74. NIPA AI온라인 교육 AI 실무 응용 과정 (5)산업별 AI혁신 사례

제조분야에서의 인공지능

1. 스마트팩토리

- 제조 생산을 위한 수직적 통합 및 네트워크화된 제조 시스템을 갖춘 공장

- 제조 공정 및 운영 데이터와 통합

1) 오작동 모니터링

- 기계 설비의 오작동율은 환경(제조율, 습기, 온도 등)에 따라 다름

- 따라서 특정 센서 1,2개만으로 오작동을 예측하기에는 정확도에 한계

-> 다양한 데이터에 기반한 ZI를 사용하여 한계를 극복하고 오작동 시점을 예측할 수 있음

 

2) 제품 성능 모의 실험 (Digital Twin)

- 실제 공장을 만들어 제품 생산을 테스트하는 데에는 막대한 시간과 비용을 소모

- 데이터에 기반한 가상의 공장에서 모의 실험을 진행하여 제품 개발, 제품 개선, 유지보수 진행

사례) 독일의 유럽 최대 엔지니어링 회사 지멘스

 

3) 데이터 기반 의사결정 최적화

- 스마트팩토리 내에서 창출되는 빅데이터 분석을 통해 의사결정 최적화

- 데이터 기반의 최적의 운영 스케줄링 등을 통해 전력 사용량 절감 등에 활용 가능하다

 

4) 공정 자동화

4-1) 공정 효율 증대

- AI기술을 활용해 기존에 사람이 발견하지 못했던 비효율 발견이 가능

- 데이터 분석을 통해 병목 및 개선이 필요한 지점을 찾아 공장 최적화 가능

-> 분석에 기반하여 이를 최적화할 수 있는 인공지능 솔루션을 적용할 수 있음

 

4-2) 재고관리 및 물류 자동화

- 데이터화 된 물류 자원을 공유하여 수요 및 공급 예측

- 사람의 도움 없이 하차, 검수, 적재, 분류, 상차에 대한 물류 전 과정의 자동화 가능

 

 

 

2. 산업 자동화

- ICT와 기계 기술 등을 활용하여 정해진 툴에 의해 자동 운전 가능

- 제조 공정 자동화를 통한 인건비, 운영비 절약

 

 

 

인공지능 적용을 위해 필요한 점

1. 해당 도메인에서의 확실한 목표 확립

2. 데이터 분석 전문가와의 지속적 커뮤니케이션

3. 인공지능에 필요한 데이터를 확보할 수 있는 환경 조성

 

 

[퀴즈] 다음 중 <이것>에 해당하는 개념으로 적절한 것을 고르세요.

제품 생산을 테스트하는 시간과 비용을 줄이기 위해, <이것> 을 활용하면 데이터에 기반한 가상의 공장에서 모의 실험을 진행하여 제품 개발, 개선, 유지보수 등을 진행할 수 있다.
1. 스마트 팩토리
2. 제품 성능 모의 실험
3. 고급 프로세스 제어
4. 공정 자동화

[정답] 2

 

[퀴즈2] 다음 중 제조 산업에서의 AI 기술 도입의 필요성으로 적절한 것을 고르세요.

1. 제조 현장의 복잡성이 기하급수적으로 증가함에 따라, 사람이 모든 환경을 고려하기에는 한계가 있기 때문
2. AI 기술 도입을 통해 무조건적인 이윤 창출이 가능하기 때문
3. AI 기술 도입 비용이 갈수록 증가할 것이기 때문에 가능한 일찍 도입해야 하므로
4. 정답 없음

[정답] 3

 

[퀴즈3] 다음 중 제조 산업의 디지털 트랜스포메이션 사례로 적절하지 않은 것을 고르세요.

1. 내부 데이터를 분석하여 공정을 최적화한다.
2. 센서 데이터를 활용하여 공정 이상을 사전에 예측한다.
3. 가상의 공장을 만들어 제조 환경을 미리 테스트해본다.
4. 소비자 개개인의 생활 패턴을 파악하여 최적의 앱푸시 타이밍을 도출한다.

[정답] 4

 

[퀴즈4] 다음 중 산업 내 AI 적용을 위해 고려해야 할 점으로 적절하지 않은 것을 고르세요.

1. 데이터 분석 전문가와의 지속적인 커뮤니케이션
2. 해당 도메인에서의 확실한 인공지능 적용 목표 확립
3. 장기적 비전보다는 단기 성과 위주로 데이터 분석 결과를 평가
4. AI에 필요한 데이터를 확보할 수 있는 환경 조성

[정답] 3

 

 

 

 

[연습문제1] 

개요

복잡한 현대 반도체 제조 공정은 일반적으로 센서 및 공정 측정 지점에서 수집된 신호 혹은 변수 모니터링을 통해 일관된 감시를 받습니다. 그러나 이러한 모든 신호가 특정 모니터링 시스템에서 똑같이 가치가 있는 것은 아닙니다. 측정된 신호에는 유용한 정보, 관련 없는 정보 및 노이즈의 조합이 포함됩니다. 이번 실습에서는 제조 과정에서 나올 수 있는 공정 이상을 머신러닝을 사용하여 예측해볼 것입니다.

실습 데이터 구조

반도체를 제조하는 공정에서 590개의 센서가 시간 별로 기록한 데이터 샘플 1,567개가 주어졌습니다. Pass/Fail 칼럼은 타임 스탬프 별로 간단한 통과 실패율을 나타내며 여기서 –1은 통과(정상)에 해당하고 1은 실패(이상)에 해당합니다. 즉, 이 데이터 테이블은 592개의 칼럼(590개의 센서, 1개의 테스트 통과 결과, 1개의 시간 데이터)과 1,567개의 로우(행) 으로 구성되어 있는 것입니다. 위 데이터를 기반으로 머신러닝 학습을 수행하여, 불량 반도체가 제조될 수 있는 공정 이상 유무를 예측하여 봅시다. 

 

아래 코드를 사용하여 데이터를 읽고 처리하는 과정을 수행해보세요. 

ma.preprocess() Copy

 

아래 코드를 사용하여 학습을 수행시켜보세요.

ma.train(x_train_us, y_train_us)

 

import machine as ma

def main():
    
    """
    지시사항 1번. 데이터를 읽고 처리하는 코드를 작성해보세요.
    """
    x_train_us, x_test_us, y_train_us, y_test_us = ma.preprocess()
    
    
    """
    지시사항 2번. 학습을 수행시켜보세요.
    """
    model = ma.train(x_train_us, y_train_us)
    
    
if __name__ == "__main__":
    main()

 

 

 

 

[연습문제2]

재현율 확인하기

인공지능과 머신러닝을 활용하여 모델을 만들고 나면, 해당 모델이 얼마나 정확히 값을 예측하는지를 평가할 수 있습니다. 이번 실습에서의 모델 퍼포먼스는 재현율(recall score)이라는 값을 통하여 평가해보도록 하겠습니다.

재현율은 모델이 실제 예측할 값을 얼마나 정확히 예측(재현)했는지를 설명하는 지표인데, 실습 환경의 실행 버튼을 눌러 확인해보면 94.7% 라는 유의미한 재현율을 확인해볼 수 있습니다. 높은 재현율을 가진 머신러닝 모델을 만들면 산업 현장에서, 기계가 이상 작동을 하는지에 대해 높은 신뢰도로 미리 확인해볼 수 있기 때문에 경영 환경에 큰 효과를 가져올 수 있습니다.

특성 중요도 확인하기

공장의 센서 데이터로 인공지능 모델을 학습시키면, 단순한 예측 정확도 이상의 지표를 추가로 확인할 수 있습니다.

특성 중요도(feature importance)가 대표적입니다. 이 사례에서 특성 중요도는 인공지능 모델이 기계의 이상 작동을 감지하는 데에 어떤 센서가 가장 중요했는지를 나타냅니다. 우리가 학습시킨 인공지능 모델은 이 사례에서 103번 센서와 163번 센서가 공정 이상을 탐지하는 데에 가장 중요하다고 알려주고 있습니다. 따라서 데이터 과학을 활용하면 해당 센서들을 우선으로 하여 공정 개선 작업을 진행해볼 수 있겠습니다.

 

아래 코드를 사용하여 예측 정확도 결과를 출력해보세요.

ma.evaluation()

 

import machine as ma

def main():
    
    """
    지시사항 1번. 예측 정확도 결과를 출력해보세요.
    """
    ma.evaluation()

if __name__ == "__main__":
    main()

 

 

 

[연습문제3]

공정 이상 예측하기

이전 실습의 학습 결과를 통하여 103번 센서의 관측 값이 중요하다는 것을 알아보았습니다. 이번 실습에서는 103번 센서의 값을 조절 했을 때 공정 이상이 발생할 지를 학습된 인공지능 모델을 사용하여 예측하여 봅시다. 아래는 103번 센서의 관측치 값들의 분포를 나타낸 그래프입니다.

1. None을 지우고 103 번 센서의 관측치 값을 직접 입력하고자 합니다. value_103_sensor에 정상 범위의 값-0.02이상 0이하를 입력하세요.

 

import machine as ma

def main():
	
    """
    지시사항 1번. 103번 센서값인 아래의 value_103_sensor 값을 바꾸어보세요.
    """
    value_103_sensor = -0.01
    
    # 예측을 진행하는 코드입니다.
    ma.predict(value_103_sensor)
    
if __name__ == "__main__":
    main()

 

 

 

 

 

 

이커머스 산업의 AI혁신

1. 맞춤형 상품 추천

- 고객은 스스로 경험한적 없는 상품에 대해 선호도 파악이 어려움

- 보유한 데이터를 바탕으로 고객군별로 모든 상품에 대한 선호도를 예측하여 고객 개개인에게 해당 선호도 예측 결과값 제공

-> 소비자 개개인의 데이터에 기반해 추천 상품 목록을 제작 및 제공, 추가 매출 기회 획득

 

추천 알고리즘

- 미리 설정한 규칙 기반 추천이 아닌 고객 데이터에 따른 인공지능형 추천 알고리즘

- 구매 내역, 고객 프로파일, 소비 패턴, 상품 선호도 등의 데이터를 바탕으로 미래의 소비 예측

-> 고객 선호도 데이터가 많이 쌓일수록 정밀한 예측 가능

 

1) 아이템 기반 추천방식 : 구매한 제품과 유사한 제품 추천 (사람이 하나하나 분류한 제품군)

2) 이용자 기반 추천방식 : 유사 그룹 간 구매 패턴을 파악하여 제품 추천

 

사례) 유튜브 추천 알고리즘

- 유튜브의 경우 추천 알고리즘을 가장 적극적으로 사용하는 대표 서비스

- 대부분의 조회수가 검색이 아닌 추천 동영상을 통해 발생

- 고객 개인의 취향과 영상 간의 관계, 동질 집단의 특성 등을 분석하여 맞춤 동영상 추천

 

 

 

2. 개인화된 마케팅 전략

- 고객 개개인의 특성을 분석하여 소비자들 각각에게 최적화된 서비스 제공

- 다양한 도구를 통해 고객 프로파일, 행동, 성향, 관심사 데이터 등을 수집하여 분석

-> AI를 활용하여 고객별 구매 성향을 예측하여 맞춤형 마케팅 메시지 도출 가능

 

* 과거에는 시간과 비용의 한계로 고객을 단순한 기준에 따라 분류 (고객 segmentation 기반)

AI를 활용하여 모든 고객의 개인화된 특성 파악이 가능

 

 

 

3. 고객 편의 서비스 제공

- 쇼핑의 편의성을 높일 수 있도록 다양한 인공지능 기술을 활용한 서비스 제공

사례) Amazon의 AI비서 알렉사의 경우 AI스피커를 활용해 주문상황조회, 배송 조회, 제품 추천, 기존 상품 재구매 등의 다양한 편의 기능을 지원해 추가 매출 기회 획득

- 챗봇은 고객문의에 대한 신속한 처리로 고객 편의와 다각화된 문의 대응 가능, 비용과 시간 절감 가능

 

 

 

[퀴즈1] 다음 중 이커머스 분야에서의 AI 활용으로 적절하지 않은 것을 고르세요.

1. 도매 상품 품질 검수
2. 개인화된 마케팅 전략
3. 고객 편의 서비스 제공
4. 맞춤형 상품 추천

[정답] 1

 

[퀴즈2] 다음 중 일반적인 상품 추천 알고리즘의 구축에 있어 중요하지 않은 데이터를 고르세요.

1. 제품 매입 단가
2. 고객별 소비 패턴 데이터
3. 고객 선호도 데이터
4. 고객 프로파일

[정답] 1

 

[퀴즈3] 다음 중 아래 설명이 가리키는 개념으로 적절한 것을 고르세요.
고객 개개인의 특성을 분석하여, 소비자들 각각에 최적화된 서비스 및 마케팅 메시지를 제공하는 것

1. 개인화된 마케팅 전략
2. 추천 알고리즘
3. 고객 편의 서비스 제공
4. 고객 자동 응대

[정답] 1

 

[퀴즈4] 다음 중 인공지능을 활용한 고객 편의 서비스 제공의 사례로 적절하지 않은 것을 고르세요.

1. AI 스피커를 활용한 간편한 상품 주문
2. 챗봇 서비스를 활용한 고객 응대
3. 판매 담당자와 고객의 1:1 컨설팅으로 상품 제안
4. AI 기술을 활용한 상품 추천 및 세부 정보 자동 안내

[정답] 3

 

 

 

[Tech insight 실습] 웹사이트는 어떻게 나에게 맞는 상품을 추천하는가?

이번 실습에서는 넷플릭스 데이터를 살펴보고 인공지능 모델을 학습하는 과정을 수행해 보겠습니다.

유튜브 영상을 보고 있던 중 나도 모르게 새로운 영상을 추천 받으며 보고 있지 않나요? 웹상에서 운영되는 영상, 쇼핑, 광고 기업들은 여러분에게 새로운 상품을 보여주기 위하여 인공지능을 활용한 추천 알고리즘을 사용하고 있습니다.

데이터 구조 확인

2019년까지 업로드된 넷플릭스 데이터가 아래와 같이 주어졌습니다.

데이터에는 6234개의 콘텐츠에 대하여 12 가지 변수에 대한 값들이 저장되어 있습니다.

 

데이터 학습

미리 설정된 학습 알고리즘을 활용해 이 데이터로 학습을 진행해보도록 하겠습니다.

아래 코드를 사용하여 인공지능 모델 학습을 수행해보세요.

ma.preprocess()

import machine as ma

def main():
    
    """
    지시사항 1번. 인공지능 모델 학습을 수행해보세요.
    """
    netflix_overall, cosine_sim, indices = ma.preprocess()


if __name__ == "__main__":
    main()

 

 

 

[실습2] 추천 알고리즘 결과 확인

콘텐츠 기반의 추천 알고리즘을 사용하여 새로운 콘텐츠를 추천받아 보도록 하겠습니다.

콘텐츠 기반의 추천 알고리즘은 콘텐츠와 콘텐츠 간의 유사성을 학습하여 특정 콘텐츠를 선택했을 때, 유사성이 높은 콘텐츠들을 리스트 업 할 수 있습니다.

따라서 사용자의 과거 시청 콘텐츠 데이터가 주어진다면 이 콘텐츠들과 유사한 콘텐츠들을 추천할 수가 있습니다.

이번 실습에서는 넷플릭스의 영상 콘텐츠 데이터를 입력 했을 때 유사성을 바탕으로 가장 비슷한 상위 10개의 추천 콘텐츠를 출력해봅니다.

 

1. 우측 작은 따옴표 사이에 아래 예시 중 원하는 영화명을 골라 입력해보세요.
   • Vagabond
   • Pororo - The Little Penguin
   • The Lord of the Rings: The Return of the King
   • Larva

import machine as ma

def main():
    
    netflix_overall, cosine_sim, indices = ma.preprocess()
    
    """
    지시사항 1번. 따옴표 사이에 들어가 있는 영화명을 지우고 왼쪽 지문의 예시 중 원하는 영화명을 입력해보세요.
    """
    title = 'Vagabond'
    
    print("{}와 비슷한 넷플릭스 콘텐츠를 추천합니다.".format(title))
    ma.get_recommendations_new(title, netflix_overall, cosine_sim, indices)


if __name__ == "__main__":
    main()
    
'''
    Vagabond와 비슷한 넷플릭스 콘텐츠를 추천합니다.
                           title      country  release_year  Similiarity
1               A Man Called God  South Korea          2010     0.288300
2               A Korean Odyssey  South Korea          2017     0.264575
3          Strong Girl Bong-soon  South Korea          2017     0.246718
4                     Second 20s  South Korea          2015     0.236643
5                         Tunnel  South Korea          2017     0.232048
6                 Part-Time Idol          NaN          2017     0.226779
7        Romance is a bonus book  South Korea          2019     0.207020
8                      Let’s Eat  South Korea          2013     0.207020
9            The Bride of Habaek          NaN          2017     0.199205
10  Designated Survivor: 60 Days  South Korea          2019     0.198898
'''

 

 

 

 

 

웹/앱 서비스 산업 내 AI 혁신

1. 방문정보 분석 (PV, UV, 신규방문 및 재방문 비율 등)

- 연령, 성별, 지역, 트래픽 소스, 방문페이지, 제품 등의 측정 기준을 통해 사용자의 특성 분석

-> 사용자의 유지 이탈, 집단 간 상이한 행동 패턴 분석 가능

 

 

 

2. 웹/앱 서비스 내 (화면단위) 행동 패턴 분석

- 행동데이터 : 사용자가 서비스를 사용하며 겪게 되는 행동을 데이터화 한 것

1) 익스피디아 A/B 테스트 (A, B안의 차이 : 회사명 기재 유무)

랜덤하게 사용자에게 노출시켜 회사명을 전부 입력하는지, 입력에 피로감을 느끼는지를 판단

더 응답률이 좋은 것을 통해 안을 채택함

 

2) 웹사이트 내 히트맵 분석

사용자들이 많이 보고, 클릭하는 곳에 광고를 넣거나 제품을 배치함

 

- 웹/앱 서비스의 기본 단위인 화면 단위의 고객행동 패턴 분석

ex) 마우스 클릭, 마우스 오버, 스크롤, 체류시간을 개인 DB화

- AI가 고객의 행동 데이터를 분석하여 고객의 행동을 예측

-> 고객의 행동에 맞춘 반응형 이벤트 노출 등으로 고객 이탈 방지, 추가 매출 기회 제안

 

 

 

[퀴즈1] 다음 중 웹/앱 서비스 분야의 AI 기술 활용 방안으로 적절하지 않은 것을 고르세요.

1. 웹 방문 고객 정보 분석
2. 웹/앱 서비스 내 화면 단위 행동 패턴 분석
3. B2B 협상을 통한 상품 매입 단가 조정
4. 방문 고객 프로파일 정보 분석

[정답] 3

 

[퀴즈2] 다음 중 <이것>에 해당하는 분석 서비스 도구로 적절한 것을 고르세요.
Google에서 제공하는 무료 웹사이트 분석 툴로, 웹사이트 내에 <이것> 을 설치하면 방문한 고객들의 트래픽, 정보, 방문경로 등을 분석할 수 있다.

1. Apache Hadoop
2. Google Analytics
3. Amazon EC2
4. Dropbox

[정답] 2

 

[퀴즈3] 다음 중 아래의 설명이 의미하는 웹사이트 분석 개념으로 적절한 것을 고르세요.
웹 사이트의 구조를 테스트해보기 위해, 두 가지 버전(A 안, B 안)의 웹 페이지를 업로드한 후 방문한 고객에게 두 버전 중 하나를 랜덤하게 노출한다. 이후 두 버전의 페이지 중 더 높은 성과를 보인 페이지를 결과에 반영하거나 데이터를 분석하여 인사이트를 획득한다.

1. 쉐도잉
2. 퍼포먼스 마케팅
3 .고객 페르소나 분석
4. A/B 테스트

[정답] 4

 

[퀴즈4] 다음 중 아래의 설명이 의미하는 웹사이트 분석 방법으로 적절한 것을 고르세요.
웹사이트에 방문한 고객들이 화면 내의 어느 부분에 관심이 있는지를 확인해보기 위해, 자주 클릭하거나 마우스를 오래 두는 곳 등을 강조하여 시각화한다. 이를 통해 고객들이 해당 페이지에서 어떠한 부분을 중요하게 보고 있는지를 확인할 수 있다.

1. 매출 이벤트 분석
2. 유입 경로 분석
3. A/B 테스트
4. 웹사이트 내 히트맵 분석

[정답] 4

 

 

 

[Tech insight 실습] 인공지능은 어떻게 이미지를 인식하고 대처하는가?

인공지능은 어떻게 이미지를 인식할까요? 이번 실습에서는 숫자 손글씨 데이터를 학습한 인공지능 모델을 사용하여 실제 손글씨를 인식하는 과정을 살펴 봅니다.

이미지 분할

손글씨를 인식하기 위해서 이미지에서 분석에 필요한 부분을 따로 분리해야 합니다.

아래의 이미지는 실제로 종이에 숫자를 적고 사진을 찍어 업로드한 사진입니다.

위 이미지에서 숫자 부분을 분리하는 과정을 수행해 봅시다.

 

아래 코드를 사용하여 손글씨 이미지에서 숫자 부분만 분리하는 과정을 수행해보세요.

ma.data_print()

import machine as ma

def main():
    
    """
    지시사항 1번. 손글씨 이미지에서 숫자 부분만 분리하는 과정을 수행해보세요.
    """
    ma.data_print()

if __name__ == "__main__":
    main()

 

이미지를 분할할 영역을 표시하고, 분할 된 이미지를 출력합니다.

 

 

 

[실습2] 손글씨 분류 딥러닝 모델

이번 실습에서는 분할된 이미지의 숫자가 어떤 숫자인지를 예측해보도록 하겠습니다.

하지만 아직 이를 예측할 수 있는 모델이 준비가 되어 있지 않습니다. 따라서 이번 실습에서는 딥러닝 예제로 유명한 MNIST 데이터(아래 이미지 참고)를 학습하여 숫자를 예측할 수 있는 모델을 구현할 것입니다.

 

아래 코드를 사용하여 MNIST 데이터를 학습하는 인공지능 모델을 구현해보세요.

ma.train()

 

import machine as ma

def main():
    
    """
    지시사항 1번. MNIST 데이터를 학습하는 인공지능 모델을 구현해보세요.
    """
    model = ma.train()

if __name__ == "__main__":
    main()

accuracy: 0.9869 10000/10000 - 0s - loss: 0.0876 - accuracy: 0.974

 

 

 

[실습3] 분할된 이미지의 숫자 예측

첫 번째 실습을 통하여 예측할 이미지를 분할하였고, 두 번째 실습을 통하여 이를 예측할 모델을 구현하였습니다.

예측을 위해서는 분할된 이미지를 MNIST와 비슷한 형태로 변환하는 과정이 필요합니다.

실제 분할된 이미지는 크기도 제각각에 컬러가 있는 이미지이기에 MNIST 데이터 형태와 동일하게 사이즈 조정 및 흑백 변환을 수행합니다.

이후 최종적으로 손글씨 분류 모델을 활용하여 손글씨 숫자를 인식하여 봅시다.

 

아래 코드를 사용하여 이미지 변환 과정과 예측 과정을 수행해보세요.

ma.data_predit()

 

import machine as ma

def main():
    
    """
    지시사항 1번. 이미지 변환 과정과 예측 과정을 수행해보세요.
    """
    ma.data_predit()

if __name__ == "__main__":
    main()

 

 

 

 

 

 

금융/재무 산업에서의 AI 혁신

1. 업무 자동화

기존의 반복 업무를 자동화하는 SW기술인 RPA(Robotic Process Automation)에 인공지능을 접목하여 스스로 판단하여 업무 수행을 하는 인지영 RPA기술이 활용됨

ex) 보안 및 관리, 자료 공유 및 업무 확장성, 이상 탐지, 비용절감, 업무 생산성 향상, 업무 품질 향상

 

 

 

2. 금융 편의 서비스

고객의 편의성을 높일 수 있는 인공지능 기반 인터페이스를 제공하여 송금, 조회, 이체, 금융 상품 추천, 마케팅 등의 금융 서비스를 제공

ex) 대기 없는 서비스, 고객 데이터 분석, 계좌 서비스 수행, 자산관리 비서, 금융 상품 추천

 

 

 

3. 개인화된 자산 운용 서비스

고객의 투자성향과 투자금액에 따라 개인 맞춤형 자산 운용 서비스 제공 (≒ 로보어드바이저)

사례) 한화투자증권 STEPS : 맞춤형 종목 추천

미래에셋대우 엠클럽 : 개인화 상품 추천, 매매 패턴 진단, 뉴스 분석

NH투자증권 젠포트 : DIY형 주식 매매 알고리즘 제작

한국투자증권 AIR : 인공지능을 통한 주요 경제뉴스 추천 및 기업분석

 

 

 

4. 신용평가

- 인공지능 기반의 기술을 바탕으로 고객의 신용 등급을 세밀하게 평가

- 기존 금융정보 뿐만 아니라 비금융 정보까지 분석함으로써 금융 서비스 사각지대 고객까지 서비스 범위 확대

 

 

[Tech insight 실습] 과거 주식 데이터를 바탕으로 어떤 주식에 투자하면 될지 판단해보자.

 

[퀴즈1] 다음 중 금융/재무 분야에서의 AI 활용 사례로 적절하지 않은 것을 고르세요.

업무 자동화
금융 서비스
개인화된 자산 운용 서비스
물류 예측

정답 4

 

[퀴즈2] 다음 중 AI를 활용한 업무 자동화의 장점으로 적절하지 않은 것을 고르세요.

기존의 반복 업무를 자동화
규칙 기반으로 시스템 설계자가 모든 상황을 사전에 예측하여 처리
이상치 데이터 탐지 및 분류
Human Error의 제거

정답 2

 

[퀴즈3]  다음 중 금융/재무 산업에서의 개인화된 자산 운용 서비스에 대해 적절하지 않은 것을 고르세요.

고용된 전문 컨설턴트가 고객별 개인 자산 포트폴리오를 상담
고객의 투자 성향과 투자 금액에 따른 맞춤형 자산 운용 서비스를 제공한다
고객과 기업의 수익성 증대를 목적으로 한다
로보 어드바이저라고도 한다

정답 1

 

[퀴즈4] AI를 활용한 신용평가 모형의 장점으로 적절한 것은?

100% 정확한 신용평가를 할 수 있다
기존에 보유한 재무 정보만을 바탕으로 신용을 평가한다
엄격한 서류 심사를 거쳐 신용평가를 할 수 있다
재무적인 정보 뿐만 아니라 비재무적인 정보까지 종합하여 평가한다

정답 4

 

 

 

인공지능으로 주가 예측하기

이번 실습에서는 주식 데이터를 바탕으로 인공지능 모델을 사용하여 미래의 주식 가격을 예측하는 과정을 수행해 보겠습니다.

데이터 구조 확인

본격적으로 주식 가격을 예측해보기 전 먼저 주식 데이터의 기본적인 구조 및 정보를 확인해보도록 하겠습니다.

데이터에는 3월 2일부터 7월 30일까지 105개의 날짜별 주식 정보에 대한 값들이 저장되어 있습니다.

 

아래 코드를 사용하여 출력된 데이터를 확인하고 학습을 수행해보세요.

ma.data_plot()

import machine as ma

def main():
    
    """
    지시사항 1번. 출력된 데이터를 확인하고 학습을 수행해보세요.
    """
    ma.data_plot()

if __name__ == "__main__":
    main()

 

 

 

파생변수 생성

주가 예측을 수행할 때 데이터에 존재하는 기존 변수 이외에 새로운 변수들이 추가될 수록 예측 성능을 높일 수 있습니다. 이번 실습에서는 주식 데이터에 들어있는 기본 데이터들을 가공하여 이동평균, 거래량 이동평균, 이격도 등을 계산하여 데이터프레임에 추가해보도록 하겠습니다.

 

아래 코드를 사용하여 이동평균값(MA),거래량 이동평균값(VMA) 이격도값(disp) 변수를 추가해보세요.

ma.data_preprocess()

import machine as ma

def main():
    
    """
    지시사항 1번. 이동평균값(MA),거래량 이동평균값(VMA), 이격도값(disp) 변수를 추가해보세요.
    """
    ma.data_preprocess()

if __name__ == "__main__":
    main()

 

 

 

주가 예측 체험

이번 실습에서는 앞선 실습에서 확인한 주식 데이터를 바탕으로 딥러닝 모델을 학습시키고 이를 활용하여 주가 예측을 수행해 보겠습니다. 출력된 그래프는 2020년 7월 1일부터 30일까지의 종가를 비교하는 그래프로 파란선은 실제값을 의미하며, 노란선은 예측값을 의미합니다.

 

아래 코드를 사용하여 딥러닝 모델의 학습과 예측을 수행해보세요.

ma.train()

import machine as ma

def main():
    
    """
    지시사항 1번. 딥러닝 모델의 학습과 예측을 수행해보세요.
    """
    ma.train()

if __name__ == "__main__":
    main()