머신 러닝 : 과학인가? 연금술인가?

https://towardsdatascience.com/machine-learning-science-or-alchemy-655bea25b227

Machine Learning: Science or Alchemy?

 

머신러닝과 딥러닝은 2010년대 가장 혁신적인 기술이라고 해도 과언이 아니라고 생각합니다.
2016년, 이세돌 9단과 Google Deepmind의 알파고의 대국을 통해 딥러닝에 대해 처음 알게 된 분들이 많았습니다. 저도 마찬가지구요.
2023년에는 Open AI의 ChatGPT의 등장으로 또 한번 세상이 들썩이고 있는 것 같아요.

위 칼럼은 제가 데이터 분석에 대해 처음 입문할 당시 읽었던 칼럼입니다.
머신러닝과 딥러닝 모델링을 하시는 실무자들이나 혹은 입문 단계를 막 벗어난 분들이 한번쯤 생각해봤을 법한 내용입니다.

머신러닝과 딥러닝은 흔히 데이터셋을 훈련 세트와 테스트 세트(+ 평가 세트)로 자료를 나눈 후에, 모델에 훈련 세트를 학습시켜 테스트 세트를 통해 모델을 평가하는 방법을 사용합니다.
실무에서, ML/DL 엔지니어 분들은 정확도를 높이기 위한 다양한 모델 학습 방법을 고안하고 적용하는 데에 힘쓰고 계시죠.

하지만, 모델링을 하면서 이런 생각이 들 수 있을 것 같습니다.

왜 정확도가 높게 나왔지?

 

칼럼 제목에 적힌 질문에 대한 정답은 없는 것 같습니다.
저 또한 생각이 명료하게 정리되지 않아 글을 어떻게 마무리해야 할 지도 감이 오지 않네요.
만약, 좋은 의견이 떠오르면 업데이트를 하겠습니다

과거에 칼럼을 이미 읽으셨거나, 이번 기회에 읽게 되신 분이 있다면,
다양한 의견을 댓글로 남겨주시면 감사하겠습니다.

용어 정리

HARKing : (Hypothesis After Results are Known) 결과를 도출한 후에, 이를 설명하는 가설을 만드는 방법

출처 - Threats of a replication crisis in empirical computer science, Lonni Besançon, ResearchGate