산업용 ML 프로젝트에서 피해야 할 3가지 핵심 실수

인공지능 기술, 특히 머신러닝의 활용이 혁신적인 도구로 점점 더 인식되고 있습니다. 그렇다면 머신러닝이란 정확히 무엇일까요?

프랑수아 숄레(François Chollet)가 저서 『Deep Learning with Python』에서 흥미로운 정의를 내렸습니다. 그는 머신러닝(ML)을 새로운 계산 패러다임으로 정의합니다. 기존 컴퓨팅에서는 컴퓨터에 규칙과 데이터를 제공하고 올바른 결과를 기대합니다. 하지만 머신러닝에서는 이 순서가 바뀝니다. 데이터와 결과를 컴퓨터에 제공하고, 규칙을 답으로 기대하는 것입니다.

이 새로운 계산 패러다임은 일상적인 문제 해결 방식을 크게 바꾸며 모든 연구 분야에 광범위한 기회를 열어줍니다. 최근 몇 년간 머신러닝은 산업 분야를 포함해 널리 활용되어 왔습니다. 이처럼 넓은 범위와 수많은 우수한 전문가들이 종사함에도 불구하고, 산업 프로젝트 개발 과정에서 흔히 관찰되는 실수들이 존재하며 이를 피해야 합니다. 비록 더 많은 실수가 있지만, 이 글에서는 그중 세 가지 주요 실수를 다루고자 합니다.

1. 기본 원리 무시하기

인더스트리 4.0, 디지털화, 인공지능, 머신러닝, IIoT 등은 현재 산업계의 최고 트렌드입니다. 이러한 접근 방식을 가진 프로젝트는 전문가의 포트폴리오에서 특별한 주목을 받으며, 일부 전문가는 프로젝트 승인 확률을 높이기 위해 이러한 '현대적' 솔루션을 선택하곤 합니다. 하지만 핵심은 이 도구(머신러닝 또는 기타)가 여러분의 문제를 해결하는 데 적합한가? 하는 점입니다. 이러한 '현대적' 도구를 선택하기 전에 스스로에게 몇 가지 질문을 던져봐야 합니다. 몇 가지 예시를 들자면 다음과 같습니다(이 외에도 많습니다):

• 이 문제를 더 단순한 알고리즘(PLC 로직 등)으로 해결해 보았는가?
• 잘 조정된 제어 시스템으로 유사하거나 더 나은 제어 결과를 얻을 수 있는가?
• 이 새로운 애플리케이션을 유지보수할 적절하고 잘 훈련된 팀이 있는가?
• 파레토 차트나 인과관계도 같은 다른 품질 도구 세트로 충분한 인사이트를 얻을 수 있는가?

머신러닝 같은 도구가 훌륭한 결과를 낼 수 없거나 너무 복잡하다고 말하는 것이 아닙니다. 다만 단순한 솔루션이 종종 좋은 결과를 내며, 보통 인더스트리 4.0 여정의 첫 단계가 되어야 한다는 점을 명심해야 합니다.

2. 데이터 품질 소홀히 하기

데이터 처리를 위한 머신러닝 도구는 이제 널리 보급되어 있습니다. 구글 같은 대기업과 수많은 오픈소스 그룹이 훌륭한 ML 라이브러리를 개발했으며, 이들은 인터넷에서 저렴하거나 무료로 이용 가능합니다. 하지만 전체적인 관점에서 볼 때, 모든 머신러닝 프로젝트는 네 가지 주요 단계를 포함합니다:

• 데이터 이해 및 준비
• 데이터 처리
• 결과 분석
• 데이터 분석을 바탕으로 한 현명한 조치

머신러닝 프로젝트 개발 전체 과정을 살펴보면, 일부 전문가가 데이터 수집과 준비에 충분히 주의를 기울이지 않은 채 중간 단계(데이터 처리 및 결과 분석)로 바로 넘어가는 경우가 드물지 않습니다.

모든 머신러닝 프로젝트의 기초는 데이터입니다. 요리에서 좋은 요리의 출발점은 좋은 재료를 사용하는 것처럼, 좋은 ML 프로젝트를 개발하는 데 필수적인 요소는 좋은 데이터를 확보하고 활용하는 것입니다. 특히 산업 현장에서는 이 데이터를 얻는 것이 까다로운 과제일 수 있습니다. 잠재적 과제의 비포괄적인 목록은 다음과 같습니다:

• 계측 장비 부족(데이터 누락)
• 계측 장비의 부적절한 설치, 유지보수, 설정으로 인한 부정확한 데이터
• 분석상의 오해로 인한 잘못된 데이터 라벨링(지도 학습 작업)

이러한 과제들이 있더라도, 올바른 데이터 준비(때로는 산업 현장에 맞춘 적응 과정을 거쳐)만 한다면 충분히 강력한 데이터베이스를 구축해 훌륭한 결과를 얻을 수 있습니다.

그러니 이 중요한 작업에 시간을 투자하십시오!

3. 전문가 지식 무시하기

이 주장은 논란의 여지가 있을 수 있습니다. 일부 전문가는 전문가 의견이 필요하다면 퍼지 로직을 이용한 전문가 시스템을 선택해야 한다고 말할지도 모릅니다. 하지만 반대로, 우리 기업이 보유한 방대한 지식을 그냥 무시하는 것이 우리 프로세스를 발전시키는 최선의 방법은 아닙니다.

ML 프로젝트를 구현할 때 가장 좋은 방법은 ML 개발자(딥러닝, 자연어 처리, 앙상블 방법, 클러스터링 등 ML 기술에 정통한 사람)와 적절한 전문가 자문단(공정의 현실과 해결해야 할 실제 문제를 아는 전문가)을 결합한 다학제 팀을 구성하는 것입니다. 이러한 다학제 팀을 통해 좋은 결과가 촉진됩니다. 더 정확한 솔루션을 얻을 가능성이 높아지며, 이를 실제 현장에 구현할 가능성도 커집니다.

더 나아가기

엄청난 도전과 경계해야 할 사례들이 존재하지만, 머신러닝은 점점 더 강력한 도구임을 입증하고 있습니다. ML과 산업계를 현대화하고 발전시키기 위한 수십 가지 다른 도구들은 트렌드이자 자연스럽고 필수적인 진화 과정입니다. 그러나 특히 산업, 의료 등 중요한 프로세스에서는 주의가 필요합니다. 단계를 건너뛰지 마십시오: 프로젝트를 최대한 단순하게 유지하고, 데이터를 잘 관리하며, 전문가를 잊지 마십시오.

우리가 볼 수 있듯, 머신러닝 프로젝트는 단거리 경주가 아니라 긴 여정입니다. 어떤 여정이든 한 걸음 한 걸음으로 이루어지며, 마지막 걸음도 첫 걸음만큼 중요합니다.