AI 활용 ② AI 도구·에이전트 활용

卡片預覽

共 113 張，顯示前 5 張。

1. 1

   AI로 업무를 자동화하려 할 때 가장 먼저 해야 할 일은?

   1. 1가장 성능이 좋다고 알려진 최신 모델부터 고른다
   2. 2가능한 한 많은 데이터를 일단 모아 둔다
   3. 3에이전트 프레임워크를 먼저 설치해 구조를 잡는다
   4. 4해결할 문제와 성공 기준을 구체적으로 정의한다

   答案해결할 문제와 성공 기준을 구체적으로 정의한다

   무엇을 얼마나 잘하면 성공인지 정해야 필요한 데이터, 접근 방식, 평가 방법이 정해진다. 모델·프레임워크 선택은 문제 정의 다음 단계다. 예를 들어 ‘불량 분석 리포트 작성 시간을 절반으로’처럼 측정 가능한 목표를 먼저 세운다.

2. 2

   ‘불량 원인 분석 보고서 자동화’ 과제를 AI로 풀기 위해 업무를 나누는 방법으로 가장 적절한 것은?

   1. 1보고서 양식만 새로 바꾸고 분석은 기존처럼 사람이 전부 수행하게 한다
   2. 2수집·이상 탐지·원인 후보 정리·보고서 작성으로 나눠 단계별로 맞는 도구를 정한다
   3. 3모든 원시 데이터를 가장 큰 LLM 하나에 한꺼번에 넣고 보고서 전체를 한 번의 호출로 쓰게 한다
   4. 4가장 어려운 원인 판단 단계부터 완전 자동화하고 나머지 단계는 나중에 본다

   答案수집·이상 탐지·원인 후보 정리·보고서 작성으로 나눠 단계별로 맞는 도구를 정한다

   큰 업무를 단계로 쪼개면 단계마다 규칙, 통계, ML, LLM 중 맞는 도구를 고를 수 있고 어디서 틀렸는지 추적하기 쉽다. 전부 LLM 한 번에 맡기면 검증이 어렵고 환각 위험이 크다. 보통 자동화하기 쉬운 단계(수집·요약)부터 시작해 효과를 확인한다.

3. 3

   측정값이 규격 상한을 넘으면 경보를 보내는 업무가 있다. 가장 적절한 접근은?

   1. 1단순한 규칙(임계값 비교)으로 구현한다
   2. 2자율 에이전트가 상황을 보고 경보를 보낼지 정하게 한다
   3. 3딥러닝 이상 탐지 모델을 학습시켜 경보를 판단한다
   4. 4LLM에게 측정값을 보여 주고 경보 여부를 판단하게 한다

   答案단순한 규칙(임계값 비교)으로 구현한다

   명확한 기준이 있는 판단은 규칙이 가장 빠르고, 싸고, 정확하며, 설명 가능하다. AI는 규칙으로 표현하기 어려운 문제에 쓸 때 가치가 있다. 쉬운 문제에 LLM을 쓰면 비용과 불확실성만 늘어난다.

4. 4

   수년간 쌓인 공정 센서 수치(표 데이터)로 다음 로트의 수율을 예측하려 한다. 가장 적절한 접근은?

   1. 1RAG로 과거 수율 보고서를 검색해 비슷한 값을 답하게 한다
   2. 2트리 부스팅 같은 전통적인 머신러닝 회귀 모델을 학습한다
   3. 3LLM에 과거 수치를 텍스트로 붙여 넣고 수율을 물어본다
   4. 4프롬프트에 ‘정확히 예측해’를 넣어 LLM 답변을 받는다

   答案트리 부스팅 같은 전통적인 머신러닝 회귀 모델을 학습한다

   숫자로 된 정형 데이터의 예측은 전통 ML(XGBoost, LightGBM 등)이 정확하고 저렴하며 검증 방법도 확립되어 있다. LLM은 대량의 수치 계산·회귀에 약하고 결과가 흔들린다. LLM은 이런 모델을 만드는 코드 작성이나 결과 해석을 돕는 데 쓰는 편이 낫다.

5. 5

   작업자들이 남긴 자유 형식의 설비 정비 메모 수만 건을 고장 유형별로 분류하고 싶다. 레이블은 없다. 가장 적절한 시작 방법은?

   1. 1LLM으로 일부를 분류해 보고 사람이 검토해 기준을 다듬는다
   2. 2레이블이 없으니 분류는 불가능하다고 보고 포기한다
   3. 3메모에서 키워드 하나씩 골라 수작업 규칙만으로 모두 분류한다
   4. 4수만 건 전체를 바로 LLM으로 분류하고 결과를 그대로 쓴다

   答案LLM으로 일부를 분류해 보고 사람이 검토해 기준을 다듬는다

   비정형 텍스트 분류는 LLM이 강한 영역이다. 레이블 없이도 분류 기준을 지시해 바로 시작할 수 있다. 다만 일부 샘플로 정확도를 사람이 확인하고 기준을 다듬은 뒤 전체에 적용해야 한다. 이렇게 만든 레이블로 나중에 작고 싼 분류 모델을 학습시킬 수도 있다.