가상의 상담 분류기가 환불 문의를 틀렸다면 모델을 바꾸기 전 환불과 취소의 라벨 정의가 서로 다른지 살펴봐야 합니다. 앤드루 응 읽기 02편은 Andrew Ng · Machine Learning Yearning에서 이 질문의 출발점을 찾습니다.
원문이 보여 주는 범위
앤드루 응의 Machine Learning Yearning은 기계학습 프로젝트에서 개발·평가 자료와 오류 분석을 활용해 다음 개선 방향을 정하는 실무 판단을 다룹니다.
책 소개 페이지만으로 정확한 공개일이나 모든 세부 절차를 확인할 수 없습니다. 원문 전체를 대조하기 전에는 구체적인 기법을 응의 직접 지시로 인용하지 않습니다. 이 경계를 넘는 주장은 별도의 증거가 필요합니다.
업무에서는 무엇을 바꿀까요
여기서부터는 카이로스의 업무 적용 제안입니다. 점수 한 개가 낮다고 바로 모델을 바꾸면 정답표의 문제를 놓칠 수 있습니다. 실패 사례를 입력 누락, 라벨 충돌, 출력 오류로 임시 분류하고 가장 자주 나타나는 원인을 먼저 고칩니다. 이 분류표는 독자용 편집 도구이며 책의 원문 절차를 그대로 옮긴 것은 아닙니다.
판단을 나누는 질문
실패 다섯 건을 같은 “오답”으로 묶지 않습니다. 입력에 필요한 정보가 빠졌는지, 정답표가 서로 충돌하는지, 충분한 자료가 있는데도 모델이 잘못 판단했는지에 따라 다음 조치가 달라집니다. 분류가 애매한 사례는 버리지 말고 판정 기준을 고칠 후보로 남깁니다.
이번 주 과제
실패 사례 다섯 건을 입력 문제·정답표 문제·모델 문제의 세 칸 중 하나에 임시로 놓습니다.
완료 기준은 다른 담당자가 입력·판정 기준·보류 이유를 보고 같은 결론에 도달할 수 있는지입니다. 근거가 부족하면 결론 대신 확인할 질문을 남깁니다.
이 글은 AI의 도움을 받아 작성했습니다. 원문의 주장과 카이로스의 해석을 구분했으며, 업무 장면은 합성 사례입니다.
AI의 도움을 받아 작성하고 원문 주장과 업무 해석을 구분했습니다. 대표 이미지는 카이로스가 생성한 개념 이미지이며 실제 연구 도식이 아닙니다.