AI 부트캠프 : 팀프로젝트1

May 26, 2023

코드스테이츠와 함께하는 ‘AI 부트캠프’ : 팀프로젝트1

Section6 : Team Project 1

섹션6 : 팀프로젝트1

5F 회고

사실(Fact)
처음으로 팀을 이루어 프로젝트를 수행하였다.
느낌(Feeling)
이미 여러번의 프로젝트를 수행하였지만 팀프로젝트는 처음이기 때문에 낯설고 설레였지만, 협업과정을 새롭게 배울 수 있어서 뿌듯하다.
교훈(Finding)
1+1+1+1을 했는데 5의 결과가 나오는 것이 팀프로젝트구나!
향후 행동(Future action)
개인프로젝트도 좋지만 팀프로젝트를 할 기회가 있으면 주저하지 말고 참여해야겠다.
피드백(Feedback)
피드백을 해 주세요😀

프로젝트 일정

날짜	내용
5/15 (월)	• 프로젝트 START🚀 • 팀 첫만남 : 팀장선출 • 주제선정 : AI 소프트웨어 업그레이드 프로젝트 • GitHub 환경 구축
5/16 (화)	• 레거시코드 분석 • EDA • 웹페이지 초안 작성
5/17 (수)	• 레거시코드 분석 • EDA • 오피스 아워
5/18 (목)	• 레거시코드 분석 • EDA • DL Modeling • 팀커피챗
5/19 (금)	• EDA • DL Modeling
5/20 (토)	• DL Modeling
5/21 (일)	• DL Modeling
5/22 (월)	• DL Modeling • 모델1 완성 • PPT 초안작성
5/23 (화)	• DL Modeling • 모델2 완성 • 오피스 아워
5/24 (수)	• DL Modeling • 모델3 완성 • 발표자료 작성
5/25 (목)	• 발표자료 녹화 • 최종 제출🚩
5/26 (금)	• 피드백 • 프로젝트 수정 및 보완

완성 된 프로젝트 미리보기

EDA를 통한 데이터 분석과 인사이트, 제언 도출

리팩터링을 통한 AI Model Upgrade

기존 AI 모델에 비하여 10~95% 성능 향상 시킴
모델1 SOTA 코드 보기
- Test Loss : 5.975 / Accuracy : 0.929
- 기존모델 Test Accuracy : 0.827 대비 12% 성능 증가
모델2 SOTA 코드 보기
- Test Loss : 0.075 / Recall : 0.871
- 기존모델 Test Recall = 0.789 대비 10.3% 성능 증가
모델3 SOTA 코드 보기
- Test Loss : 0.964 / Accuracy : 0.807
- 기존모델 Test Accuracy : 0.412 대비 95.8% 성능 증가

사용자 친화적으로 UIUX 개선

개발된 AI 서비스 바로가기

팀프로젝트 GitHub

GitHub Organization : “https://github.com/GPTeachersDay”

프로젝트 1일차(15, 월) : 프로젝트 시작

Daily Reflection : 3L 회고

배운 것(Learned)

처음으로 팀모임을 할 때 MBTI로 대화를 하니깐 서로에 대하여 파악하고 알아갈 수 있는데 도움이 많이 되었다.

아쉬웠던 점(Lacked)

레거시코드에 대한 이해가 너무 부족해서 어려웠다.

좋았던 점(Liked)

새로운 팀과 새로운 방식으로 프로젝트를 시작 할 수 있어서 기대된다.

오늘 진행 한 내용

첫 팀미팅

MBTI를 소재로 첫미팅을 진행하니깐 서로에 대하여 파악하는데 도움이 되었음
Notion에 첫미팅때 해야할 과업들이 질문 형식으로 정리되어있어서 과제를 수행하면서 첫 미팅을 진행하니깐 가이드가 되어서 좋았음

팀장 선출

서로의 MBTI를 소개하는데, 나는 ISTP였고, INTP, ISTJ, ENFJ가 있었음
ENFJ가 선도자라는 선행연구에 근거하여 ENFJ를 팀장으로 강력 추대
프로젝트가 끝나고 느끼는 것이지만 정말 좋은 선택이었음
~~MBTI는 과학~~

주제선정

선택할 수 있는 주제는 “여행 경비 예측 서비스”, “AI 소프트웨어 업그레이드” 둘 가운데 하나
팀원 두 명은 아무 주제나 해도 상관없음, 1명은 “AI 소프트웨어 업그레이드” 가 조금 관심이 있는데 다른 것도 상관없음
나는 강하게 “AI 소프트웨어 업그레이드”가 하고싶다고 하였음
- 처음으로 팀프로젝트를 하기 때문에 좁은 범위의 주제를 완성도있게 수행하기 위하여
나의 의견이 받아들여서서 우리팀의 주제는 “AI 소프트웨어 업그레이드“로 결정
GitHub를 적극적으로 이용하며 팀프로젝트 가운데 협업을 연습하자는 목적도 있음

협업을 위한 GitHub 준비

협업을 위한 GitHub Repository를 생성하는 방법은 크게 두 가지가 있음
1. 개인이 레포지토리를 생성하여 팀원을 초대하는 방식
2. GitHub Organization을 만들어 그 조직에 팀원을 초대하고, 레포지토리를 생성하는 방식
새로운 팀이 만들어진 것이기 때문에 2번으로 진행하기로 결정
새롭게 만든 GitHub Organization : “https://github.com/GPTeachersDay”

프로젝트 2일차(16, 화) : 탐색적 데이터 분석

Daily Reflection : 3L 회고

배운 것(Learned)

데이터에 대한 이해가 있어야 분석을 잘 할 수 있다.

아쉬웠던 점(Lacked)

전복, 맥동성, 강철판에 대한 사전지식이 전혀 없어서 데이터를 이해하는데 어려웠다.

좋았던 점(Liked)

여럿이 함께 EDA를 진행하면서 데이터에 대하여 더욱 넓고, 빠르게 이해 할 수 있었다.

오늘 진행 한 내용

“AI 소프트웨어 업그레이드” 프로젝트 내용 파악

📜 스토리
- 우리 회사 AI R&D 그룹은 다양한 인공지능 모델을 개발하여 필요한 회사에 제공하는 회사임
- 최근 AI R&D 그룹은 3가지 인공지능 모델 업그레이드 업무를 수주하였음
- 기존에 사용하던 Legacy AI Model이 있지만 이는 오래된 방식으로 개발된 모델이기 때문에 리펙토링, AI 성능 고도화, UIUX 개선이 필요함

탐색적 데이터 분석

3가지 인공지능 모델
1. 전복 연령 예측 모델
2. 맥동성(Pulsar Star) 여부 예측 모델
3. 강철판 결함 종류 예측 모델
3가지 인공지능 모델을 개발하기 위하여 제공받은 데이터

레거시 코드 분석

VSCode 활용하여 디버깅하며 코드 작동원리 파악
탐색적 데이터분석이 완료되지 않아서 레거시코드를 이해할 수 없음
일단 탐색적 데이터분석에 중심을 두고, 2~3일 안으로 레거시 코드를 이해해 보기로 함

프로젝트 3일차(17, 수) : 탐색적 데이터 분석, 레거시 모델 분석

Daily Reflection : 3L 회고

배운 것(Learned)

Numpy 기반의 레거시코드를 Tensorflow 기반으로 리팩터링하여 코드를 간소화 할 수 있다.

아쉬웠던 점(Lacked)

레거시모델에 대한 이해가 부족하여 리팩터링이 어려웠다.

좋았던 점(Liked)

오피스아워를 통하여 프로젝트의 방향성을 가다듬을 수 있었다.

오늘 진행 한 내용

탐색적 데이터 분석 마무리

오피스 아워

데이터에 대한 정밀한 분석이 많이 필요함
레거시코델은 특별한 기능이 없기 때문에 성능을 올릴 수 있는 기능이 추가 되어야 함
데이터 불균형 문제를 해결해야 성능을 올릴 수 있을 것임

레거시모델 리펙터링을 위한 평가지표 구현

모델1(전복)의 경우 전복의 나이를 예측하는 회귀모형이지만 분류문제에 사용되는 Custom Accuracy가 사용되었음

tensorflow를 활용하여 Custom Accuracy 구현

class EvalAccuracy(tf.keras.metrics.Metric):
    """
    사용자 정의 평가지표 : Accuracy
    """
    def __init__(self, name="accuracy", **kwargs):
        super(EvalAccuracy, self).__init__(name=name, **kwargs)
        self.correct = self.add_weight(name=name, initializer="zeros")

    def update_state(self, y_true, y_predict, sample_weight=None):
        value = tf.abs((y_predict - y_true) / y_true)
        self.correct.assign(tf.reduce_mean(value))

    def result(self):
        return 1 - self.correct

    def reset_state(self):
        self.correct.assign(0.)

프로젝트 4일차(18, 목) : 레거시 모델 분석, 리팩터링

Daily Reflection : 3L 회고

배운 것(Learned)

무조건적으로 라이브러리를 사용하기보다 작동원리를 이해하고 모델을 만들어야 정확한 정능 향상이 있다.

아쉬웠던 점(Lacked)

라이브러리 메소드의 이해가 부족하여 다양한 모델링을 해보지 못하였다.

좋았던 점(Liked)

팀커피챗을 통하여 팀동료에 대하여 더욱 가까워진 듯 하다.

오늘 진행 한 내용

팀커피챗

커리어코치님과 함께 팀원들과 함께 커피챗 시간
팀원 서로에 대하여 더욱 잘 알게되는 시간이 되었음
서로의 장점에 대하여 이야기 나누면서 서로를 이해할 수 있었음

GitHub를 중심으로 모델 성능 개선

모델의 은닉층을 늘리거나, 노드를 늘리는 각종 실험 진행
옵티마이저의 종류를 변화시켜가며 학습을 진행하고 모델 성능 비교
뚜렸한 성능향상이 나오지는 않지만 계속해서 모델을 개선해 나가기로 함

프로젝트 5일차(19, 금) : 레거시 모델 분석, 리팩터링

Daily Reflection : 3L 회고

배운 것(Learned)

모델에 대하여 여러가지로 실험을 진행하고, 기록하여 함께 나누면서 조금씩 모델의 성능을 개선해 나갈 수 있다.

아쉬웠던 점(Lacked)

GPU가 안되는 경우 학습속도가 너무 느려서 어려움이 있다.

좋았던 점(Liked)

팀원이 역할을 나누어서 잘 할 수 있는 부분에 집중할 수 있었다.

오늘 진행 한 내용

팀원 사이에 집중해야 할 역할을 분배

3개 모델을 팀원들이 적절히 나누어 모델링을 하면서 성능향상에 집중
- 과적합 방지대책(드롭아웃, L1L2 패널티, 조기종료), 배치정규화 등 실험
모델링과 함께 웹페이지구현도 동시에 진행하여 프로젝트 시간을 효율적으로 사용

프로젝트 6일차(22, 월) : 모델1 완성, 발표준비 시작

Daily Reflection : 3L 회고

배운 것(Learned)

프로젝트 기간 적절히 시간을 분배하여 단게를 넘겨야 프로젝트를 완성할 수 있다.

아쉬웠던 점(Lacked)

조금 더 데이터를 분석하면, 조금 더 모델을 실험해보면 성능을 올릴 수 있을 것 같은데 다음 단계로 넘어가야 하니깐 아쉬웠다.

좋았던 점(Liked)

팀장님이 팀을 잘 이끌어주는 것 같다.

오늘 진행 한 내용

모델1 완성

여러가지 실험을 통하여 모델1 SOTA 달성
- 모델1 SOTA 코드 보기
- Test Loss : 5.975 / Accuracy : 0.929
- 기존모델 Test Accuracy : 0.827 대비 12% 성능 증가

발표 PPT 준비

적당한 템플릿을 찾아보고 초안 작성 시작

모델2와 모델3에 대한 계속된 모델링

프로젝트 7일차(23, 화) : 모델2 완성

Daily Reflection : 3L 회고

배운 것(Learned)

프로젝트는 얼마나 열심히했느냐가 아니라 결과물을 얼마나 잘 만들었냐로 평가 받는다는 것을 배웠다.

아쉬웠던 점(Lacked)

성능 향상에만 급급해서 진짜 프로젝트의 목표가 무엇인지 잊고있었다.

좋았던 점(Liked)

오피스아워를 통하여 이제 마무리 해야 할 때라는 것을 알았고, 마무리할 때 어디에 집중해야 하는지를 점검받을 수 있었다.

오늘 진행 한 내용

모델2 완성

여러가지 실험을 통하여 모델2 SOTA 달성
- 모델2 SOTA 코드 보기
- Test Loss : 0.075 / Recall : 0.871
- 기존모델 Test Recall = 0.789 대비 10.3% 성능 증가

발표 PPT 준비

3명이 모델을 하나씩 나눠서 발표하고, 팀장이 전체를 정리하는 방식으로 발표하기로 결정
목표를 중심으로 발표 준비
- 목표1
  
  제공받은 세 가지 데이터에 대하여 탐색적 데이터 분석을 수행합니다.
  분석 이후, 각 데이터에 대한 AI Model 성능 향상을 목적으로 ‘인사이트 도출’, ‘지금 바로 적용 가능한 제언’ 과 ‘추후 적용 가능한 제언’ 을 제공합니다.
- 목표2
  
  제공받은 세 가지 데이터에 대하여 사전에 구축된 AI Model의 성능 고도화 실험 및 적용 작업을 진행합니다.
- 목표3
  
  AI Model 은 프로그램화 하여 유저 친화적으로 사용될 수 있도록 로직을 수정합니다.

프로젝트 8일차(24, 수) : 모델3 완성, PPT 작성

Daily Reflection : 3L 회고

배운 것(Learned)

Canva를 통하여 함께 PPT를 작성하니깐 바로 피드백을 할 수 있어서 좋다.

아쉬웠던 점(Lacked)

각자 맡은 모델에만 집중해서 다른 사람의 모델에 적절한 피드백을 하기 힘들었다.

좋았던 점(Liked)

함께 협업할 수 있는 툴(Canva, GitHub)을 잘 사용하는 것이 팀프로젝트에서 정말 중요한것 같다.

오늘 진행 한 내용

모델3 완성

여러가지 실험을 통하여 모델3 SOTA 달성
- 모델3 SOTA 코드 보기
- Test Loss : 0.964 / Accuracy : 0.807
- 기존모델 Test Accuracy : 0.412 대비 95.8% 성능 증가

Canva를 통하여 PPT 공동 작성

마치 Notion에서 공동 기록하듯이 PPT도 Canva에서 공동으로 작업하니 피드백이 빠르게 이루어졌음
팀원 가운데 한명이 미리 PPT초안을 만들어서 손쉽게 작성할 수 있었음

프로젝트 9일차(25, 목) : 발표영상 제작, 프로젝트 제출

Daily Reflection : 3L 회고

배운 것(Learned)

녹화할 때도 환경을 맞춰주어야 동영상을 합칠 때 이질감이 줄어든다.

아쉬웠던 점(Lacked)

데이터에 대한 새로운 인사이트를 얻고, 더 성능좋은 모델이 개발되었지만 이미 모델을 바꾸기에는 시간이 없었다.

좋았던 점(Liked)

프로젝트를 2시간정도 일찍 제출하고 서로 잡담하며 자연스럽게 회고를 해서 좋았다.

오늘 진행 한 내용

발표영상 제작

각자 역할을 나누어 발표영상을 녹화하고 제출영상으로 결합
발표영상을 제작할 때도 사운드 크기, 모니터 해상도 등에 따라서 각자 녹화한 영상이 조금씩 다르기 때문에 컴퓨터 환경을 일치시키는 것도 중요함

최종 마무리 된 결과

EDA를 통한 데이터 분석과 인사이트, 제언을 도출하였음
리팩터링을 통한 AI Model Upgrade
- 기존 AI 모델에 비하여 10~95% 성능 향상 시킴
사용자 친화적으로 UIUX 개선
- Django를 활용하여 웹서비스로 AI 서비스 제공
- 개발된 AI 서비스 바로가기

프로젝트 10일차(26, 금) : 피드백, 프로젝트 평가

Daily Reflection : 3L 회고

배운 것(Learned)

다른팀의 프로젝트를 보면서 다양한 접근을 할 수 있다는 점을 배웠다.

아쉬웠던 점(Lacked)

오늘과 같은 날이 별로 없다는 것이 아쉽다.

좋았던 점(Liked)

가벼운 마음으로 프로젝트 회고를 진행하고, 무엇보다 우리팀이 우승해서 좋았다.

오늘 진행 한 내용

피드백

코치님에게 피드백을 받았음
- 옵티마이저(Adam)에 대한 설명이 추가되면 좋겠음
- 코스트 센서티브 러닝 방식을 사용하면 불균형 타겟에 대한 가중치를 적용할 수 있음
- 데이터가 부족하면 과적합이 발생함

온라인 워크샵

재미없게 피드백만 하는 것이 아니라 워크샵 형식으로 게임도 하였음

우리팀 우승!!

상품이 기대 됨

프로젝트 후기

처음으로 팀프로젝트를 하였음

첫 팀프로젝트 너무 좋은 경험이었음
혼자하면 내가 알아서 결정해서 내 마음대로 하면 되는데, 팀프로젝트는 팀이 함께 해야하기 때문에 불편한 점도 분명 있음
하지만 함께 협업하여 힘을 모으고, 서로의 부족한점을 매울 수 있다면 시너지가 발휘되어 1+1+1+1=5의 결과를 가져올 수 있음

협업툴에 대한 연습

팀프로젝트이기 때문에 처음부터 협업툴을 사용해보는 것이 추가적인 목표였음
GitHub Repository를 중심으로 브랜치를 만들어 PR을 날려보기도 하였음
- 익숙치 않아서 PR을 적극적으로 활용하지는 못하고, GitHub를 공동 코드 저장소로 사용하였음
Google Meet를 통하여 회의하고, Notion으로 필기하고, 디스코드로 소통하고, Canva로 PPT를 만드는 등 모두 협업에 필요한 중요한 도구들을 경험할 수 있어서 좋았음

모델 개선에 대한 아쉬움

8일차 이후에서야 데이터가 이미 스케일링된 데이터라는 사실을 알게 됨
더욱 평가지표가 좋은 모델도 있지만 프로젝트 제출 마감시간을 맞춰야 하기 때문에 적당한 수준에서 마무리해야 했음
시간만 넉넉하다면 얼마든지 성능을 더 올릴 수 있을 것 같음

끝까지 읽어주셔서 감사합니다😉

Twitter Facebook LinkedIn URL 복사

이연준

코드스테이츠와 함께하는 ‘AI 부트캠프’ : 팀프로젝트1

Section6 : Team Project 1

5F 회고

프로젝트 일정

완성 된 프로젝트 미리보기

EDA를 통한 데이터 분석과 인사이트, 제언 도출

리팩터링을 통한 AI Model Upgrade

사용자 친화적으로 UIUX 개선

팀프로젝트 GitHub

프로젝트 1일차(15, 월) : 프로젝트 시작

Daily Reflection : 3L 회고

배운 것(Learned)

아쉬웠던 점(Lacked)

좋았던 점(Liked)

오늘 진행 한 내용

첫 팀미팅

팀장 선출

주제선정

협업을 위한 GitHub 준비

프로젝트 2일차(16, 화) : 탐색적 데이터 분석

Daily Reflection : 3L 회고

배운 것(Learned)

아쉬웠던 점(Lacked)

좋았던 점(Liked)

오늘 진행 한 내용

“AI 소프트웨어 업그레이드” 프로젝트 내용 파악

탐색적 데이터 분석

레거시 코드 분석

프로젝트 3일차(17, 수) : 탐색적 데이터 분석, 레거시 모델 분석

Daily Reflection : 3L 회고

배운 것(Learned)

아쉬웠던 점(Lacked)

좋았던 점(Liked)

오늘 진행 한 내용

탐색적 데이터 분석 마무리

오피스 아워

레거시모델 리펙터링을 위한 평가지표 구현

프로젝트 4일차(18, 목) : 레거시 모델 분석, 리팩터링

Daily Reflection : 3L 회고

배운 것(Learned)

아쉬웠던 점(Lacked)

좋았던 점(Liked)

오늘 진행 한 내용

팀커피챗

GitHub를 중심으로 모델 성능 개선

프로젝트 5일차(19, 금) : 레거시 모델 분석, 리팩터링

Daily Reflection : 3L 회고

배운 것(Learned)

아쉬웠던 점(Lacked)

좋았던 점(Liked)

오늘 진행 한 내용

팀원 사이에 집중해야 할 역할을 분배

프로젝트 6일차(22, 월) : 모델1 완성, 발표준비 시작

Daily Reflection : 3L 회고

배운 것(Learned)

아쉬웠던 점(Lacked)

좋았던 점(Liked)

오늘 진행 한 내용

모델1 완성

발표 PPT 준비

모델2와 모델3에 대한 계속된 모델링

프로젝트 7일차(23, 화) : 모델2 완성

Daily Reflection : 3L 회고

배운 것(Learned)

아쉬웠던 점(Lacked)

좋았던 점(Liked)

오늘 진행 한 내용

모델2 완성

발표 PPT 준비

프로젝트 8일차(24, 수) : 모델3 완성, PPT 작성

Daily Reflection : 3L 회고

배운 것(Learned)

아쉬웠던 점(Lacked)

좋았던 점(Liked)

오늘 진행 한 내용

모델3 완성

Canva를 통하여 PPT 공동 작성

프로젝트 9일차(25, 목) : 발표영상 제작, 프로젝트 제출

Daily Reflection : 3L 회고