 |
학습데이터 구축을 통해 모델 성능을 높이고, 디지털 금융 혁신을 선도하는 것이 중요하다고 생각합니다.
5) 입행 후 가장 중점적으로 기여하고 싶은 부분은 무엇인가요?
→ 데이터의 품질 개선과 AI 모델의 신뢰성 향상을 통해 금융 AI 시스
|
|
 |
모델을 구축하는 실습을 진행하였다. 또한, 클라우드 컴퓨팅과 분산 시스템 과목에서는 Spark, Hadoop, Kafka 등의 기술을 활용하여 대용량 데이터를 효율적으로 처리하는 방법을 배웠다. 이를 통해 데이터 처리와 AI 모델 학습의 효율성을 높이는
|
|
 |
학습 성과에 미치는 영향을 검증하여, 다양한 학습 환경에서 적용 가능한 교육 모델을 제안할 수 있습니다.
- 교육 기술(EdTech) 기반 맞춤형 학습 모델 제시
AI 및 학습 분석 기법을 활용하여 개별 학습자의 특성을 고려한 맞춤형 학습 모델을 개
|
|
 |
모델 설계 및 최적화 능력이 핵심입니다. 이론과 실습을 균형 있게 익히고, 문제 해결에 창의적으로 접근하는 자세도 중요합니다. 더불어 최신 기술 동향에 대한 민감성과 자기주도 학습 능력, 그리고 협업을 통한 지식 공유 능력도 필수입니
|
|
 |
학습 분야를 선택한 이유와 구체적 연구 목표는 무엇인가요?
텍스트와 이미지를 함께 이해하는 AI 모델이 인간 수준의 직관적 추론을 가능케 한다고 확신합니다. 현재 영어 중심 연구가 대부분인 상황에서 한국어·동아시아권 문화 코퍼스를
|
|
 |
학습하고, 공개된 데이터셋을 활용하여 간단한 이미지 분류 모델을 직접 구현해 보여주었습니다. 기존 방식 대비 월등한 분류 정확도와 처리 속도를 실제 데이터로 증명하며 설득했습니다. 이후 팀원들과 함께 머신러닝 모델 학습을 위한 데
|
|
 |
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 활용했습니다.
이 프로젝트의 주요 도전 과제는 바로 자연어 처리에서의 모델링이었습니다. 처음에는 단순한 나이브 베이즈 모델을 적용해보았지만, 성능이 만족스럽지 않아서 더 발전된 기법인 로지스틱 회귀와 SVM(Support Vector M
|
|
 |
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
|
|
 |
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
|
|
메뉴펼치기
