단상 정리

0. 기본 발상

• 동영상에서 객체 인식 후 이것을 LLM에 추가하여 맥락을 추가하고 다음 아웃풋을 결정하듯이, 동영상이 아닌 정형 데이터 모델에도 비슷한 아이디어를 적용해 가중치를 조절하거나 하는 식으로 모델 성능을 높일 수 있지 않을까?

1. 이벤트 기반 피처 엔지니어링 (Event-based Feature Engineering)

• 개념: 데이터 흐름에서 특정 의미를 가지는 '이벤트'를 감지, 이를 별도 변수로 만들어 모델에 입력하는 방식.
• 목적: 모델이 단순한 데이터 패턴이 아닌, 인간이 인지하는 '중요한 신호'를 학습하도록 돕는다.
• 특징:
  • 도메인 지식 활용: 전문가의 지식을 바탕으로 이벤트 규칙(예: 골든 크로스)을 정의.
  • 변수화: 이벤트 발생 시 0 또는 1의 값을 갖는 새로운 변수(피처)를 생성.
  • 동적 가중치: 이벤트에 따라 모델 내부 가중치를 실시간으로 조절하는 고급 접근법도 가능.

---

2. 기존 방법론과의 차이점

• 기존 방식 (멀티모달 학습): 데이터의 종류(정형, 비정형)를 결합. 데이터 '자체'를 입력값으로 사용.
• 새로운 방식 (이벤트 기반): 데이터 속의 '현상'을 포착하여 '새로운 변수'로 변환. 데이터 '맥락'에 집중.

---

3. 주요 응용 분야

• 금융: 주식 차트, 뉴스에서 특정 이벤트(골든 크로스, M&A 발표 등) 감지.
• 제조: 설비 센서 데이터에서 이상 패턴(진동 변화)을 이벤트로 정의.
• 의료: 환자 생체 데이터에서 특정 신호(심박 급변)를 응급 이벤트로 인식.

---

4. 결론

• 이러한 접근법은 데이터의 양이 아닌 질에 집중하는 방법.
• 모델이 단순한 패턴을 넘어 인간의 의사결정 방식과 유사한 논리를 학습하도록 유도한다.