ML이 잘 맞는 케이스, 잘 안 맞는 케이스

기계학습이 제값을 하는 조건

기계학습은 문제가 어렵다는 이유만으로 필요한 도구가 아니야. 사람이 규칙을 일일이 적기에는 패턴이 복잡하고, 그 패턴을 보여 줄 사례와 믿을 만한 정답이 충분하며, 틀렸을 때 피해를 알아차리고 되돌릴 수 있어야 해. 운영 중에도 데이터의 성질이 재학습 속도보다 훨씬 빨리 바뀌지 않아야 하고. 표 형태 데이터의 순위 매기기, 사기 가능성 점수, 수요 예측, 추천, 대량 이미지의 1차 분류가 대표적인 예야. 공통점은 정답을 반복해서 관찰할 수 있고, 예측을 실제 업무에 넣은 뒤 성과를 재측정할 수 있다는 거지.

첫 선택이 아니어야 할 때

명시적 규칙이 이미 충분할 때: 몇 줄짜리 규칙이 정확하고 감사도 쉽다면 모델은 이득 없이 장애 지점만 늘려.
한 번의 오판이 돌이킬 수 없을 때: 안전, 생명, 권리를 좌우하는 결정을 모델 점수 하나에 맡기면 안 돼. 사람의 검토나 별도 안전장치가 필요해.
정답 자체가 흐릴 때: 담당자마다 답이 다르거나 결과가 늦게 확정되면 모델은 진실이 아니라 그 불일치를 배워.
세상이 너무 빨리 바뀔 때: 학습하고 배포할 즈음 패턴이 사라진다면 고정 모델보다 실시간 규칙이나 절차 변경이 낫지.
모든 결과에 설명 책임이 있을 때: 대출, 채용, 의료처럼 근거를 제시해야 하는 업무라면 정확도뿐 아니라 설명 가능성과 이의 제기 절차까지 설계해야 해.

대안도 같은 기준에서 비교해

기계학습을 쓰지 않는다고 기술을 포기하는 건 아니야. 검색 화면을 개선하거나 입력 양식을 바꾸고, 분명한 규칙을 자동화하거나, 사람이 볼 대상을 우선순위로 정하는 것만으로도 큰 효과가 날 수 있어. 각 대안의 정확도뿐 아니라 구축 시간, 설명 책임, 장애 복구, 유지 인력을 함께 적어. 모델이 조금 더 정확해도 운영비와 위험을 합치면 단순한 방식이 이길 수 있거든.

5분 적합성 점검

아이디어마다 패턴의 복잡성, 정답 자료의 양과 신뢰도, 실수의 회복 가능성, 변화 속도를 1점부터 5점까지 매겨 봐. 변화 속도만은 느릴수록 높은 점수로 뒤집어 계산해. 두 항목 이상이 3점보다 낮다면 곧장 모델을 만들지 말고 문제를 더 작게 자르거나 규칙, 검색, 업무 절차 개선을 먼저 시험하는 편이 좋아. 점수는 결론을 대신하지 않아. 팀이 낙관을 숫자로 포장하지 못하게 만드는 대화 도구야. 점수가 좋아도 실제 기준선과 작은 현장 실험을 통과하기 전에는 적합성이 증명된 게 아니야.

Code

5분짜리 기계학습 적합성 점검표·python

def ml_fit_score(idea):
    pattern = idea["pattern_complexity"]
    labels = idea["label_availability"]
    reversibility = idea["mistake_reversibility"]
    drift = 6 - idea["drift_speed"]  # invert: slower drift is better
    return (pattern + labels + reversibility + drift) / 4

fraud = {"pattern_complexity": 5, "label_availability": 4, "mistake_reversibility": 4, "drift_speed": 4}
print(ml_fit_score(fraud))  # ~3.75 → strong fit

가장 단순한 기준선부터 배포하기·python

from sklearn.dummy import DummyClassifier

baseline = DummyClassifier(strategy="prior").fit(X_tr, y_tr)
print("baseline accuracy:", baseline.score(X_te, y_te))

기계학습이 제값을 하는 조건

첫 선택이 아니어야 할 때

대안도 같은 기준에서 비교해

5분 적합성 점검

Code

External links

Exercise

Progress

댓글 0