<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=122748645220945&amp;ev=PageView&amp;noscript=1">

Question.

"AI 역량검사에 적용된 인공지능 데이터 학습 절차와 방법을 알고 싶습니다"

Answer.01

01

"높은 품질의 데이터를 확보하는 것이 최우선입니다."

 

 

인공지능 데이터 학습에 사용되는 input/output 데이터의 품질관리가 무엇보다 중요합니다. input 데이터는 재직자의 AI면접 결과 데이터고 output data는 재직자 평가데이터입니다.

 

좋은 모형과 알고리즘을 사용하더라도 위의 두 데이터가 비일관적이고 정규성이 확보되지 않을 시 모형의 예측력은 떨어지게 됩니다. 안정적인 인공지능 모형 생성 및 개선을 위해서는 총 3단계의  데이터 수집 절차를 거칩니다.

 

jpg_4_01

 

1) 기업별 AI 역량검사 데이터 수집요청
먼저 재직자들의 역량을 진단하여 향후 채용 선발의 기준을 선정하기 위한 정보 제공 목적으로 각 기업 재직자의 AI 역량검사 응시와 평가 데이터 수집에 대해 요청합니다. 

2) AI 역량검사 재직자 응시(input 데이터 확보)
각 기업의 재직자가 응시 가능한 시간을 협의하여 원하는 시점에 AI 역량검사 전형을 개설 후 재직자 응시 안내를 진행합니다. 안내에 따라 재직자들은 원하시는 장소(회사 또는 가정 등)와 시간에 온라인 AI역량검사를 응시하게 됩니다.

3) 평가자료 수집(output 데이터 확보)
정규성을 가정한 총 4가지의 평가항목(성과, 역량, 관계, 종합평가)을 기업에 요청합니다. 재직자의 AI 역량검사 응시결과와 함께 취합하여 각 기업의 재직자 특성을 파악하는 데이터 분석을 합니다. 분석 결과는 예측 모형 및 알고리즘 개선에 지속해서 활용되고 있습니다. 

Answer.02

02

"총 4단계 과정을 통해 AI 역량검사 모형은 실시간으로 진화하고 있습니다"

AI 역량검사모형은 총 4단계의 과정을 통해 진화하고 있습니다.

 

jpg_4_02

 

1) 주요 성과 역량 특성 및 패턴 추출을 위한 데이터 이해

인구통계학적 정보(나이/성별/직군/직무 등)에 따라 데이터를 세분화하고 상관분석, 평균차이 분석 등 여러 가지 통계분석을 활용하여 변수 중요도를 파악합니다. 변수 중요도 결과를 기반으로 모형에 투입할 주요 변수를 추출합니다. 

 

2) 인공지능 학습 데이터 준비 

머신러닝 학습을 위해 데이터를 준비해야 합니다. 데이터 청소, 병합, 피처 엔지니어링, 데이터 변형 등이 위에 포함됩니다. 범주형 데이터를 수치형 데이터로 변경하거나 변수 표준화 작업 등 모형화 기법에 따른 피처 엔지니어링 과정이 위의 대표적 예입니다. 

 

3)  인공지능 모형 선별

데이터 준비가 완료되면 모형화를 진행합니다. 적용할 모형을 선택하고 교차검증을 위해 데이터를 학습용 집합, 검증 집합, 테스트 집합으로 분리하는 테스트 설계를 합니다. 1,000회 이상의 모형 반복 학습 과정을 거친 후 가장 높은 예측력을 보이는 모형을 최종 선별합니다.

 

4) 모형 평가

선정된 모형에 새로운 데이터를 투입하여 얼마나 정확하게 고/저성과자를 분류해내는지 확인합니다. RMSE, Lift, ROC 등의 모형 평가 지표를 통해 모형 성능을 최종적으로 비교 및 검토하여 AI 역량검사 모형 및 알고리즘을 계속해서 개선해 나가고 있습니다.