홍승민경영컨설팅(주)

사업계획서 작성 문의는 010-6742-1176 / 홍승민생성형 포럼 사이트 : https://llmrag.co.kr_______________________________________________________ RAG 관점에서의 양질의 데이터 RAG는 학습이 아닙니다. 하지만 학습이랑 유사하기에 혼선을 겪는 저와 같은 문과생들을 위해 다시 말씀드리면, 텍스트 그대로 ‘검색증강’입니다. 즉 어떤 검색을 할 때 검색의 확장을 위해 추가적인 정보를 제공하는 것입니다. 이것을 통해 생성형 인공지능은 최신성을 반영하게 되고 환각현상을 최소화할 수 있는 것입니다. 검색증강이다 보니 RAG 관점에서 양질의 데이터는 형식이 일정 부분 결정되었다고 해도 좋습니다.  (1) 검색엔진(구글, 네이버 등)에서 자료를 찾..

카테고리 없음 2024. 12. 17. 09:50

사업계획서 작성 문의는 010-6742-1176 / 홍승민생성형 포럼 사이트 : https://llmrag.co.kr_______________________________________________________ 3. 양질의 데이터    제가 강조하는 양질의 데이터는 전통적인 인공지능 학습 관점과는 다른 RAG 관점에서의 데이터입니다. RAG는 학습이 아니라 단순하게 색인 참조 수준 RAG라는 단어가 검색증강이기에 그렇습니다. 먼저 양질의 데이터란 인공지능 학습 관점에서 매우 중요합니다. 양질의 데이터 즉 충분히 개발 의도와 일치하는 데이터를 기준으로 학습을 시켜야 합니다. 그래서 학습을 진행할 때는 학습용 데이터와 테스트용 데이터 이렇게 1세트로 진행해야 합니다. 이런 것이 아니라면 영어식 표현으로..

카테고리 없음 2024. 12. 14. 10:21

따라하면 성공하는 S 곡선을 활용한 신제품 판매숫자 예측하기    해찾기의 목적은 L, a, b를 변수로 해서 SSE가 가장 작은 값이 돼야 합니다. 이유는 오차가 최소화돼야 하고 오차는 음수일 수도 있으니 거듭제곱을 해서 양수로 만들고 이 오차 거듭제곱의 합 SSE가 최소화되면 가장 바람직한 수식이 나올 것입니다. 목표는 SSE 이고, 변수도 설정을 해주고, 제한조건 설명드리겠습니다. 최소값을 구하는 것이고 D2 즉 L 값은 최대값입니다. 100명당 최대로 판매할 수 있는 숫자가 되겠습니다. 저는 200으로 한정을 했고 100명당 최대 200개 즉 1인당 2개 이상 구입을 안 한다는 가정이 전제되어 있는 것입니다. D2:F2는 L, a, b 값으로 당연히 0보다 커야 합니다. E2:F2는 어떤 값이 ..

카테고리 없음 2024. 12. 13. 10:15

따라하면 성공하는 S 곡선을 활용한 신제품 판매숫자 예측하기  로지스틱 곡선 공식 이해 로지스틱 곡선 공식은 다음과 같습니다.  x(t):는 특정 시간의 보급된 숫자라 하겠습니다. t: 시간입니다. L: 최대치입니다. 특정 시간에 x(t)가 접근하는 최대값입니다. 보통 최대 판매량이라 생각하면 됩니다. a: 초기조건을 반영하는 상수입니다. . a 값이 크면 완만하게 성장을 보이다가 시간의 흐름에 따라 급격하게 증가하는 패턴을 보입니다. e: 오일러수입니다. 2.718b: 성장률을 보여주는 상수입니다. b 값이 크면 곡선이 가파르게 증가 합니다.  복잡한 공식을 외울 필요도 없고 이해 하실 필요는 조금 있지만, 크게 이해를 요구하지도 않겠습니다. 이거 복잡합니다. 그냥 그런가 보다 하고 넘어가겠습니다. ..

카테고리 없음 2024. 12. 11. 10:08

사업계획서 작성 문의는 010-6742-1176 / 홍승민생성형 포럼 사이트 : https://llmrag.co.kr_______________________________________________________ 2. 창의성과 공동창작   창의성 관점에서의 생성형 인공지능 창의성 관점에서 생성형 인공지능을 이야기를 먼저 하면, 항상 제가 강조하는 부분인 생성형 인공지능은 창의성을 도와주지 않습니다. 단언하건데 창의성을 도와주지 못합니다. 이렇게 단언하는 가장 큰 이유는, 생성형 인공지능의 기본 개념인 ‘멀티트랜스포 모델’을 이해하시면 조금 도움이 됩니다. 하지만 기본개념을 몰라도 너무 쉽게 이해 가능합니다. 생성형 인공지능은 데이터를 학습한 이후 데이터 간 가장 유사한 단어를 조합해서 해석하고 분석하..

카테고리 없음 2024. 12. 8. 10:04

따라하면 성공하는 소비자 가치판단 기준 (컨조인트분석)   (앞선 글에 이어) 순위 역순순위 역순은 순위를 반대로 표현한 것입니다. 이유는 우리가 조사한 결과는 1등이 가장 우수한 것인데, 숫자 관점에서 1은 가장 낮은 숫자입니다. 그래서 순위를 역순으로 해야 32가 가장 높은 숫자가 됩니다.   다중회귀 진행이제 회귀방정식을 구하면 되는데 한 가지 문제가 있습니다. 엑셀에서 독립변수는 최대 18개까지 가능합니다. 하지만 더미변수를 만들면서 독립변수가 총 19개가 되었습니다. (통계 도구나, 파이썬, R에서는 상관없음) 그래서 하나를 제거해야 줘야 하는데 예시에서 보여드리는 컨조인트 분석은 모든 변수가 범주형이므로 하나의 독립변수를 제거하면 안 되고 한 항목을 다 제거해야 합니다. 그래서 가장 못생긴 ‘..

카테고리 없음 2024. 12. 3. 10:23

따라하면 바로 적용 가능한 이동평균법과 계절요인 제거하는 방법   (앞선 글에 이어) 계절요인분석 4 이제 예상매출을 구해야 하는데, 예상 매출은 추세식을 같이 사용해서 구하겠습니다. 그러니까 앞서서 구한 추세식을 이제 다시 한번 이용하는 것입니다.  추세식*수정된 계절지수 I9=E9*M11즉 3분기의 추세식값에 3분기의 수정된 계절지수를 곱한 것입니다. 근데 우리는 VLOCKUP 함수를 배웠으니 이를 적용하면  =E9*VLOOKUP(C9,$K$9:$M$12,3,0)=추세식*VLOOKUP(분기가,K9부터 M12까지 같은 것을 찾아서 세 번째 숫자를 제시하고 아니면 0을제시) 이제 더블클릭을 해서 우리가 궁금한 2024년도 예상 매출액을 확인하겠습니다. 마지막으로 이러한 결과를 과연 몇% 정도 믿어야 하느..

카테고리 없음 2024. 11. 8. 10:33

따라하면 바로 적용 가능한 이동평균법과 계절요인 제거하는 방법   계절요인분석 1 계절요인은 말 그대로 계절 즉 시즌의 영향력을 고려하여 예측하는 방법입니다. 예를 들어 설명드리면, 우리가 매출액을 예측할 때 분기별 특징이 있을 수 있습니다. 여름에는 많이 팔리는데 겨울에는 안 팔리는 것들. 우리는 이런 것을 고려해서 이동평균법과 가중이동평균법 이라는 것을 적용해서 이 ‘계절요인’ 이라는 것을 최대한 상쇄 시키는 방법에 대해서 알아봤습니다. 이러한 방법을 쓰면 특히 가중이동평균을 쓰면 이동평균 보다 계절적 요인을 덜 타게 되는 예측이 가능한 것입니다. 그럼, 혹시 이 계절적 요인 적용을 적극적으로 하는 건 어떨까요? 그럼 분석이 좀 더 정확하지 않을까요? 구체적으로 매 분기별 이동평균을 하는데 여기에 계..

카테고리 없음 2024. 11. 5. 10:11