 수도 있다.

그러나, 데이터에 대해 충분히 검토해 보기 전에 명확한 목표 성능을 설정하는 것이 오히려 프로젝트의 진행을 어렵게 만드는 경우도 많이 발생한다. 위에서도 언급했지만, 인공지능 프로젝트를 통해 구현한 결과의 성능은, 활용한 데이터에 의해 크게 좌우되고, 미리 예측하기 어려운 경우가 많기 때문이다. 따라서, 인공지능 프로젝트 고유의 불확실성을 고려하여 결과에 대한 기대치를 현실적으로 잡을 필요가 있다.

Integration

Integration 요소는 프로젝트의 결과를 어떻게 활용할 것인가에 대한 것이다. 가장 대표적으로는, 프로젝트의 결과를 독립적인 서비스로 구현하거나, 기존의 서비스에 통합하는 것 중에서 선택하는 과정이 필요할 수 있다. 또한 프로젝트를 통해 구현된 인공지능 모델에 데이터를 공급하는 방법에 대한 정리를 해야 할 수도 있다. 회사A의 경우, 인공지능 모듈을 현재 제공하고 있는 학습 서비스의 내부에 포함시킬 지, 아니면 인공지능 모듈을 따로 분리하여 동작시키고 모듈의 출력을 전송하도록 구성할 것인가에 대해 고민해야 한다. 회사B는 소음 데이터가 수집되는 과정과 품질 평가 결과가 활용되는 환경의 특성을 고려하여 인공지능 평가모듈의 동작 방식을 정해야 한다.

물론, 세부적인 내용은 프로젝트를 진행하는 과정에서 명확해지기도 하므로, 이러한 요소들을 사전에 모두 완벽하게 정리하기 위해 너무 많은 시간을 소비할 필요는 없다. 

(3) Communication 방법 및 Paperwork에 대한 정의

모든 프로젝트가 마찬가지겠지만, 성공적인 결과를 얻기 위해서는 기록과 공유에 대한 원칙이 세워져 있어야 한다. 특히 outsourcing을 통해 프로젝트를 진행할 경우에는 프로젝트를 맡긴 사람과 수행하는 사람이 달라 서로의 커뮤니케이션 과정에서 문제가 발생할 가능성이 높아진다. 이런 현상의 대표적인 원인은 기술자와 비기술자들이 사용하는 어휘와 말투가 다르다는 점이다. 이러한 문제를 최대한 사전에 방지하기 위해서는 상대방이 명확하게 이해했는가를 꼼꼼하게 체크하는 인내심이 필요하며, 프로젝트 진행 과정에서 산출되는 모든 내용을 적절한 형태로 (간단하게라도) 기록하여 추후에 재검토할 수 있게 해야 한다. 가장 최악의 경우는 시도 때도 없이 전화로만 커뮤니케이션하고 기록을 전혀 남기지 않는 것이다.

(4) Working model 의 구현과 검증

훌륭한 기술을 보유하고 있어도 데이터에 따라 인공지능 프로젝트의 성공 여부가 달라진다는 점은 이미 언급한 바 있다. 따라서, 프로젝트에 대한 사전준비가 완료되면 1차 모델을 빨리 만들어서 적용해 보는 pilot project를 수행하는 것이 좋다. Pilot project에서는 1차 모델을 처음부터 구현하는 것보다는 비슷한 종류의 프로젝트에서 성능이 검증(공개)된 모델을 찾아 활용하는 것이 효과적이다. (물론 이러한 경우에도 라이센싱 문제를 점검할 필요가 있다.) 만약 1차 모델을 활용한 결과가 아주 나쁠 경우, 또한 설상가상으로 그 결과의 개선 가능성이 현저히 낮게 판단될 경우에는 프로젝트의 방향을 대폭 수정하거나, 심한 경우에는 프로젝트를 중지하는 것이 추가적인 시간과 비용을 낭비하는 일을 피할 수 있게 한다. 이와 같은 맥락에서, Quick ML [4]은 아이디어 도출, 구현, 실험과 검증으로 구성된 하나의 iteration을 최대한 빠르게 진행하고, iteration을 반복하면서 성능을 높여 나가는 개념을 제시하고 있다.

인공지능 및 데이터 분석 기반의 프로젝트를 크게 나누어 exploratory 단계와 confirmatory 단계로 구분하기도 한다. [12] Exploratory 단계는 데이터의 특성을 살펴보고 가장 적합한 모델을 찾아가는 과정에 해당하며, confirmatory 단계는 데이터 처리 방법 및 모델의 성능과 활용성을 최대한 끌어올리는 단계라고 볼 수 있다. 프로젝트가 정상적으로 진행된다면, exploratory 단계의 성격이 짙은 초기 iteration에서 시작하여, iteration이 진행될 수록 confirmatory한 성격으로 변화하게 될 것이다.

(5) 확보한 결과의 내재화 (internalization) 방안 마련

프로젝트가 완료되면, 산출된 모든 것들이 중요한 자산이 된다. 프로젝트를 진행하는 과정에서 얻은 모든 경험과 지식들은 다음 프로젝트를 수행하거나 프로젝트 결과를 비즈니스화할 때 활용될 수 있기 때문이다. 프로젝트를 통해 확보한 기술적 자산을 담은 지적재산권을 확보하는 것이 가장 중요하다고 볼 수 있는데, 지적재산권의 중요성은 프로젝트 결과를 기반으로 비즈니스를 진행할 경우에 그 중요도가 더해진다. 또한 프로젝트의 진행방식에 대한 경험, 진행과정에서 확보하게 된 모든 중간결과 및 문서들은 다음 프로젝트를 더욱 효과적으로 기획하고 수행할 수 있게 한다. 

이외에도 인공지능 분야의 세계적인 대가 중의 하나인 Andrew Ng은 training을 중요한 internalization의 요소로 제시하였는데, [10] training 대상자의 담당업무나 직책에 따라 training 시간과 내용 구성을 달리해야 한다고 주장하고 있다. 특히 outsourcing 형태로 프로젝트를 진행하였을 경우에는 내부 인력으로 하여금 프로젝트와 관련된 기술적 내용과 지식을 최대한 흡수하게 해야 한다. 프로젝트가 완료된 이후에 새롭게 충원된 인원들을 대상으로 한 training의 중요성도 간과해서는 안된다.

일단 마치며…

지금까지 정리해 본 요소들을 꼼꼼하게 고려하는 과정은 쉽지 않은 일이며, 기술적 지식이 없거나 연구개발 프로젝트에 익숙하지 않은 사람들에게는 더욱 낯설고 힘든 작업이다. 따라서, 사전에 자료를 직접 찾아 연구하거나 제대로 된 경험과 지식을 보유한 사람과 커뮤니케이션을 해야 한다. 프로젝트의 성패는 세부적인 요소들에 의해서 판가름나기 때문이다. 인공지능을 자신의 비즈니스에 적용해 보고자 한다면, 본 포스트에서 언급한 요소들에 대하여 고민하고 정리해 보자.

인포리언스는 이번 포스트에서 소개한 요소들 및 세부요소들을 충실히 고려한 인공지능 연구개발 프로세스를 디자인하였고, 현재 실제적인 프로젝트에 적용하고 있다. 인포리언스는 프로젝트를 수행하면서 얻게 될 추가적인 경험을 바탕으로 후속 포스트를 업로드할 계획이다.

References

• [1] https://hbr.org/2018/07/how-to-make-an-ai-project-more-likely-to-succeed
• [2] https://www.datasciencecentral.com/profiles/blogs/how-to-set-the-stage-for-a-successful-data-science-project-a
• [3] https://towardsdatascience.com/introducing-the-ai-project-canvas-e88e29eb7024
• [4] https://towardsdatascience.com/data-science-in-the-real-world-e97e2534e43
• [5] https://towardsdatascience.com/storytelling-for-data-scientists-317c2723aa31
• [6] https://towardsdatascience.com/structuring-your-machine-learning-project-course-summary-in-1-picture-and-22-nuggets-of-wisdom-95b051a6c9dd
• [7] https://towardsdatascience.com/why-data-science-succeeds-or-fails-c24edd2d2f9
• [8] https://artificialintelligence-news.com/2018/06/25/embracing-the-power-of-ai-the-process-behind-starting-an-ai-project/
• [9] https://hbr.org/2019/02/how-to-choose-your-first-ai-project
• [10] https://landing.ai/ai-transformation-playbook/
• [11] https://www.fast.ai/2018/07/12/auto-ml-1/
• [12] https://chiefmartec.com/2013/02/marketing-data-exploration-vs-confirmation/
• [13] https://inforience.net/2017/08/11/seedapi1/
• [14] https://inforience.net/2019/05/07/machine_vibration/
• [15] https://inforience.net/2019/06/08/machine-vibration2/
• [16] https://inforience.net/2019/06/22/interactive-anomaly-detection/