SK네트웍스 Family AI 캠프 30기 10주차 회고

📅 데일리 학습

• 6월 1일 (월)

[40일차] 자연어 처리 개요

 

지난 자연어 처리 학습에서 데이터 정제와 빈도수 분석, 토픽 분석을 진행했다면 오늘은 한 단계 더 나아가 네트워크 분석과 감성 분석을 학습했다. 네트워크 분석은 단어들 사이의 관계를 시각화하여 어떤 단어들이 함께 등장하는지 파악하는 방법이다. 단순히 많이 나온 단어를 확인하는 것이 아니라, 단어 간 연결 구조를 통해 핵심 주제와 연관성을 이해할 수 있다는 점이 인상적이었다. 감성 분석은 리뷰나 문장을 긍정, 부정과 같은 감성 라벨(Label)로 분류하여 사용자 반응을 분석하는 기법으로, 실제 서비스 운영 과정에서 사용자 만족도나 불만 사항을 파악하는 데 활용될 수 있다는 점을 알게 되었다. 또한 TF-IDF(Term Frequency–Inverse Document Frequency) 표현 방식도 학습했다. 단순 빈도수만으로는 모든 문서에서 자주 등장하는 단어가 중요하게 보일 수 있는데, TF-IDF는 특정 문서에서만 상대적으로 중요하게 나타나는 단어에 가중치를 부여해 핵심 키워드를 추출하는 방법이라는 점을 이해할 수 있었다.

오후에는 직접 선택한 서비스를 대상으로 VOC 분석 리포트를 작성하는 실습을 진행했다. 주제는 SK네트웍스 Family AI Camp 1기부터 23기까지의 수강후기 분석이었다. 수강후기를 크롤링한 뒤 데이터 전처리를 진행하고, 빈도수 분석, 토픽 분석, 단어 네트워크 분석, 감성 분석까지 순차적으로 수행했다. 분석 결과는 예상했던 방향과 크게 다르지 않았다. 다만 실제 데이터를 다뤄보면서 데이터의 양이 분석 결과에 큰 영향을 준다는 점을 체감할 수 있었다. 한 기수당 리뷰 수가 약 20개 내외였고, 전체 195개의 데이터 중 결측치를 제거하고 나니 약 185개 정도만 활용할 수 있었다. 분석은 가능했지만 데이터 규모가 작다 보니 결과를 일반화하기에는 한계가 있었고, 세부적인 인사이트를 도출하는 데도 어려움이 있었다.

이번 실습을 통해 분석 기법을 배우는 것도 중요하지만, 그보다 먼저 충분한 양과 품질을 갖춘 데이터가 확보되어야 의미 있는 결과를 얻을 수 있다는 사실을 다시 한번 느꼈다. 결국 데이터 분석의 시작은 분석 기법이 아니라 좋은 데이터라는 점을 체감한 하루였다.

• 6월 2일 (화)

[41일차] 딥러닝 언어

 

딥러닝 언어모델 학습에서는 자연어를 컴퓨터가 이해할 수 있는 형태로 변환하고 문맥을 학습하는 과정을 살펴보았다. 먼저 Word2Vec을 통해 단어를 벡터 형태의 숫자로 표현하는 방법을 배웠다. 비슷한 문맥에서 자주 등장하는 단어는 비슷한 의미를 가진다는 개념이 흥미로웠지만, 학습 데이터에 없는 단어는 처리하지 못한다는 한계도 알게 되었다. 이후 문장의 순서와 흐름을 학습하는 RNN을 배웠는데, 문장이 길어질수록 앞의 정보를 잊어버리는 문제가 있다는 점이 인상적이었다. 이를 보완하기 위해 등장한 LSTM은 중요한 정보를 더 오래 기억할 수 있도록 설계되어 긴 문맥을 처리하는 데 강점을 가진다는 것을 이해했다. 아직 각 개념의 역할과 연결 관계가 완전히 정리되지는 않았지만, 자연어 처리 기술이 단어 표현에서 문맥 이해로 발전해 온 흐름을 파악할 수 있었으며, 복습을 통해 개념을 더욱 확실하게 정리할 필요성을 느꼈다.

• 6월 4일 (목)

[42일차] 시계열 데이터

 

yfinance를 활용해 주식 데이터를 수집하고 시계열 데이터를 분석하는 방법을 학습했다. 평소 관심 있는 분야인 주식을 주제로 실습하다 보니 흥미롭게 참여할 수 있었지만, 데이터를 분석하는 과정보다는 주가 예측 결과를 확인하는 데 집중했던 것 같아 아쉬움도 남았다. 그래프가 어떤 의미를 가지는지, 모델이 어떤 방식으로 예측을 수행하는지까지 깊게 이해하지 못한 부분은 복습이 필요하다고 느꼈다.

이번 실습에서는 LSTM과 Prophet 같은 시계열 예측 모델을 활용해 미래 주가를 예측하는 방법도 경험했다. 앞으로는 단순히 결과를 보는 것에 그치지 않고 모델의 동작 원리와 예측 과정을 이해한 뒤, 관심 있는 종목 데이터를 직접 분석하고 활용해보는 경험까지 이어가고 싶다.

• 6월 5일 (금)

[43일차] 추천시스템

 

이전 회사에서 일할 때 검색어 추천이나 상품 추천 시스템이 어떤 원리로 동작하는지 항상 궁금했다. 이번에 추천시스템을 배우면서 콘텐츠 기반 필터링, 아이템 기반 협업 필터링, 잠재요인 협업 필터링, 클러스터링 추천시스템 등 여러 방식이 있다는 것을 알게 되었다. 아직은 예제 데이터를 따라가며 개념을 익히는 단계라 각 알고리즘의 차이점과 장단점을 명확하게 설명할 정도는 아니지만, 평소 사용하던 추천 기능들이 어떤 원리로 만들어지는지 큰 흐름을 이해할 수 있었다. 서비스 개발을 하는 입장에서 추천시스템은 앞으로도 자주 접하게 될 분야라고 생각하기 때문에 시간을 내어 다시 복습해 볼 계획이다.

 

📊 주간 회고

이번 주는 자연어 처리에서 시작해 언어모델, 시계열 데이터, 추천시스템까지 다양한 AI 기술을 폭넓게 경험한 한 주였다. 특히 단순히 모델을 사용하는 것보다 데이터가 얼마나 중요한지 여러 번 체감할 수 있었다. VOC 분석에서는 데이터 수가 부족해 결과 해석에 한계를 느꼈고, 시계열 분석에서는 모델보다 데이터를 어떻게 이해하고 해석하느냐가 더 중요하다는 점을 느꼈다. 결국 좋은 모델도 좋은 데이터가 있어야 의미 있는 결과를 만들어낼 수 있다는 사실을 다시 확인할 수 있었다. 또한 자연어 처리 기술이 Word2Vec, RNN, LSTM을 거쳐 현재의 LLM으로 발전해 온 흐름을 배우면서 지금 사용하고 있는 AI 기술들이 갑자기 등장한 것이 아니라 오랜 연구와 발전의 결과라는 점도 이해할 수 있었다. 아쉬운 점은 결과를 확인하는 데 집중하다 보니 모델의 동작 원리나 그래프 해석을 충분히 이해하지 못한 부분이 있다는 것이다. 앞으로는 실습 결과만 확인하는 것이 아니라 왜 그런 결과가 나왔는지, 모델은 어떤 방식으로 동작하는지까지 함께 공부해야겠다는 생각이 들었다. 이번 주는 새로운 기술을 배우는 것에 그치지 않고 데이터를 바라보는 관점과 AI 모델을 이해하는 관점을 조금 더 넓힐 수 있었던 시간이었다. 

 

데이터를 이해하는 힘이 있어야 모델의 결과도 제대로 해석할 수 있다는 사실을 체감한 한 주였다.

🔍 KPT 회고

Keep (유지할 점)

• 학습한 내용을 실습을 통해 직접 적용해보기
• 관심 있는 분야(주식)를 활용해 학습 동기 유지하기

Problem (보완할 점)

• 결과 확인에 집중하다 보니 모델의 동작 원리를 깊게 이해하지 못함
• 데이터 분석 과정에서 데이터 규모와 품질의 중요성을 뒤늦게 체감함
• 배운 개념들을 체계적으로 정리하는 시간이 부족했음 

Try (시도할 점)

• 관심 있는 주식 데이터를 활용해 직접 분석 프로젝트 진행하기
• 학습 후 결과뿐만 아니라 "왜 이런 결과가 나왔는가?"를 반드시 기록하기