딥러닝은 노가다야

현업에서 딥러닝을 5년간 개발해 본 후기

현재도 현업에서는 대부분의 딥러닝이 지도학습(전이학습 포함) 방식으로 이루어집니다.

지도학습 딥러닝의 핵심은 데이타 인데 

데이타는 결국 사람이 만들고 평가하죠.

아무리 데이타가 카메라와 같은  센서에서 

기계적이고 자동적으로 만들어진다고 하지만 

그걸 라벨링 하는것은 결국 사람이네요.

지구상에서 인간두뇌만큼 비선형적인건 없으니까요.

즉, 딥러닝은 사람의 눈과 손을 많이 타고

사람들의 안목에 따라 그양도 질도 그리고 분포도 결정됩니다.

따라서 사람들 간의 소통과 관리가 매우 중요하더군요.

또한 부서간 갈등이나 갑을간의 갈등 등.. 

사람들이 조금만 정직해지지 않으면 

딥러닝 프로젝트는 산으로 가기가 매우 쉽습니다.

한마디로, 여차하면 사방에 적이 생기죠.

평소에 덕을 잘 쌓아야 

딥러닝 프로젝트는 성공하는건지도 모르겠다는 생각이 들정도입니다.

딥러닝 기술의 상업적 성공 그래프

잭웰치의 사망과  GE의 몰락으로 역사속으로 사라진, 

한참동안이나 우리를 괴롭혔던 

식스시그마 운동을 다시 생각해보자면..

그 이론과 철학은 우수했으나 데이타를 모으고 통계내는 과정에서  

결국 사람들이 데이타를 부적절하게 다루어 

프로젝트가 산으로 가버리던 경험들.. 많이 해보았을겁니다.

결국 겉은 식스시그마 이지만 속은 주먹구구이고  

핵심품질지표와 실적을 짜맞춘 문서장표 만들기에 급급했던게 

한국의 식스시그마 운동의 실상이었드랬죠. 

당시 식스시그마로 성과를 낸 조직들도 드물지만 물론 있었습니다.

그러나 그런 조직을 들여다보면 식스시그마 덕분이 아니라

그 조직의 우수한 인적구성과 조직력 덕분이었다는 평가가 있었죠.

결국 딥러닝도 초기엔 기술집약적인 업무였으나

점점 노동집약적이고 사람들의 판단에 휘둘릴수있는 특성이 강해질거 같습니다.

한편, OpenCV(영상처리)는 아직까지도 기술집약 특성이 강한 업무..

그러나 딥러닝은 결국 그 조직의 사람들이 성공의 열쇄인거 같습니다.

참고로, 수학적 알고리즘으로 딥러닝 논문을 내는 딥러닝 업무 이야긴 아닙니다.

산업현장에서 실제 데이타로 성과를 내는 딥러닝 업무 이야기 였습니다.