[내일배움캠프] QA/QC_5기 ( 65일차 )

01. 왜 어려운가

문제 정의는 왜 어려울까?

데이터 분석 프로세스에서 문제 정의는 가장 첫 단계이자 이후 모든 단계의 전제조건입니다. 그런데 역설적으로, 문제 정의 단계는 가장 적은 데이터와 정보를 가지고 가장 중요한 결정을 내려야 하는 단계입니다.

단계보유 정보량결정의 영향력

문제 정의	매우 적음	매우 큼 — 이후 전체 방향 결정
EDA / 전처리	데이터 확보 후 풍부	중간
모델링	풍부	중간
평가	풍부	작음

💡 정보는 가장 적은데 결정의 무게는 가장 무겁다 — 이것이 문제 정의가 구조적으로 어려운 첫 번째 이유입니다.

---

02. 구조적 원인

문제 정의가 어려운 4가지 이유

이유 1

되돌릴 수 없는 결정

Target 변수, 문제 유형, 평가 지표는 모든 단계의 기준. 문제 정의가 잘못되면 처음부터 다시 시작해야 합니다.

이유 2

언어의 불일치

"불량률이 높아요"는 현장 언어. 데이터는 수치화된 Target과 평가 지표가 필요합니다. 이 번역에 정답은 없습니다.

이유 3

복합 문제로 제시됨

현실의 문제는 여러 소문제가 뒤엉킨 복합 문제입니다. 분해하지 않으면 시작 자체가 불가능합니다.

이유 4

오류가 늦게 드러남

문제 정의가 잘못돼도 EDA·모델링은 정상으로 진행됩니다. 오류는 현장 배포 후에야 발견됩니다.

실제 사례로 보는 어려움

이유 1 — 되돌릴 수 없는 결정

배터리 제조 QA: 잘못된 Target 변수 정의

불량 여부(정상/불량) 분류 모델로 98% 정확도 달성. 그러나 현장은 "며칠 만에 불량이 될지"가 필요했습니다. 결국 수명 예측(회귀) 문제로 전면 재정의 — EDA, 피처 엔지니어링, 모델 학습까지 전부 무효화.

이유 2 — 언어 번역 문제

"불량률이 높다"는 말의 3가지 해석

사출 성형 공정에서의 동일한 피드백이 (1) 외관 불량 분류 / (2) 공정 파라미터 이상 감지 / (3) 금형 수명 예측 으로 번역될 수 있습니다. 어떤 해석을 선택하느냐에 따라 데이터, 모델, 담당 부서까지 완전히 달라집니다.

이유 4 — 지연된 피드백

전자부품 외관 검사: 정확도 99.2% 모델의 함정

실제 불량률이 0.5%라면 모두 "정상" 판정해도 99.5% 정확도. 모델은 불량을 하나도 잡아내지 못했지만, 오류는 현장 배포 후 불량품 출하로 발견됐습니다. Precision/Recall 또는 F1-Score를 지표로 선택했어야 했습니다.

---

03. 해법

왜 단계를 나누는 것이 해법인가

어려움단계 분해를 통한 완화

정보 비대칭	작은 단위로 나누면 각 단계에서 필요한 정보가 명확해짐
언어 번역 문제	비즈니스 관점 → ML 관점으로 단계를 나누어 번역 과정을 명시화
복합 문제	전체 → 하위 문제 1 → 하위 문제 2 순으로 분해해 독립 검증
지연된 피드백	각 단계마다 입력/출력과 성공 기준을 정의해 조기에 오류 발견

💡 문제 정의가 어렵다는 것은 한 번에 너무 많은 것을 결정해야 해서 어렵다는 의미. 해법은 결정들을 단계별로 쪼개어 각 단계마다 검증 가능한 작은 결정으로 바꾸는 것입니다.

---

04. 단계적 접근법

커피 내리기로 이해하는 단계 분해

바리스타에게 익숙한 커피 내리기 행위도 로봇에게는 수많은 독립 문제입니다. 이를 분해하면:

1

도구 선택

드리퍼와 컵의 크기·형태를 시각적으로 인식해 적합 여부 판단

2

재료 계량

스쿱의 부피와 원두 색상·질감을 시각적으로 판단해 측정

3

물 온도 조절

온도계 없이 기포 상태나 수증기 양으로 90~95°C 판단

4

드립 속도 제어

유량 센서 없이 물줄기 굵기와 속도를 시각적으로 조정

5

완료 판단

색상·추출량 기준으로 적절히 추출되었는지 감지 후 동작 중단

분해하면 각 단계별 분석 목표, 입력, 출력, 데이터 형태까지 설계할 수 있습니다.

---

05. 좋은 문제 정의

나쁜 정의 vs 좋은 정의

좋은 문제 정의에는 타깃 변수 · 평가 지표 · 기준값 세 가지가 명시되어야 합니다.

 나쁜 예

"공정이 이상할 때 알려주는 AI를 만든다"

 좋은 예

"웨이퍼 식각 공정에서 온도·압력·가스 유량 센서 데이터를 실시간 수집하여, 정상 패턴 대비 이상 점수가 임계값의 1.5배를 초과할 경우 경보 발송 + 기여도 상위 3개 센서 제공"

확인 항목나쁜 예좋은 예

타깃 변수	"이상"이 무엇인지 불명확	온도·압력·가스 유량 센서 이상 여부
평가 지표	없음	F1-Score / Precision / Recall / 오경보율
기준값	없음	정상 패턴 대비 이상 점수 1.5배 초과

---

06. 문제 유형 선택

회귀 vs 분류, 어떻게 고를까

회귀 (Regression)

질문: "얼마나?"

출력: 연속적인 수치

예시: 배터리 잔여 수명 예측, 불량률 수치 예측

지표: RMSE, MAE, MAPE

분류 (Classification)

질문: "어느 쪽인가?"

출력: 이산적인 카테고리

예시: 불량/정상 판정, 불량 유형 분류

지표: 정확도, F1-Score, AUC

선택 기준: 현장에서 최종적으로 필요한 것이 "숫자"인가, "결정"인가를 먼저 확인하세요.
• "불량률이 몇 %인지 알고 싶다" → 회귀
• "이 제품을 출하해도 되는지 알고 싶다" → 분류
• 둘 다 필요하다면 → 회귀 → 분류 2단계 구조

---

07. 체크리스트

문제 정의 체크리스트

비즈니스 관점

누가, 무엇을, 왜 원하는지 명확히 정의했는가?

False Positive vs False Negative 중 무엇이 더 위험한지 검토했는가?

모델 결과를 현장에서 어떻게 활용할 시나리오가 있는가?

데이터·모델링 관점

Target 변수가 수치로 명확히 정의되었는가?

성공 기준에 수치화된 기준값이 포함되었는가? (예: F1 ≥ 0.9, MAPE ≤ 5%)

필요한 데이터가 실제로 존재하고 수집 가능한가?

문제를 독립적인 하위 문제로 분해했는가?