DataAnnotation · Outlier AI

ChatGPT와 Gemini의 학습 데이터를 작성하고 모델 답변을 평가하는 일을 했습니다. 코딩·수학·글쓰기 등 여러 분야의 질문에 대한 모델 답변이 얼마나 정확하고 유용한지 평가하고, 더 나은 답변을 직접 작성해 개선했습니다.

• 사람 피드백을 통한 모델 정렬 (RLHF)
• 여러 모델의 답변을 비교·평가하고 순위 지정
• 틀린 정보나 환각(hallucination)을 찾아 개선 피드백 작성

Titanic: Machine Learning from Disaster

이름에서 호칭을 추출하고 가족 수를 피처로 만들어, 랜덤포레스트로 생존자를 예측했습니다.

Playground Series S6E6 — Predicting Stellar Class

LightGBM, XGBoost, CatBoost 세 모델을 앙상블하고 5-Fold 교차검증으로 별·은하·퀘이사를 분류했습니다. 밝기 차이를 나타내는 색지수(u-g, g-r) 등의 피처를 직접 설계했습니다.

집값 예측 모델 (Linear Regression)

주택의 여러 특성으로 가격을 예측하는 선형 회귀 모델을 만들어봤습니다. 머신러닝의 기본 흐름을 익히려고 시작한 첫 모델입니다.

항공기 제조사 분류 (Transfer Learning · CNN)

FGVC-Aircraft 데이터셋으로 항공기 제조사 30종을 분류해봤습니다. ImageNet으로 미리 학습된 MobileNetV2를 가져와 앞부분은 고정하고 뒤쪽만 학습시킨 다음, 학습률을 크게 낮춰 상위 층을 다시 미세조정하는 방식으로 검증 정확도 60%가 나왔습니다. Boeing과 Airbus처럼 생김새가 비슷한 걸 구분하는 문제라 일반 이미지 분류보다 까다로웠는데, 이미지 아래에 붙은 저작권 문구를 그대로 두면 모델이 그 글자를 학습해버려서 잘라내야 했던 점이 특히 기억에 남습니다.

• 뒷부분만 먼저 학습한 뒤 전체를 미세조정하는 2단계로 진행
• 학습에 쓰지 않은 인터넷 사진으로도 787·A321을 제대로 맞힘
• 제조사 30종 분류로 시작 — 세부 기종까지 나누면 더 어려워지는 구조

학습 결과 및 추론 예시 보기