짜리몽땅 매거진

LLM의 정의와 주요 특징LLM은 대부분 트랜스포머 아키텍처에서 파생된 AI 모델로, 사람의 언어, 코드 등을 이해하고 생성하기 위해 설계되었다. 이러한 모델들은 방대한 양의 텍스트 데이터로 학습되어, 사람 언어의 복잡성과 뉘앙스를 포착할 수 있다. LLM은 간단한 텍스트 분류부터 텍스트 생성에 이르기까지 언어 관련 작업을 넓은 범위에서 높은 정확도로 유창하고 유려하게 수행할 수 있다. 이러한 LLM은 의료 산업, 금융 분야의 트레이딩 전략까지 범용적으로 활용되고 있다. 기존의 트랜스포머 아키텍처는 시퀀스투시퀀스(seq2seq)모델이었으며, 이는 두 가지 구성요소를 주로 가진다.인코더(Encoder) : 원시 텍스트를 받아들여 핵심 구성 요소로 분리하고, 해당 구성 요소를 벡터로 변환하는 업무를 담당한다..

1. 투자와 트레이딩투자와 거래에서 AI의 역할은 더욱 중요해졌다. 투자 결정을 내리는데 정확성과 효율성은 절대적이므로, AI는 이러한 분야에서 투자자들에게 더 나은 결정을 내릴 수 있는 도움을 주고 있다.또한 AI 기술을 활용한 예측 모델링은 투자자들이 미래의 시장 동향을 예측하는데 큰 도움을 준다. 머신러닝과 딥러닝 같은 AI 기술은 대규모 시장 데이터를 분석하여 사람의 눈에는 띄지 않을 수 있는 패턴이나 추세를 파악한다.투자와 관련된 데이터분석 역시 AI의 강점 중 하나다. AI는 금융 시장의 방대한 데이터를 빠르고 정확하게 분석하여, 투자자에게 깊은 통찰력을 제공한다. 예를 들어, 딥러닝 알고리즘은 뉴스 기사, 소셜 미디어 피드, 기타 정보 소스를 분석하여 시장의 흐름을 파악한다. 특히 LLM의 ..

1. 신용 평가에서의 AI와 대체 데이터의 활용전통적으로 개인과 기업의 재무 건전성을 평가할 때 재무제표, 신용 기록, 시장 위치 등의 정보에만 의존해왔는데, 이런 전통적인 데이터 소스만으로는 개인과 기업의 신용 리스크를 전면적으로 평가하기에 한계가 있다는 점이 드러나고 있다. 이러한 상황에서 AI와 대체 데이터의 결합은 신용 평가 방법론에 혁신을 가져온다. 여기서 대체 데이터란 온라인 거래 기록, 소셜 미디어 활동, 온라인 고객 리뷰 등 전통적인 재무 데이터에서 파악하기 어려운 다양한 측면의 정보를 제공한다. AI와 머신러닝 알고리즘을 활용하여 이 대체 데이터를 분석함으로써, 신용 리스크 평가에 깊이와 정확성을 더할 수 있다.전통적인 데이터 : 금융 거래 내역, 소득 정보, 대출 이력 등신용평가에 활동..

앱서비스를 운영할 때 유저는 피로를 느끼고 중도 이탈을 하거나 앱에 오랜기간 접속을 하지 않는 등 다양한 단계에서 이탈 유저가 발생한다. 사전에 이탈 유저를 예측하고, 어떤 원인으로 인해 이탈했는지 파악한다면 기업 입장에서 리스크를 최소화할 수 있다.  그래서 오늘은 머신러닝 모델을 활용해 이탈 유저와 일반 유저를 분류해보는 예측 모형을 개발해보고자 한다. 데이터셋은 유저 및 기능별 로그 데이터를 전처리한 데이터셋을 활용하였다.* 실제 기업 데이터로, 수치는 비공개 처리합니다. 1. 라이브러리 호출 및 데이터 불러오기import pandas as pdimport numpy as npfrom datetime import datetimefrom sklearn.preprocessing import Label..

앱서비스의 DB와 로그데이터를 활용해 각 유저와 기능 관련 수치들을 변수로 설정한 뒤 상관분석을 진행하면, 어떤 기능들이 상호 연관성이 높은지 쉽게 파악해 추후 새로운 전략을 짜는데 용이하게 활용할 수 있다. 더불어 상관분석 결과를 '상관계수 네트워크 차트' 형태로 시각화한다면 한 눈에 파악하기 쉽다.  그래서 오늘은 실제 앱서비스 데이터를 바탕으로 위 과정을 실습해보자. * 실제 기업 데이터로, 수치는 비공개 처리합니다. 1. 라이브러리 호출 및 데이터 불러오기import pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsdf_merged = pd.read_csv('상관분석 데이터.csv') 날짜를 인덱스로 설정해 각 유저별 기능별 수치를..