AICE Basic 후기와 팁

취업을 앞두고 KT Aivle School에 수업을 듣고 싶어 지원서 작성 시 가산점이 붙는 AICE 자격증 시험을 봤습니다.

AICE는 총 Basic, Associate, Professional 난이도를 선택하여 볼 수 있으며

자세한 사항은 여기에서 찾아볼 수 있습니다.

 

AICE는 AICertificate for Everyone 개인의 AI 활용 역량을 확인하고 인증받을 수 있는 KT 자체 개발 민간자격증입니다.

나머지 내용은 AICE 홈페이지에 자세히 나와있고 다양한 기관에서 AI 활용을 위해 AICE를 도입하고 있는 것이 인상적이었습니다.

출처: https://aice.study/info/aice

1. 후기

1) 시험 방식

 

AICE Basic 시험은 KT에서 자체 개발(?)한 웹 기반 AI 실습 플랫폼인 AIDU ez에서 진행됩니다. 저 또한 교육, 실습, 시험을 모두 AIDU ez에서 진행하였고 중요한 점은 딥러닝 기반 AI 실습 플랫폼입니다.데이터 탐색부터 시각화, 모델 적용까지 하나의 웹 페이지에서 구성되어 있고 생각보다 속도가 빨라서 놀랐습니다. 다소 적은 문제로 엥 이게 자격증 시험인가 하는 의문도 있었습니다.(더 높은 난이도의 시험은 jupyter lab을 이용해 직접 코딩하는 것 같습니다.)

 

2) 준비 기간

 

데이터를 복수 전공하여 반전공자이기 때문에 어느 정도 용어들은 숙지하고 있어 1주일 정도 시간이 걸렸습니다. 하지만 시험 접수 후 AICE에서 제공하는 자체 교육이 있는데 꼭 들으셔야 합니다.AIDU ez의 사용법부터 실제 시험에 도움이 되는 용어와 개념 설명이 있고 실제 실습까지 이어지기 때문에 시험에 아주 도움이 되었습니다.

 

3) 시험 전 체크사항

 

공지사항에 잘 나와있지만 웹캠을 통해 시험 중인 나를 감독관님께 보여드려야 합니다. 또 핸드폰으로 신분증 인증을 하고 핸드폰은 시험 중인 나의 옆모습을 감독관님께 보여드려야 합니다.(비대면 온라인 시험!!) 또 시험 전 사전점검을 위해 시험 창을 활성화시켜주는데 이때 미리 내 PC에서 잘 작동하는지 살펴보는 것을 추천드립니다.(웹캠, 스피커, 신분증 인증 등 연습 단계)

 

4) 시험 후기

 

시험은 60분 15문항으로 80점 이상이 합격 기준입니다. 어려움은 없었지만 저 같은 A린이들은 꼭 준비를 하셔야 합니다.(기본) 합격 여부는 2주 후에 공개된다고 합니다. 나머지는 AICE 측에서 미리 메일 등으로 사전에 준비 혹은 점검해야 할 것들을 잘 설명해주셔서 이에 잘 따라가시면 누구나 도전해볼 수 있는 시험이라고 생각합니다.

 

2. 팁

팁은 도움 될만한 내용이 뭐가 있을까 생각해본 결과 

조금 헷갈린 부분 혹은 처음 입문하신 분이 다소 생소한 개념에 대해 간단히 적어드리고 글 마치고자 합니다.

 

1) 딥러닝의 구조

딥러닝은 여러 층으로 이뤄진 인공신경망을 의미합니다. 해당 그림에서는 크게 입력층(Input layer), 은닉층(Hidden layer), 출력층(Output layer)로 구성됩니다.각 층의 역할이 무엇인지? 저 수상해 보이는 Hidden layer는 무슨 일을 하는지? 학습의 순환이 이뤄지는지? 에 대해서 숙지하시면 좋을 것이라 생각됩니다.

 

2) 데이터 분리(Data split)

데이터 분리

머신러닝, 딥러닝은 모델을 통해 예측, 분류하고자 합니다. 그렇기 때문에 모델 학습에 사용되는 데이터에만 치중된 모델이 만들어진다면 이 모델을 실무나 실생활에 적용할 수 있을까요? 이를 보완하기 위해 데이터를 분리해주는 작업을 실시합니다. 주로 8:2 혹은 7:3 비율로 분할하여 모델에 새로운 데이터를 활용하기 전에 미리 테스트해보는 작업입니다.훈련 데이터 집합은 훈련에만 사용되고 테스트 데이터 집합은 모델의 테스트용으로 사용하게 됩니다. 검증 데이터 집합은 모델의 성능을 위해 모델 선택에 사용됩니다. 왜 데이터를 분리해주는지? 분리된 각 데이터 집합은 무슨 역할을 맡는지? 에 대해 숙지하시면 좋을 것이라 생각됩니다.

 

 

3) 과적합과 과소적합(Overfitting and Underfitting)

앞서 말씀드렸던 모델의 주목적은 "새로운 데이터를 넣고 활용하자! "입니다. 그러기 위해선 모델의 정확도가 중요합니다어느 한쪽에 치우쳐서 안되고 혹은 부족해선 안 되겠죠. 과적합은 모델이 학습 데이터에는 잘 작동하지만 새로운 데이터가 들어오면 다소 잘못된 결과를 내는 것을 말합니다. 과소적합은 모델이 학습 데이터에도 좋지 못한 성능을 나타내는 경우입니다. 과적합과 과소적합은 위에서 언급된 데이터를 분리해주는 이유이기도 합니다. 딥러닝에서는 이 과적합을 방지하기 위해 Dropout과 early stopping 기법이 있습니다. Dropout은 hidden layer의 노드 수를 적당하게 줄여줌으로써 과적합을 방지해주는 기법이고 early stopping은 모델의 학습 중 가장 좋은 성능이 나오고 더 이상 성능의 향상이 없을 때 학습을 미리 중단하여 과적합을 방지해주는 기법입니다.

과적합과 과소적합의 개념은 AI에서 중요한 부분이기에 상세한 개념은 무조건 찾아보시는 것을 추천합니다.

따라서 과적합과 과소적합은 무엇인가? 과적합과 과소적합이 발생되는 이유는 무엇인가? 과적합과 과소적합을 방지하기 위해 어떻게 해야하는가?에 대해 숙지하시면 좋을 것이라 생각됩니다.

 

좀 더 많은 개념을 적고 싶지만 저정도로 마무리하고 나머지 키워드만 나열하고 마무리하겠습니다.(저도 공부가 필요해서..)

 

Keyword:

데이터 탐색 및 전처리(결측치와 이상치, 데이터 분포, 데이터 시각화(히트맵, 박스플롯 등), 데이터 가공(데이터 인코딩, 정규화와 표준화 등), 모델 적용(지도학습과 비지도 학습)