이 AI가 당신의 피드와 음식을 결정한다

영상은 예측 AI가 과거 데이터로 미래 결과를 추정하는 원리와 활용 사례를 설명합니다. 추천 시스템과 채용 도구에서 나타나는 편향과 피드백 루프 문제를 짚고, 입문자를 위한 학습 순서와 편향 감사 실습 아이디어를 제시합니다.

⏱ 00:00예측 AI는 과거 데이터를 바탕으로 앞으로 일어날 결과를 추정하는 시스템입니다. 영상은 사용자가 질문을 입력하면 답을 돌려주는 생성형 AI와 예측 AI는 목적이 다르다고 설명하며, 예측 AI에서는 예측값 자체가 최종 결과물이라고 정리합니다. 예측 작업은 분류(예: 스팸 메일 판별), 수치 예측, 랭킹 등 여러 형태로 나뉩니다.

⏱ 00:57예측 AI는 크게 네 단계로 작동합니다. 첫째 데이터를 수집하고, 둘째 예측에 사용할 특징(feature)을 고르며, 셋째 모델을 학습시키고, 넷째 예측값을 만듭니다. 영상은 특징이 모델이 실제로 학습하는 재료라는 점을 강조하며, 예측 후에는 결과를 평가해 모델을 개선하는 과정이 이어진다고 설명합니다.

⏱ 03:30예측 AI는 일상 곳곳에서 쓰입니다. 소셜 미디어에서는 콘텐츠 참여도를 예측해 게시물을 추천하고, 쇼핑 앱에서는 상품을 추천합니다. 교통 상황을 예측해 이동 시간을 계산하거나 의심스러운 거래를 찾아내는 데도 활용됩니다. 채용 영역에서는 지원서를 자동으로 선별하는 데 쓰이는데, 영상은 이때부터 예측 AI가 단순한 편의 기능을 넘어 개인의 기회와 직결된다고 짚습니다.

영상 속 예시로 나온 예측 시간 추정도 같은 원리에서 나온 결과라고 설명합니다.

⏱ 04:55대표 사례로 2018년 아마존이 실험한 채용 도구가 언급됩니다. 과거 채용 데이터에 남성 지원자가 많았기 때문에 모델이 여성과 관련된 이력서 요소에 불리한 점수를 매기는 편향을 학습했고, 결국 문제로 드러났습니다. 과거 데이터의 불평등이 예측 결과에 그대로 반영될 수 있다는 점이 핵심이며, 데이터를 학습시킨다고 해서 자동으로 공정해지는 것은 아니라는 경고로 이어집니다.

추천 시스템에서는 사용자가 추천을 클릭할수록 시스템이 그 행동을 다시 강화하는 피드백 루프가 생깁니다. 영상은 이런 순환이 사용자의 행동 범위를 점점 좁힐 수 있다고 설명합니다. 또한 예측이 목표 지표에서는 정확하더라도 당사자에게는 나쁜 결과를 낳을 수 있다고 지적합니다.

⏱ 06:51예측 모델은 은행, 전자상거래, 물류, 의료 등 여러 산업에서 사용됩니다. 사기 거래 탐지, 판매량 예측, 설비 고장 예측, 수요 예측 같은 업무가 대표적입니다. 영상은 입문자를 위한 학습 순서로 파이썬 기초, 데이터 처리 라이브러리인 Pandas, 데이터베이스 질의 언어인 SQL, 평균과 분포, 확률, 상관관계 같은 통계 개념, 그리고 모델 평가 개념을 차례로 익히라고 제안합니다.

⏱ 08:00실습 아이디어로는 동네 찻집, 빵집, 작은 식당의 실제 데이터를 활용해 매출을 예측하는 모델을 만들어 보는 방법이 소개됩니다. 또 간단한 이력서 선별 모델을 직접 만들고, 성별, 대학 등급, 지역 같은 항목에 따라 예측이 어떻게 달라지는지 점검하는 편향 감사 프로젝트도 제시됩니다. 영상은 좋은 머신러닝 프로젝트란 모델이 잘 작동하는 지점을 보여 주는 것이 아니라, 어디서 실패하는지 이해하는 데 있다고 강조하며 마무리합니다.