AICE ASSOCIATE 후기와 팁

KT Aivle School에서 ASSOCIATE 시험까지 지원해 줘서 지난번에 이어 ASSOCIATE시험 후기와 팁입니다.

 

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 있습니다.
Chat gpt의 등장으로 데이터 리터러시에 이어 AI 리터러시 역량이 강조되는 현재 AI산업에 관심이 있는 분이라면 자신의 역량을 시험해볼 수 있는 좋은 기회입니다.

출처: https://aice.study/info/aice

후기를 쓰기 전에

다음과 사전 학습이 필요 혹은 완료된 분께 적합한 시험입니다.

- 파이썬 기초에 대해 기본적인 선수 지식이 필요합니다.

- 데이터 분석을 위한 파이썬 라이브러리를 다룰 수 있어야 합니다.(Pandas, Numpy, matplotlib, seaborn, ML/DL)

- 머신러닝/딥러닝 모델링 프로세스에 대해 이해가 필요합니다.

- 머신러닝/딥러 성능 평가에 대해 이해가 필요합니다.

1. 후기

1) 시험 방식

AICE Basic과 달리 시험 환경은 Jupyter lab에서 진행되었습니다. AIDU ez의 Drag & Drop 방식이 아닌 수험생이 직접 주어진 데이터에 대해 전처리와 모델링을 진행하는 방식입니다. AICE Basic 시험 당시 웹캠을 통해 수험생 감독과 동시에 개인 핸드폰 카메라를 통해 감독이 이어졌는데 최신 AI 시험감독기술이 도입되어 웹캠으로만 감독하는 구조입니다. 

 

2) 준비 기간

AIVLE School측에서 따로 특강을 마련해 주셔서 부담 없이 준비할 수 있었고 2주간 AICE 사이트를 통해 연습 문제와 다양한 실습 파일을 통해 자투리 시간을 할애하여 준비하였습니다. 

 

3) 시험 전 체크사항
시험응시 준비를 위해 우선 웹캠이 필수입니다. 또 시험 전 사전준비를 통해 접속환경을 테스트해 볼 수 있습니다. 또 개인 신분확인을 위해 신분증이 필수이기에 필수 사항에 대해 숙지하시고 준비하시길 바랍니다. (여러 번 메일을 통해 안내해 주니 준비 기간이 넉넉합니다!)

 

4) 시험 후기

시험은 90분 14문항으로 80점 이상이 합격 기준입니다. 합격 여부는 2주 후에 공개된다고 합니다. 기본적으로 가장 중요한 것은 전체적인 모델링 프로세스입니다. 회귀와 분류 문제를 구별하고 문제에 맞게 데이터 탐색, 전처리, 모델링 성능평가가 필요합니다. 이러한 부분을 모르는 사람은 어떻게 준비해 볼 수 있을까? 고민해 본 결과 네이버 부스트코스를 참고하신다면 좋을 것 같습니다. AICE Basic시험 응시때 AICE 측에서 사전 교육도 철저하게 준비하여 제공하니 Associate도 제공되리라 생각합니다.

2. 팁

1) 기초 파이썬 지식과 데이터 분석을 위한 라이브러리 경험
해당 부분을 모른다면 시험을 응시하기에 다소 어려울 수 있습니다. 파이썬을 통해 데이터를 탐색/전처리해보고 시각화한 경험이 가장 필수적이라고 생각합니다. 

 

2) 머신러닝/딥러닝 모델링 프로세스에 대한 이해

출처https://github.com/DreamingDataScientist/MachineLearning/blob/master/ML%EA%B0%9C%EB%85%90/%EB%8D%B0%EC%9D%B4%ED%84%B0%EB%AA%A8%EB%8D%B8%EB%A7%81%EC%A0%88%EC%B0%A8.md

 

출처:https://tensorflow.blog/%EC%BC%80%EB%9D%BC%EC%8A%A4-%EB%94%A5%EB%9F%AC%EB%8B%9D/3-%EC%8B%A0%EA%B2%BD%EB%A7%9D-%EC%8B%9C%EC%9E%91%ED%95%98%EA%B8%B0/

위 그림예제는 모델링 프로세스를 잘 나타내고 있습니다.
모델링 프로세스는 데이터 분할>전처리(모델링을 위한)>학습> 성능평가로 이뤄져 있고 데이터에 특성에 맞는 데이터 분할, 모델링에 필요한 데이터 전처리 등이 모델 성능을 좌지우지합니다. Associate시험을 응시하려는 수험생분들은 기본적인 내용을 잘 숙지하실 것이라 생각됩니다.

 

3) 성능 평가에 대한 이해

회귀의 경우 Loss function을 최소화할 수 있는 파라미터를 찾는 것이 목적입니다. 따라서 Loss function을 최소화하기 위해 어떤 작업이 필요한지에 대해 숙지하여야 합니다. 딥러닝의 경우 compile단계에서 가중치 업데이트를 위해 loss값을 어떻게 줘야 하는지 설정이 필요하기 때문에 이 부분도 숙지가 필요합니다. 
분류의 경우 Target에 대한 분류의 정확도를 높이는 것이 중요합니다. 모델의 하이퍼파라미터를 조정할 수 있도록 다양한 옵션을 통해 실습해 보는 경험이 필요합니다. 딥러닝의 경우 회귀와 마찬가지로 complie단계에서 가중치 업데이트를 위해 loss값을 어떻게 줘야 하는지 설정이 필요합니다.

 

 

 

인공지능을 통해 다양한 기술과 인프라가 등장하고 있습니다. 데이터 리터러시 역량과 함께 AI 리터러시 역량도 향후 중요한 역량 중 하나로 언급되고 있는 시점에서 개인의 역량 강화와 기술의 흐름을 따라가고 싶은 분들이라면 AICE 시험을 통해 역량을 키워나가보는 것도 좋을 것 같습니다.