👩🏻‍🏫 AI 서비스기획 - AI 서비스 기획 기초 용어

Part1. AI 서비스기획 기초_CH04. 서비스 기획의 이해

 

01. 서비스 기획 기초 용어

MVP와 제품 개발 초기 단계

출처 : 패스트캠퍼스

MVP

- MVP만 빠르게 시장에 런칭하여 피드백을 받아 개선점을 빠르게 도출 & 반영

PRD

- 왜 이 기능이 필요한지 구체적이고 세세하게 작성된 문서

- 고객을 위해서 서비스를 만들기 때문에, 이해하는 것이 서로 다름

제품 로드맵(Product Roadmap)

- ex. 처음엔 MVP만을 배포하며 피드백을 받아 AI딥러닝을 통해 개선한다.

 

 

PRD와 스토리매핑의 연계

출처 : 패스트캠퍼스

PRD가 스토리에 연결되어야 하며, 완전히 일치되어야 한다.

PRD에 있지만 스토리매핑에 없음 = 요구사항 누락

PRD에 없지만 스토리매핑에 있음 = 개발범위 아닌 사항 개발

 

 

 

 

MVP

1. 빠른출시

- 최소한의 기능으로 빠르게 제품 출시

2. 초기 피드백 수집

- 사용자로부터 실제 피드백을 받아 제품의 방향성 검증

3. 리소스 최적화

- 불필요한 기능 개발을 줄여 시간 비용 절약

4. 빠른 개선

- 피드백을 바탕으로 신속하게 제품 개선 및 발전

 

 

 

 

 

사용자 중심 설계 도구

스토리매핑(Story Mapping)

- 제품 또는 기능의 사용자 경험을 시각적으로 나타내는 기법

- 사용자 스토리를 지도 형태로 배치하여 제품의 흐름과 기능을 정리

페르소나(Persona)

- 가상의 사용자 프로필로, 특정 고객그룹을 대표하는 인물을 생성

- 페르소나는 사용자의 요구사항과 행동을 이해하는 데 도움됨

- 서비스 설계와 마케팅에 활용

유저 스토리(User Story)

- 사용자 관점에서 제품 기능을 설명하는 짧은 문장

- As a[사용자]

- I want to[기능]

- so that[목적] 형식으로 작성

 

 

 

 

 

테스트와 최적화

1. A/B Test

출처 : 패스트캠퍼스

- 두가지 버전의 웹 페이지 또는 앱 화면을 비교하여 어떤 버전이 더 효과적인지 확인하는 실험

- 사용자들에게 무작위로 두 가지 버전을 보여주고, 특정 목표를 측정하여 성능을 비교

2. Split Testing

- A/B테스트와 유사하지만, 두개 이상의 버전을 비교하는 실험

- 여러가지 변형을 동시에 테스트하여 최적을 결과 모색

 

 

 

 

전환(Conversion)

1. 컨버전(Conversion)

- 사용자가 원한느 행동을 수행하는 것

- ex. 구매, 가입, 다운로드 등

2. 컨버전율(Conversion Rate)

- 특정 목표를 달성한 사용자의 비율을 나타내는 지표

- 컨버전율을 높이기 위해 A/B테스트와 최적화 수행

 

 

 

목표설정과 성과측정

출처 : 패스트캠퍼스

 

OKR

- Objective가 높은 단계로 측정하고, 그것을 달성하기 위한 Key Result를 공격적으로 작성

CFR

- OKR이후의 피드백 과정. 지시가 아닌 조언과 격려 하는 피드백

성과 측정

- 정기적으로 평가하며 조직의 목표에 따른 개선점 탐색

 

 

 

시각화 도구

출처 : 패스트캠퍼스

 

 

 

 

 

 

창조적 사고법

브레인스토밍

- 비판을 금지하고 자유롭게 의견을 공유하는 기법

- 아이디어들을 연쇄적으로 연상하고, 연결하며 고도화

오스본 자문법

출처 : 패스트캠퍼스

- 브레인 스토밍을 창시한 오스본의 질문법

- 브레인 스토밍의 방향성이 잘못 잡혔을 경우를 대비

 

 

 

 

 

MECE(Mutually Exclusive Collectively Exhaustive)

출처 : 패스트캠퍼스

- 미씨 :  상호배제와 전체 포괄

- 겹치는 부분이 없지만, 모두를 합하면 전체가 되는 것

- 어떠한 기준이 중복되지 않도록 하는 방법

출처 : 패스트캠퍼스

 

 

 

 

 

 

 

 

 

 

 

 

---

 

 

 

 

02. AI 서비스 기획 시에만 사용하는 용어

배경지식-AI 서비스 기획자의 업무 프로세스

출처 : 패스트캠퍼스

 

 

 

 

 

 

 

 

 

데이터가 저장되는 클라우드 용어

- IaaS : 물리적인 하드웨어만 있고, 소프트웨어는 사용자가 직접 설치해야하는 것(주로 전문가가 사용)

- PaaS : 하드웨어와 윈도우는 설치되어 있지만 업무용 프로그램은 사용자가 직접 설치해야하는, 플랫폼만 제공되는 서비스(주로 자체 특화된, 커스텀된 서비스)

- SaaS : 하드웨어와 윈도우, 업무 프로그램 모두 설치되어 있어서 사용자가 업무를 바로 볼 수 있는 것(주로 구독형 서비스)

 

 

 

 

 

 

 

 

 

 

사용자 중심 설계 도구

출처 : 패스트캠퍼스

- 대부분 AI서비스는 자신에게 이득이 되기 위해 사용하는 경우가 많기 때문에, 목적이 중요

 

 

 

 

 

 

 

 

Intention / Slot 구성

출처 : 패스트캠퍼스

 

- 인텐션 : 고객의 목적 / 슬롯 : 목적을 달성하기 위해 받아야하는 정보

 

 

 

 

 

 

 

 

코퍼스(고객발화)수집

출처 : 패스트캠퍼스

 

- AI가 학습하기 위한 원천 데이터 필요하기 때문

- 만약 실제 고객발화에서 품질이 좋지 않을 땐 코퍼스를 잘못 수집한 것. 이럴 경우, 이 학습 데이터를 버리지 않고, 코퍼스를 추가하여 발전

 

 

 

 

 

 

 

 

 

파인튜닝(Fine Tuning)

출처 : 패스트캠퍼스

- "기본 모델을 두고, 파인튜닝 하겠다" : 특정 과제에 맞는 일부 데이터를 추가로 학습시키는 것

 

 

 

 

 

 

과적합(Overfiting)

- 기계 학습 모델이 훈련 데이터에 너무 잘 맞추어져 일반화 성능이 떨어지는 현상(실생활 데이터와 맞지 않음)

1. 훈련 데이터에 대한 성능은 높지만, 새로운 데이터에 대한 성능이 낮아지는 현상 발생

2. 모델의 복잡도가 증가하여 훈련 데이터의 노이즈나 특이점까지 학습

3. 모델의 일반화 성능이 저하됨. 즉, 세로운 데이터에 대한 예측 성능 저하

 

 

 

 

 

토큰화(Tokenization)

- 언어 모델 토큰화는 입력 텍스트를 AI모델이 처리할 수 있는 형태의 단위로 쪼개는 것

출처 : 패스트캠퍼스

 

- AI 서비스를 할 때 어떤 명사를 어떤 동사한다.로 관계를 명확하게 함

 

 

 

 

 

 

 

 

 

 

 

언어모델 품질 관리

언어모델 기초 이해

출처 : 패스트캠퍼스

 

 

 

 

 

 

 

통계적 언어모델 기초 이해

- 자연스러운 언어를 위해 단어 확률을 추정하는 모델

- 자연어 처리를 위해 언어를 정제하고 처리할 수 있다면 모두 "언어 모델"임

출처 : 패스트캠퍼스

- 지금은 인공 신경망을 이용한 언어모델링을 많이 쓰지만, 통계 언어모델을 같이 쓰는 것이 더 매끄러운 문장 가능

출처 : 패스트캠퍼스

 

 

 

 

 

 

 

 

 

통계적 언어모델 SLM

출처 : 패스트캠퍼스

 

- 한계 : 긴 문장일 수록 단어 추론이 어려움

 

 

 

 

 

 

 

 

 

N-gram언어모델

출처 : 패스트캠퍼스

- 긴 문장에서의 단어추론 확률 높이기 위해 사용

- 비용 가성비가 좋음

출처 : 패스트캠퍼스

- N그램이 커지는 경우 장기의존성 문제 때문에 다른 모델 사용하는 것을 추천

 

- 특정한 소수의 정보인 경우 확률값이 낮게 추정되는 한계 존재

출처 : 패스트캠퍼스

 

- 모든 확률값을 모두 다 돌리기 때문에 컴퓨터 리소스(비용)가 많이 드는 단점이 있음

- 스무딩기법을 활용하여 특이한 단어가 나오면 0이 곱해지지 않도록 함

출처 : 패스트캠퍼스

 

 

 

 

 

 

 

AI에게 너무 어려운 한국어

출처 : 패스트캠퍼스

- 세분화된 조사, 어미를 모두 학습데이터에 고려하여 학습시켜야함

출처 : 패스트캠퍼스