기업 데이터를 위한 관계형 파운데이션 모델 (Jure Leskovec 인터뷰)

섹션별 상세

00:00

관계형 파운데이션 모델의 개념

Jure Leskovec은 관계형 파운데이션 모델이 구조화된 관계형 데이터를 직접 학습하여 예측을 수행한다고 설명했다. 이 모델은 수동 피처 엔지니어링 없이 데이터베이스의 관계 구조를 파악한다. 기존의 모델과 달리 데이터의 복잡한 상호작용을 포착하여 정확한 예측을 수행한다.

관계형 데이터베이스는 표 형태의 데이터와 그들 간의 관계를 정의한 데이터베이스를 의미한다.

02:00

단일 세포 RNA 데이터와 관계형 데이터의 유사성

단일 세포 RNA 데이터는 개별 세포의 유전자 발현을 측정하며, 기업의 관계형 데이터베이스와 유사한 구조를 가진다. 이 데이터를 통해 모델은 세포 간의 복잡한 관계와 상태를 학습한다. 생물학적 데이터의 구조적 복잡성을 모델이 직접 이해함으로써 예측 성능을 향상시킨다.

단일 세포 RNA 시퀀싱은 개별 세포의 유전자 발현을 분석하는 생물학적 기법이다.

08:00

데이터 구조와 네트워크 분석

데이터 간의 연결성을 파악하는 네트워크 분석은 사회 과학과 데이터 분석에서 핵심적인 역할을 한다. Jure Leskovec은 소셜 미디어 데이터를 예로 들어, 데이터 간의 관계를 그래프 구조로 모델링하여 분석하는 방법을 설명했다. 이러한 접근 방식은 데이터의 숨겨진 패턴을 발견하는 데 효과적이다.

네트워크 분석은 노드와 엣지로 구성된 그래프 구조를 분석하는 기법이다.

용어 해설

관계형 파운데이션 모델(Relational Foundation Models): — 기업의 관계형 데이터베이스 구조를 직접 학습하여 다양한 예측 작업을 수행하는 모델. 수동 피처 엔지니어링 없이 데이터 간의 관계를 포착한다.
단일 세포 RNA 시퀀싱(Single-cell RNA-seq): — 개별 세포 수준에서 유전자 발현을 측정하는 기술. 데이터 구조가 기업의 관계형 데이터와 유사하여 모델 학습의 벤치마크로 활용된다.
그래프 신경망(Graph Neural Networks): — 그래프 구조의 데이터를 처리하기 위한 딥러닝 기법. 데이터 간의 관계와 상호작용을 학습하는 데 특화되어 있다.

주목할 인용

“AI has not transformed the structured data space in the same way as computer vision or natural language understanding have been fundamentally transformed by AI.”
AI는 컴퓨터 비전이나 자연어 이해가 AI에 의해 근본적으로 변화된 것과 같은 방식으로 구조화된 데이터 공간을 변화시키지 못했습니다.
Jure Leskovec·11:45
기존 AI 기술이 비정형 데이터에 집중된 반면, 구조화된 데이터 분야는 상대적으로 발전이 더뎠음을 지적하는 맥락.