 |
모델을 효율적으로 개발하고 운영할 수 있는 ML Platform을 구축하였습니다.
해당 ML 플랫폼이 제공하는 핵심 서비스는 다음과 같습니다.
- 쿠버네티스 환경을 통한 효율적 자원 활용
- 주피터 학습 환경 제공 / 모델의 파라미터 자동 튜닝
- 데이
|
|
 |
모델 학습에 필요한 데이터를 빠르게 확보할 수 있었고, 기존 데이터셋의 부족한 부분을 보완할 수 있었습니다. 또한, 데이터셋 변경 후에는 새로운 데이터를 기반으로 다시 모델을 학습시키면서 예측 정확도를 기존보다 25% 이상 향상시켰습
|
|
 |
이를 기반으로 AI 모델을 학습시키는 일을 맡았습니다. 이를 통해 머신러닝 알고리즘의 이해는 물론, 데이터 전처리, 특징 엔지니어링, 모델 평가 등 전반적인 데이터 분석 및 모델 개발 과정에 대한 실무 경험을 쌓았습니다.
나. IoT 시스템 및
|
|
 |
모델을 커스터마이징했습니다. 학습 구조는 기존 영상 분석 모델과 달리, 네트워크 트래픽의 특성을 반영해 입력 구조를 재정립하고 시퀀스 기반 이상 탐지 로직을 구현했습니다. 모델 학습은 TensorFlow 기반으로 진행했고, 실시간 이상 감지를
|
|
 |
모델을 개발했습니다. 의료 영상 데이터 전처리부터 모델 학습과 평가까지 전 과정을 직접 수행하며 실무 역량을 기를 수 있었습니다. 이 프로젝트를 통해 대규모 데이터 처리와 딥러닝 모델 구축, 성능 최적화 등의 기술을 익힐 수 있었습니
|
|
 |
모델이 학습 데이터에 너무 과도하게 적합해 새로운 데이터에 대한 일반화 성능이 떨어지는 현상입니다. 이를 방지하기 위해 교차검증, 정규화, 드롭아웃, 조기 종료(early stopping) 등의 기법을 사용합니다. 또한, 데이터 양을 늘리거나 불필요
|
|
 |
모델 학습에 영향을 미치지 않도록 했습니다.
두 번째 문제는 예측 성능의 저조였습니다. 처음 모델을 훈련시키고 예측을 해본 결과, 예측 정확도가 매우 낮았으며, 모델이 교통 패턴을 정확히 반영하지 못하는 문제가 발생했습니다. 저는 기
|
|
 |
학습하며, 데이터 전처리, 모델 학습, 성능 검증 등 실무 기반을 다질 것입니다. 중장기적으로는 Transformer 기반 모델이나 멀티모달 인식 기술 등 최신 연구 성과를 적용하여 성능을 고도화하겠습니다. 장기적으로는 자율주행 레벨4·5 구현에
|
|
 |
해 AI 모델의 학습에 필요한 데이터를 준비하고 분석할 수 있습니다.
넷째, API 개발 및 서비스 배포 경험이 있습니다. Flask, FastAPI 등을 사용하여 AI 모델을 RESTful API로 구현하고, 이를 클라우드 환경에 배포한 경험이 있습니다. 이러한 경험은 카
|
|
 |
coder, Isolation Forest)을 적용하여, 기존의 지도학습 모델보다 적은 이상 데이터로도 효과적인 탐지가 가능하도록 개선하였습니다.
3. 모델의 성능을 정량적으로 평가하기 위해 Precision-Recall Curve 및 ROC Curve를 활용하여 모델의 이상 탐지 성능을
|
|
메뉴펼치기
