Human-Centered AI를 위한 7가지 가이드
더 나은 인공지능 제품 개발을 위한 핵심 7가지를 알려 Drill 게요!
2024.2.5 | vol. 14 | 구독하기 | 지난호 보기
미래에 할 수 있는 경험을 사전 예약하신 퓨처드릴 구독자, 드릴러 여러분 안녕하세요!
오늘도 AI와 UX의 교차점에서 알쏭달쏭한 점들을 시원하게 설명해 drill 퓨처드릴 에디터 쏭입니다.
혹시 Human-Centered AI 들어보신 적 있으신가요? 직역하면 인간중심의 AI 기술입니다. 많은 전문가들이 이제는 기술 자체보다는 사람과 기술의 접점에서 발생하는 총체적인 경험이 더 중요하다고 말합니다. 여기에는 사용성과 같은 개념이 포함될 수도 있고 혹은 인간이 기술에 기대하는 설명 가능성과 같은 개념이 포함될 수도 있습니다.
오늘은 인간을 중심에 둔 인공지능 시스템을 개발하기 위해서 알아두어야 할 간단한 가이드를 소개하도록 하겠습니다. 이 내용은 linguafranca.polytopaAIai 웹사이트에서 A Brief Guide to Designing Human-Centered AI라는 제목의 글을 기반으로 작성되었습니다.
각 단계에서 핵심이 되는 키워드부터 나의 제품 개발에 적용해 볼 수 있는 가이드북과 워크시트까지 모두 다 소개 drill게요~
모두 follow me
시작하기 - Turning On the Drill
왼쪽의 원은 기술 중심적 접근방식 오른쪽의 원은 인간 중심적 접근방식을 나타냅니다. 우리는 지금 인공지능 기술에 대해 어떤 접근방식을 취하고 있을까요? 중요한 것은 기술일까요? 아니면 그걸 사용하는 사람일까요? 어쩌면 너무 뻔한 답일지도 모르겠습니다. ㅎㅎ
'인간 중심'이란 키워드는 너무 뻔하고 당연해 보일지 몰라도 급속도로 발전하는 기술의 세계에서 인간을 중심에 두고 제품을 개발하는 것은 말처럼 당연하거나 쉽지 않습니다.
제품을 개발하는 디자이너, 기획자, 개발자로서 우리는 어떤 태도를 가지고 인간을 제품 개발의 중심에 둘 수 있을까요? Human-Centered AI는 이 질문에 대한 일종의 나침반 역할을 하고 있습니다. 확실한 것은 이것이 일종의 가이드 역할을 할 수 있을지언정 결국 선택을 하고 전체 지도를 채워나가는 것은 우리의 선택이라는 점입니다.
오늘 제가 소개해 드리는 7가지 키워드가 여러분의 제품 개발 여정에 의미 있는 가이드 역할이 되었으면 좋겠습니다.
1장에서는 올바른 문제를 선택하고 정의하는 과정에서 필요한 '경험'과 '데이터'에 대해 설명하고 이 두 가지가 왜 필요한지에 대해 설명합니다.
추천대상 : 제품 개발 과정에서 이 문제가 정말 적절한 문제 선택인지 사람들이 정말 원하는 기술은 무엇인지 고민되는 분
2장에서는 인간의 행동을 맥락 안에서 관찰해야 하는 이유에 관해 설명합니다.
추천대상 : 기술 자체가 아닌 인간의 행동을 기반으로 적절한 문제 해결 방법을 찾고 있는 분.
3장에서는 데이터 수집과 탐색이 왜 중요한지, 데이터 탐색에서 어떤 과정들이 동반되어야 하는지 설명합니다.
추천대상 : 데이터를 수집하긴 했는데 어떻게 해석, 탐색, 활용해야 하는지 고민하고 계신 분.
4장에서는 인간-컴퓨터 상호작용에서 다양한 케이스들을 고려해야 하는 이유를 설명합니다.
추천대상 : 인간-컴퓨터 상호작용에서 발생할 수 있는 다양한 케이스들을 적절히 처리하여 더 나은 인터랙션 경험을 만들고 싶은 분.
5장에서는 도메인에 맞는 적절한 모델을 선택하는 것의 중요성과 오류와 피드백을 통해 모델을 개선할 수 있는 이유에 관해 설명합니다.
추천대상 : 타깃과 문제는 정의되었는데 이 문제를 어떤 기술로 접근해야 하는지 고민하고 계신 분, 혹은 모델은 선택했는데 어떻게 이 모델을 개선할 수 있는지 고민하고 계신 분.
6장에서는 인공지능 시스템을 어떻게 사람이 평가할 수 있는지 왜 그러한 평가가 필요한지 설명합니다.
추천대상 : 도출한 아이디어를 빠르게 테스트해 보고 이를 바탕으로 시스템을 개선하고 싶은데 접근방법을 몰라 고민하고 계신 분.
7장에서는 인공지능에 얼마 큼의 자율성을 부여해야 할지 또 그에 따른 설명 가능성의 책임에 관해 설명합니다.
추천대상 : 잘 작동하는 시스템 이상의 것을 고민하고 계신 분.
1장 Problem Selection & Definition
기술이전의 인간의 문제 해결 방식을 파악하고 이를 활용하자
인공지능 관련 제품을 개발하고자 하는 사람들은 매일매일 새롭게 쏟아져 나오는 인공지능 관련 신기술들을 보면서 ‘인공지능 제품 = 기술’이고 관련 제품 개발에서 제일 중요한 것은 기술 자체라고 생각하기 쉽습니다. 하지만 인공지능을 활용한 제품을 기획할 때 중요한 것은 기술보다는 그것을 사용하는 사람과 경험에 있습니다. 여기서는 ‘경험’과 ‘데이터’를 중심으로 살펴보겠습니다.
인공지능은 사람이 학습하는 과정을 모방하여 인간의 지능을 흉내 냅니다. 여기서 말하는 인간의 지능에는 전문가의 의사결정 과정도 포함되어 있습니다. 즉 전문가가 의사결정 내리는 과정을 모방하여 모델이 학습을 하고 전문가처럼 의사결정을 합니다. 예를 들어 주택 가격과 관련된 전문가가 있다면 이 전문가는 주택 가격을 예측하기 위해 어떤 항목들을 고려해야 하는지 적절한 정보들을 알고 있습니다. 비전문가가 주택 위치, 노후 정도, 방의 개수, 주변 시세 정도를 고려한다면 전문가는 비전문가가 고려하지 못한 중요한 집값 예측의 항목들을 알고 있고 이 정보들을 수집하여 더 정확히 집값을 예측할 수 있습니다. 여기서 인간 전문가가 더 정확한 집값 예측을 위해 수집한 항목들이 ‘데이터’가 되고 데이터 수집 기간 동안 사람들과 상호작용하면서 쌓인 피드백들이 ‘경험’으로 축적됩니다. 즉 데이터는 판단을 내리기 위해 필요한 외부 정보를 의미하고, 경험은 데이터를 기반으로 예측을 제공했을 때 사람들의 반응(만족, 불만족)을 의미합니다.
’ 경험’과 같은 정보들을 잘 살펴보아야 하는 이유는 이것이 제품을 개발하는 우리에게 일종의 나침반과 같은 역할을 할 수 있기 때문입니다. 사람들이 인공지능을 이용해 표면적으로 해결하고자 하는 것과 그들이 실제로 원하는 것 사이에는 간극이 있을 수밖에 없습니다. 기술 자체에 대한 고민 이전에 사람들이 그 문제를 어떤 데이터를 가지고 해결했으며 그 과정에서 받은 피드백을 무엇인지 확인함으로써 우리는 사람들이 정말 원하는 것과 그 문제를 해결하는데 필요한 데이터가 무엇인지 알 수 있습니다.
[Problem selection and definition] 단계를 더 심도 깊게 탐구해보고 싶다면?
[가이드북 + 워크시트] People + AI Guidebook - User Needs + Defining Success chapter
https://pair.withgoogle.com/chapter/user-needs/
위의 가이북과 워크시트를 활용해 사용자가 필요로 하는 것은 무엇이며 인공지능 시스템을 통해 그 니즈를 충족시켰을 때 무엇을 성공이라 정의 내릴 수 있는지 정리해 보세요
2장 Observing Human Behavior
인간의 행동을 관찰하여 인사이트를 얻자
문제를 해결하기 위해서는 그 문제를 정의하는 것 이상의 과정이 필요합니다. ‘데이터’와 ‘경험’을 통해 인간이 무엇을 원하며 어떤 데이터를 통해 그 욕망을 충족하였는지 보는 것도 중요하지만 그 이전에 욕망의 상황에서 어떻게 행동하는지 좀 더 자세히 관찰할 필요가 있습니다. 즉 맥락 안에서 인간의 행동을 관찰해야 합니다. 맥락 안에서 인간의 행동을 관찰하면 반복되는 패턴과 예외 케이스들을 발견할 수 있습니다.
예를 들어 주택 가격 전문가와 이용자 사이의 상호작용을 관찰하면 전문가들이 이용자의 니즈를 어떻게 발견해 내는지 그리고 그 니즈에 맞춰 어떤 정보들을 이용해 결과를 예측해 내는지 확인할 수 있습니다. 인간 전문가가 맞춤형 해결책을 제공하는 과정을 모방하여 그렇다면 기계는 어떻게 맞춤형 해결책을 제공할 수 있을지 힌트를 얻을 수 있습니다. 또한 이용자가 전문가에게 기대하는 바를 발견할 수 있다면 이용자가 인공지능 시스템에는 어떤 것들을 바라고 있는지 좀 더 정확히 알 수 있을 것입니다.
3장 Data & Insights
데이터 수집과 탐색을 제품 개발의 핵심에 두자
일반적인 리서치 과정에서도 데이터를 통한 정량적인 분석은 매우 중요하지만, 인공지능 제품 개발에서는 데이터 수집과 탐색이 전부라고 해도 과언이 아닙니다. 그런 만큼 데이터 수집 전략을 되도록 빨리 그것도 데이터 전문가와 함께 세우는 것을 추천합니다. 문제 정의와 아이디어 도출 후 실제 모델 개발 단계에서 데이터 수집 전략을 세우게 되면 데이터를 수집할 수 있는 다른 유용한 기회들을 놓칠 수도 있습니다.
데이터가 수집된 의미와 맥락을 파악하자.
데이터가 의미하는 바를 맥락 안에서 파악하고자 하는 것은 데이터를 다룰 때 매우 중요한 태도 중 하나입니다. 데이터가 만들어진 의미와 맥락을 정확히 이해하지 못하고 데이터를 해석하면 적절한 문제 정의를 할 수 없을 뿐만 아니라 후에 이루어지는 모델 학습 과정에도 악영향을 줄 수 있습니다. 숫자는 거짓말을 하지 않는다고 하지만 숫자가 만들어진 맥락은 우리를 혼동시킬 수 있습니다. 그렇기에 이 데이터는 어떤 상황에서 수집되었으며 누가 데이터를 수집했는지 어떤 목적을 가지고 수집되었는지를 꼼꼼히 확인하는 과정이 필요합니다.
수집한 데이터를 시각화하고 탐색하자.
데이터가 수집된 맥락을 파악한 후 시각화와 탐색 과정을 거칩니다. 시각화를 통해 데이터의 분포 상황이나 결측치, 이상치와 같은 값들을 발견한다면 이를 어떻게 처리할지 논의할 수 있습니다. 그뿐만 아니라 데이터가 의미하는 바가 자신의 가정과 다른지 혹은 그 가정은 충족시켜 줄 수 있는지 확인할 수 있습니다. 예를 들어 우리가 데이터를 확인하기 전 “A 지역의 평균 집값이 B 지역의 평균 집값보다 높을 거야”라고 가정했다면 실제 시각화를 통해 가정을 확인할 수 있습니다. 이러한 탐색 과정을 통해 우리는 데이터에 기반한 직관적인 결론을 도출할 수 있습니다.
[Data & Insights] 단계를 더 심도 깊게 탐구해보고 싶다면?
[뉴스레터 아티클] 노코드 데이터 분석 툴 세 가지.
https://futuredrill.stibee.com/p/5/
퓨처드릴 뉴스레터 5호에서 다룬 노코드 데이터 분석 툴들을 이용해 코드 없이 수집한 데이터를 탐색해 보세요.
[가이드북 + 워크시트] People + AI Guidebook - Data Collection + Evaluation chapter
https://pair.withgoogle.com/chapter/data-collection/
위의 가이드북을 통해 데이터 수집 방법을 결정하고 수집한 데이터를 어떻게 사용자의 니즈와 연결시킬 수 있는지 정리해 보세요.
4장 Human-AI interaction
인간 - 컴퓨터에서 발생하는 다양한 상호작용 케이스 고려하자.
기존의 컴퓨터 - 인간 사이의 상호작용보다 인공지능 시스템에서는 더 다양한 상호작용이 일어날 수 있습니다. 인간이 컴퓨터에 요청할 수 있는 일의 범위가 늘어난 만큼 그 안에서 발생할 수 있는 오류도 훨씬 다양할 수 있습니다. 이렇듯 발생할 수 있는 조합의 수가 늘어났기 때문에 모든 상호작용의 케이스를 미리 생각하고 적절히 대처하는 것은 쉽지 않은 일입니다. 그렇기에 발생할 수 있는 조합을 미리 가정하지 말고 반복적인 디자인 과정에서 발견되는 경우들을 적절히 수용해 더 많은 케이스를 포함할 수 있는 기준들을 세워나가는 것이 좋습니다.
[Human-AI Interaction] 단계를 더 심도 깊게 탐구해보고 싶다면?
[가이드북 + 워크시트] Interaction Design Policies
위의 가이드북을 인공지능 중에서도 특히 생성형 인공지능과의 인터랙션에서 발생할 수 있는 경우의 수를 네 가지로 나눠서 분류해 보고 각 경우마다 이를 어떻게 적절히 처리할지 정리해 보세요.
[가이드라인] Microsoft HAX Design Library
→ https://www.microsoft.com/en-us/haxtoolkit/library/?content_type[0]=guideline
위의 가이드라인을 통해 특정한 유형의 제품을 개발에서 필요한 가이드라인들을 확인하고 스스로 체크해 보세요.
5장 Choosing Technologies
문제 해결에 적합한 도메인을 선택하자.
인공지능 기술을 선택할 때는 알맞은 도메인에서 선택해야 합니다. 여기서 도메인이란 업계 도메인이 아니라 데이터의 형식 도메인입니다. 과거에는 이미지면 이미지, 텍스트면 텍스트와 같이 하나의 데이터 형식만을 다루었다면 요즘에는 이미지와 소리 같은 두 가지 이상의 데이터 형식을 함께 처리해 주는 멀티 모달 모델도 나온 만큼 내가 정의한 문제를 해결하기 위해 적절한 데이터 형식은 무엇인지 데이터 전문가와 긴밀히 협의하여 정의할 필요가 있습니다. 이 문제를 해결하는데 텍스트 데이터만 있으면 되는지 아니면 텍스트 데이터와 이미지 데이터까지 함께 있으면 더 문제를 효과적으로 해결할 수 있을지 고민해 봐야 합니다. 즉 데이터 형식을 고르는 것은 내가 수집할 수 있는 범위 내에서만 생각하는 것이 아니라 해결하고자 하는 문제에 가장 적합한 형식을 선택해야 합니다.
오류를 적절히 처리하자.
모든 상황에서 정확도 100%인 인공지능 모델은 없습니다. 대신 더 나은 인공지능은 예상치 못한 결과가 발생했을 때 어떻게 사용자와 상호작용해야 하는지 잘 설계되어 있습니다. 중요한 것은 상호작용을 다각도로 관찰한 후 발생하는 오류나 실패에 적절히 대응하는 것입니다. 그렇기에 우선 에러 자체가 무엇인지 정의하는 것이 필요합니다. 인공지능 모델에는 여러 가지 성능의 척도를 측정할 수 있는 지표들이 있습니다. 하지만 인공지능의 성능 지표와 사람들이 느끼는 만족도 사이에는 항상 간극이 있을 수밖에 없습니다. 예를 들어 정확도가 높은 모델이 있다면 사람들은 항상 그 결과에 만족할까요? 성능을 측정할 수 있는 정확한 지표를 선택하고 이를 기반으로 모델을 개선하는 것도 중요한 일이지만 더 중요한 일은 인공지능의 능력을 바탕으로 우리가 무엇을 ‘성공’ 혹은 ‘실패’로 정의하냐에 있습니다. 성공과 실패를 어떻게 정의하느냐에 따라 실패 내지는 오류가 발생했을 때 이를 적절히 처리할 수 있기 때문입니다.
인간의 피드백을 이용해 모델을 발전시키자.
사용자로부터 받은 피드백은 인공지능 모델 발전에서 핵심적인 역할을 담당합니다. 아무리 열심히 데이터를 수집하고 정교하게 모델을 설계해도 인공지능 시스템은 완벽하지 않습니다. 인공지능이 인간 두뇌의 기능을 모방할지라도 스스로 발전할 수는 없습니다. 인공지능이 더 나은 모델이 되기 위해서는 반드시 인간 피드백이 필요합니다. 그렇기에 사용자 피드백을 이용해 모델을 더 발전시킬 수 있는 시스템을 구축하는 것이 필요합니다.
[Choosing Technologies] 단계를 더 심도 깊게 탐구해보고 싶다면?
[웹 서비스] 논문 및 데이터셋을 기반으로 가장 좋은 성능의 모델 찾기
위의 서비스를 이용해 데이터셋 혹은 태스크에서 가장 좋은 성능을 기록한 모델을 찾고 이 모델의 기반이 되는 논문과 코드까지 함께 확인해 보세요.
[가이드북 + 워크시트] People + AI Guidebook - Errors + Graceful Failure chapter
https://pair.withgoogle.com/chapter/errors-failing/
위 가이드북을 통해 인공지능 시스템에서 에러를 어떻게 정의할지 그리고 실패를 통해 어떻게 모델과 사용자 경험을 함께 향상할 수 있을지 확인해 보세요.
[가이드북 + 워크시트] People + AI Guidebook - Feedback + Control chapter
https://pair.withgoogle.com/chapter/feedback-controls/
위의 가이드북을 통해 사용자의 피드백을 어떻게 적절히 활용할 수 있을지 고민해 보세요.
6장 Prototyping AI with Humans
출처 : Ozlab: a simple demonstration tool for prototyping interactivityWizard of Oz (WoZ) 방법을 사용해 보자.
인공지능 제품 개발 과정은 수정에 반복을 더해 이루어지는 매우 긴 과정입니다. 그렇다면 여기서는 어떻게 프로토타입을 만들고 피드백을 받을 수 있을까요? 바로 Wizard of Oz (WoZ)라는 방법을 통해서 가능합니다. Wizard of Oz (WoZ) 방법론은 AI 시스템의 역할을 빠르게 테스트하고 개발 주기를 단축하는 방법으로, 한 사람이나 그룹이 AI의 의사 결정 능력을 흉내 내 실제 환경에서 시스템을 평가합니다. 우선은 사람이 시스템 뒤에서 우리 제품이 제공하길 희망하는 적절한 정보를 제공하면서 사람들에게는 사람이 아닌 기술이 이 기능들을 제공하는 것으로 안내합니다. 기술을 사람이 흉내 내, 마치 인공지능이 기능을 제공하는 것처럼 사람들에게 평가받은 후 사람들이 기술과 어떻게 상호작용하는지 그 과정을 분석함으로써 제품의 결함을 발견하고 팀에 통찰력을 제공합니다.
출처 : https://bcgplatinion.com/insights/ai-design-human-centered-approach/반복적인 디자인 과정을 통해 제품을 발전시키자.
AI 시스템의 초기 버전을 테스트하는 것도 중요한 단계 중의 하나입니다. 초기 모델의 경우 아직 부정확한 결과를 도출하지만 그렇다고 이 단계에서 얻을 수 있는 사용자 관련 인사이트가 없는 것은 아닙니다. 즉 불완전한 모델을 통해서도 우리는 뭔가를 배우고 제품을 개선할 수 있습니다. 중요한 것은 한 번에 완벽한 제품을 개발하려고 하는 노력보다 지속적인 반복 과정을 통해서 제품을 발전시키고자 하는 태도입니다. 모든 AI 시스템은 실수하며, 반복 과정을 통해서도 오류 사례를 완벽히 제거할 수는 없습니다. 대신 다양한 오류 사례의 양상을 발견하여 이를 적절히 처리할 방법들을 고민하는 것이 필요합니다. 이는 사용자가 시스템에 대해 유용한 판단을 내릴 수 있고, 올바른 피드백을 제공할 수 있도록 도움을 줄 수 있습니다.
[Prototyping AI with humans] 단계를 더 심도 깊게 탐구해보고 싶다면?
[아티클] The Wizard of Oz Method in UX
https://www.nngroup.com/articles/wizard-of-oz/
위의 아티클을 통해 Wizard of Oz를 통한 User Test 방법에 대해 알아보세요.
7장 Agency, Accountability
기존에 인간이 담당하던 일을 인공지능 시스템으로 대체한다면 어떤 문제가 생길까요? 위의 집값 예측 전문가를 보면 이 사람입장에서는 자신 대신 집값을 예측하는 인공지능을 무조건 환영할 수는 없을 겁니다. 이렇기에 현실 세계에서 인공지능 제품 혹은 서비스를 도입한다는 것은 어느 정도 충돌과 마찰을 동반할 수밖에 없습니다. 인간 세계에는 다양한 이해관계와 가치들이 존재하며 이를 단순히 인공지능 모델로 대체할 수는 없기 때문입니다.
인공지능 시스템에 얼마 큼의 자율성을 부여할지 선택하자.
위험한 일과 반복적인 일처럼 인간이 인공지능에 위임하고 싶은 영역이 있지만 도움을 얻고 싶을지언정 대체하고 싶지는 않은 영역도 있습니다. 우리는 인공지능에 얼마 큼의 자율성을 부여해야 할까요? 이것은 정답이 있는 문제라기보다는 일종의 스펙트럼으로 생각하면 좋습니다. 예를 들어 스마트 로봇 시스템은 좀 더 자율적으로 어떤 행동을 할 수 있다고 설정할 수 있습니다. 이 경우 자율성이 높은 스펙트럼에 위치하게 됩니다. 반면 금융을 위한 자동 거래 플랫폼에서 움직이는 봇을 생각해 보면 어떨까요? 이 봇에 큰 자율성을 부과하기에는 아직 인간의 적절한 개입과 선택이 필요해 보입니다. 중요한 것은 인간이 얼마 큼의 책임을 질지 선택하는 것입니다. 인공지능이 반드시 인간의 개입 없이 자율적으로 동작해야 하는 것은 아닙니다. 무조건적인 자율성을 가정하고 시스템을 개발하는 것이 아닌 이 문제에 적합한 자율성 정도를 선택해야 합니다.
인공지능 시스템에 설명 가능성을 추가하자.
자율성이 높은 시스템은 설명에 대한 책임 또한 커집니다. 시스템이 선택할 수 있는 범위가 넓어지는 만큼 왜 그런 선택을 내렸는지 설명해야 하는 범위도 커집니다. 물론 이 책임은 시스템을 개발한 사람들의 몫입니다. 여기에서 설명 가능성이 모든 것을 설명하는 것을 의미하지는 않습니다. 설명 정도는 이 시스템을 사용하는 사람들의 요구 수준에 따라 다르게 나타날 것입니다. 자율성이 높은데 그 선택에 대해 적절한 설명을 할 수 없는 시스템은 사람들의 신뢰를 얻을 수 없습니다. 그렇기에 자율성과 설명 가능성 사이의 관계를 이해하고 모델을 설계하는 것이 필요합니다.
[Agency, Accountability] 단계를 더 심도 깊게 탐구해보고 싶다면?
[가이드북 + 워크시트] People + AI Guidebook - Explainability + Trust chapter https://pair.withgoogle.com/chapter/explainability-trust/
위의 가이북을 통해 인공지능에서 설명 가능성이란 무엇이고 신뢰를 어떻게 구축해야 하는지 확인해 보세요.
마무리하기 - Turning Off the Drill
이번 글을 작성하면서 인간을 중심에 둔 인공지능 시스템 개발을 위해 어떤 것들을 고려해야 하는지 알 수 있었습니다. 위에서 이 내용들이 일종의 나침반 역할을 할 뿐 절대적인 것은 아니라는 말씀을 드렸는데요, 선택은 물론 저희의 몫이지만 이러한 나침반들을 적재적소에 활용할 수 있다면 기술을 위한 기술이 아닌 인간을 위한 기술이 어떤 모습을 갖춰야 하는지 대략의 감을 잡을 수 있으리라 생각합니다.
HCAI는 어떤 태도나 방법, 프레임워크 자체를 의미하지는 않기 때문에 제대로 알기 위해서는 철학적인 접근부터 시작해야 할 만큼 매우 큰 주제입니다. 이 자체가 다양한 배경을 가진 사람들의 협업이 필요한 만큼 어떤 관점을 기준으로 두고 보냐에 따라 그 세부적인 내용이 달라질 수 있습니다. 그런 만큼 이 뉴스레터를 읽고 계시는 다양한 직군의 전문가들이 활용할 수 있는 구체적인 방법들도 앞으로 꾸준히 소개해 드리겠습니다.
오늘도 긴 글 끝까지 읽어주셔서 감사합니다.
오늘의 테크 단어 : 에러 (Error)
인공지능에서 사용되는 에러란 주로 컴퓨터 프로그램이 의도한 대로 동작하지 않거나 예상치 못한 결과를 생성할 때 발생합니다. 예를 들면, 프로그램이 사용자의 명령을 정확히 이해하지 못하거나, 부정확한 데이터를 처리하거나, 예상하지 못한 예외 상황에 직면했을 때 발생할 수 있습니다. 이러한 에러는 소프트웨어 개발자들이 코드를 디버그 하고 수정하는 데 필요한 중요한 정보를 제공합니다.
AI Experience (AIX)의 이모저모를 전해드리는 '퓨처드릴'입니다!
퓨쳐드릴은 네 명의 에디터가 매주 돌아가면서 글을 작성하고 있습니다.
퓨쳐드릴 뉴스레터는 월요일 아침 8시에 발송됩니다.
새로운 뉴스레터를 받아보고 싶으시다면 https://futuredrill.stibee.com/ 여기서 구독해 주세요:)
