소개
공공기관과 기업은 대규모 데이터를 통해 통찰력을 얻고자 하지만, 이를 실제 업무에 활용하는 데 많은 어려움을 겪고 있습니다. AI 머신러닝 학습 모델 API는 대용량 데이터를 효율적으로 처리하고 이를 활용하여 AI 기반 학습 모델을 생성함으로써, 미래를 예측하고 데이터를 실질적으로 활용할 수 있는 혁신적인 도구를 제공합니다.
AI 머신러닝 학습 모델 API의 설계 방향
AI 머신러닝 학습 모델 API는 대용량 데이터를 최종적인 서비스로 직접 제공하지는 않습니다. 하지만 대용량 데이터를 처리하고, 이를 기반으로 AI 학습 모델을 생성하여 다양한 미래 예측이 가능하도록 지원합니다. 누구나 이 API를 활용해 자신만의 서비스를 구축할 수 있도록 설계된 개방형 도구입니다.
빅데이터는 AI의 핵심 요소입니다. 그러나 다음과 같은 기술적 한계와 어려움이 존재합니다:
- 대용량 데이터 처리의 어려움: 대규모 데이터를 분석하려면 강력한 기술과 인프라가 필요하며, 데이터 처리 시간과 비용 부담이 큽니다.
- 외부 정보 결합의 한계: 다양한 외부 데이터를 수집하고 기존 데이터와 결합하는 과정은 복잡하며, 전문 기술과 노력이 요구됩니다.
- AI 결과물에 대한 의존성: ChatGPT와 같은 AI 결과물에 의존하다 보면 데이터 기반 분석과 효율적인 인사이트 도출이 부족해질 위험이 있습니다.
AI 머신러닝 학습 모델 API가 제공하는 주요 기능
AI 머신러닝 학습 모델 API는 위와 같은 한계를 해결하고 다음과 같은 기능을 제공합니다:
- 대용량 데이터 처리: 기계어 기반의 고속 데이터 처리 기술을 통해 수십 GB에 달하는 대용량 데이터를 수초 안에 처리할 수 있습니다.
- 외부 변수 결합: 고객 데이터와 외부 데이터를 결합하여 AI 분석에 필요한 정보를 풍부하게 만듭니다.
- 미래 예측 모델 생성: AI 기반 학습 모델을 통해 데이터를 예측 가능한 형태로 변환하여, 다양한 산업에서 활용할 수 있는 맞춤형 예측을 제공합니다.
- 전자지도 기반 분석: 사용자는 전자지도에서 특정 지역을 등록하면 해당 지역에 대한 전용 학습 모델을 자동으로 생성할 수 있습니다.
- API 서비스 제공: 실시간으로 예측 가능한 AI 모델을 API 형태로 제공하여, 데이터를 업무 프로세스에 바로 통합할 수 있습니다.
AI 머신러닝 학습 모델 API의 활용 사례
AI 머신러닝 학습 모델 API는 다음과 같은 과정을 통해 데이터를 활용 가능하도록 지원합니다:- 대용량 데이터 처리: 고객이 보유한 대규모 데이터를 효율적으로 처리하여 준비합니다.
- 외부 변수와의 결합: 고객 데이터에 외부 데이터를 결합하여 AI 분석에 필요한 정보를 풍부하게 합니다.
- AI 전문가의 모델 방향 설정: AI 전문가가 모델의 방향성을 설정하여 최적의 예측 성능을 제공할 수 있도록 지원합니다.
- ML 모델 생성: 실시간으로 예측 가능한 ML 모델을 자동으로 생성합니다.
- 즉각적 활용: 생성된 모델을 API 형태로 제공하여 다양한 업무와 시스템에서 바로 활용 가능합니다.
- 전자지도 활용: 특정 지역을 전자지도에 등록하면 해당 데이터를 기반으로 자동 학습 모델이 생성되어 지역 맞춤형 분석이 가능합니다.
AI 머신러닝 학습 모델 API는 데이터 처리부터 학습 모델 생성까지 모든 단계를 간소화하여 누구나 데이터를 활용한 서비스를 쉽게 구축할 수 있도록 돕습니다. 이를 통해 기업과 기관은 AI를 보다 효율적으로 도입하고, 데이터를 기반으로 새로운 가치를 창출할 수 있습니다.
1. 모델 생성
ML 학습 모델을 실시간으로 생성하는 기능입니다.
1) 호출 URL: 처리 과정이 스트림 형태로 제공됩니다.
2) 예제 URL:
| 파라미터 | 설명 | 예시 |
|---|---|---|
| para | 모델 생성에 필요한 위치 좌표 및 반경 (x, y, 반경) 정보를 ,로 구분하여 입력 | 129.391295,36.064741,1000 |
| name | 모델을 생성할 등록 지점의 명칭 | 환호공원 |
| key | 인증 키(서비스 별로 별도 발행, demo 입력하여 테스트 가능) | demo |
2. 생성된 전체 모델 조회
입력한 key로 생성한 모든 모델의 리스트를 확인하는 기능입니다.
1) 호출 URL:
2) 예제 URL:
| 파라미터 | 설명 | 예시 |
|---|---|---|
| key | 해당 인증 키로 등록한 모든 리스트 출력 | demo |
3. 지점별 모델 평가 결과 상세 조회
생성된 모델의 평가 결과를 확인하는 기능입니다.
1) 호출 URL:
2) 예제 URL:
| 파라미터 | 설명 | 예시 |
|---|---|---|
| para | 모델 조회에 필요한 정보 | 129.3313461,35.7885556,500 |
| key | 인증 키(demo 입력하여 테스트 가능) | demo |
4. 모델을 이용한 예측
생성된 모델로 향후 10일의 예측 값을 확인하는 기능입니다.
1) 호출 URL:
2) 예제 URL:
| 파라미터 | 설명 | 예시 |
|---|---|---|
| para | 모델 조회에 필요한 정보 | 129.3313461,35.7885556,500 |
| key | 인증 키(demo 입력하여 테스트 가능) | demo |
5. 모델 등록지점 월별 요약
생성된 모델의 월별 요약을 출력하는 기능입니다.
1) 호출 URL:
2) 예제 URL:
| 파라미터 | 설명 | 예시 |
|---|---|---|
| para | 요약 조회에 필요한 지점 등록 정보 | 129.3313461,35.7885556,500 |
| key | 인증 키(demo 입력하여 테스트 가능) | demo |
6. 모델 등록지점 일별 요약
생성된 모델의 특정 년월의 일별 요약을 출력하는 기능입니다.
1) 호출 URL:
2) 예제 URL:
| 파라미터 | 설명 | 예시 |
|---|---|---|
| para | 요약 조회에 필요한 지점 등록 정보 | 129.3313461,35.7885556,500 |
| YYYYMM | 조회하려는 년월 | 202402 |
| key | 인증 키(demo 입력하여 테스트 가능) | demo |
7. 생성된 전체 모델 등록지점 요약
생성된 모델의 월별 요약을 출력하는 기능입니다.
1) 호출 URL:
2) 예제 URL:
| 파라미터 | 설명 | 예시 |
|---|---|---|
| key | 인증 키(demo 입력하여 테스트 가능) | demo |
8. 생성된 전체 모델 등록지점 순위
생성된 모델의 순위를 출력하는 기능입니다.
1) 호출 URL:
2) 예제 URL:
| 파라미터 | 설명 | 예시 |
|---|---|---|
| GUBUN | 순위를 지정할 칼럼 M10_U:남10세미만(명), M10:남10대(명), M20:남20대(명), M30:남30대(명), M40:남40대(명), M50:남50대(명), M60:남60대(명), M70_O:남70세이상(명), F10_U:여10세미만(명), F10:여10대(명), F20:여20대(명), F30:여30대(명), F40:여40대(명), F50:여50대(명), F60:여60대(명), F70_O:여70세이상(명), TOTAL:인구총합 |
TOTAL |
| key | 인증 키(demo 입력하여 테스트 가능) | demo |
9. 모델 삭제
생성된 모델을 삭제하는 기능입니다.
1) 호출 URL:
2) 예제 URL: 아래 URL 및 버튼을 눌러 실행하면 실제 모델이 삭제됩니다.
| 파라미터 | 설명 | 예시 |
|---|---|---|
| para | 모델 삭제에 필요한 정보 | 129.3313461,35.7885556,500 |
| key | 인증 키(demo 입력하여 테스트 가능) | demo |
종합 예제
모든 기능을 포함한 종합 예제 페이지:
아래는 종합 예제를 포함한 지도입니다. 마커를 클릭하여 생성된 모델을 조회할 수 있습니다. 그리고 생성된 모델을 통해 10일 후 예측을 수행할 수 있습니다. 마우스 우측 버튼을 이용하여 지점별 학습 모델을 등록할 수 있습니다.
AI 머신러닝 학습 모델 확장성
본 문서에서 생성할 수 있는 모델은 특정 지점의 유동 인구, 카드 매출 데이터를 기반으로 학습 모델을 생성하고, 이를 통해 미래를 예측하는 데 활용할 수 있습니다.
이러한 모델은 더욱 확장되어 특정 점포의 매출 예측 및 재고 관리와 같은 다양한 실무 영역에도 활용될 수 있습니다. 예를 들어:
- 식료품 협동조합인 OOO은 재고 예측이 어려워 지속적으로 비용 문제를 겪고 있습니다. 이 API를 활용하면, 일별 재고 데이터를 결합하여 합리적인 예측 모델을 생성하고, 향후 일주일간의 재고 관리 방안을 예측할 수 있습니다. 이를 통해 불필요한 재고를 줄이고 비용을 절감할 수 있습니다.
-
편의점 매장 또한 API를 활용해 매장별 맞춤형 예측 모형을 생성할 수 있습니다. 이를 통해:
- 매출 예측: 각 매장의 일별, 시간대별 매출을 효과적으로 예측.
- 운영 최적화: 야간 시간대의 무인 운영 시간이나 추가 인력 배치 등 운영 효율화를 지원.
또한, 날씨 및 다양한 외부 변수를 결합하면 더 정교한 예측 모델을 생성할 수 있습니다. 이를 통해 다양한 산업군에서 데이터를 활용한 실질적이고 효과적인 의사결정을 지원합니다.