Ai 기반 시스템의 분석

1. 들어가면서

 

Ai기반 시스템은 단순히 지금의 딥러닝을 기반으로는 한계가 존재하기 때문에 인간 및 세상의 배경지식을 포함한 Contextual Knoledge Model을 포함하는 것으로 발전할 것으로 예상된다고 하였습니다. 이러한 관점에서는 딥러닝모델을 포함하여 도메인의 지식을 표현하는 지식표현이 매우 중요합니다. 

 

이 두가지를 모두 고려하여 시스템을 분석하는 것은 기능적 및 비기능적 요구사항을 정의하는 것과 데이터 모델을 분석하고 정의하는 것의 확장 개념이라고 할 수 있습니다.  특별히 Ai기반 시스템의 분석이라고 해서 특별히 방법론적으로 달라지는 것은 없으며 추가적으로 고려할 사항이 증가하는 것이라고 할 수 있습니다.

 

2. ANN (Artificial Neural Net) 모델의 기능적 요구사항 분석

 

유스케이스 모델을 통해 문제를 정의하였으며, 이를 기반으로 유스케이스의 전부 또는 일부를 ANN으로 구현하는 것을 고려하여 시스템의 분석 모델을 수정 또는 확장하여 모델링할 수 있습니다. 특히 딥러닝 모델과 학습을 위한 데이터는 데이터모델링을 통해 상세히 정의할 수 있습니다.

use-case의 전부 또는 일부가  ANN모델 확장하여 정의된 use-case model의 예

특히 유스케이스 모델에서 정의한 입출력 데이터모델들을 중심으로 딥러닝 모델의 입력과 출력을 정의하고, 딥러닝 모델의 입출력을 중심으로 학습에 필요한 원천데이터 및 피처들을 데이타모델에 정의할 수 있습니다.  

 

3. ANN (Artificial Neural Net) 모델의 비기능적 요구사항의 분석

 

ANN 모델을 학습하거나 실행하기 위한 개발 및 실행 환경에 대한 제약사항을 정의할 수 있습니다. 또한 ANN모델을 학습하기 위한 데이터의 품질을 위해 Data Quality 특성을 별도로 정의할 수 있습니다. 특히 데이터 최신성 등 데이터 고유의 특성을 정의하는 것은 학습의 품질을 위해 중요한 품질특성일 수 있습니다.

 

ANN의 모델 자체의 정확도와 성능 등도 기능 또는 데이터모델의 품질속성으로 정의할 수 있습니다. 모델 실행의 신뢰도는 상술한 것처럼 소프트웨어의 품질특성으로 정의할 수 있지만 모델 자체의 정확도와 같은 품질특성은 데이터품질 관점에서 정의할 수도 있습니다. 

 

ISO 25000 Data Quality