Build with AI United 참여 후기(Gemini 활용법)

0. 행사 소개

24.04.27일

GDG(Google Developer Group)에서 주최한 Build with AI United 행사에 다녀왔다.

 

https://festa.io/events/5026

행사 소식을 일찍 알아서 얼리버드로 등록할 수 있었다.

 

아젠다

나는 아래 순서로 참여했다.

Hands-on Session 1 → Session 3 → Session 4 → Hands-on Session 3 

 

1. Gemini를 Data Science에 사용하기(Hands-on Session 1)

• cloudskillsboost에서 튜토리얼을 따라하며 실습을 해볼 수 있었다.
• (튜토리얼을 해보려면 크레딧이 필요한데, 사전에 제공된 가이드에 따라 등록 및 크레딧을 받았다.)
• 실습 내용은 2가지
  • Gemini assistant 이용(이번 시간에 실습해볼 내용)
  • LLM 모델 연결(시간상 못하기 때문에 개인적으로 해보길 권장하며 난이도가 있음)

 

• 일시정지가 없기 때문에 시간에 유의해서 실습하라고 되어있다.

1-1. 셋업

• Open Google Cloud console로 들어가 제공되는 아이디와 비밀번호로 로그인하면 된다.
• 그러면 샘플 콘솔에 접속할 수 있다.

• 다음으로 클라우드 쉘을 킨다.(빨간박스 버튼)

1-2. 환경 셋팅

• 계정과 프로젝트 아이디를 확인한 후 Gemini API를 연결하는 작업이다.

1-3. BigQuery에서 Gemini 사용을 위한 데이터 셋 만들기

• 왼쪽 네비게이션 메뉴에서 BigQuery를 누르면 위와같은 창이 뜬다.
• BigQuery Studio에서 Explorer 판넬을 보면 프로젝트가 있을 것이다.
  오른쪽의 view actions 버튼을 누르면 서브 버튼들이 나오는데, 여기서  Create dataset을 누르면 오른쪽에 창이 뜬다.
• 순서대로 Dataset ID를 입력한 후 Create dataset을 누른다.

1-4. Gemini를 사용해서 분석하기

• 상단의 Gemini 버튼을 누르면 오른쪽에 창이 뜨고, Enable 버튼을 누른다.

• 이어서 Starting Chatting 버튼을 누르면 익숙한 형태의 채팅창이 뜬다.
• Gemini 셋팅은 끝났다. 질문을 하면 답변도 바로 한다.

1-5. Gemini를 사용해서 SQL queries 설명하기

• Create SQL query 버튼을 누르면 SQL query를 작성할 수 있는 창이 생성된다.
• query를 작성한 후 RUN 버튼을 누르면 아래에 query results에 결과가 표시된다.
• 작성한 query에 대한 설명이 필요할 때, 왼쪽에 Explain this query 버튼을 누른다.
• 오른쪽의 Gemini 대화 창에서 어떤 정보를 추출하는 query인지에 대해 설명을 해준다.

1-6. Gemini를 사용해서 SQL queries 생성하기

• # '생성하고싶은 query'를 쓰면 그에 맞게 query를 만들어준다.
• RUN 버튼을 누르면 하단에 결과를 바로 확인할 수 있다.

1-7. 실습 후기

• GCP와 Gemini 모두 구글에서 만들었기 때문에 서비스에서 바로 사용 가능하다는 장점이 있다.
• 복잡한 SQL문을 번역(설명)하거나, 설명한 내용을 SQL문으로 만들어주는 기능은 현업에서 사용하기에 충분히 효율적이라고 느껴졌다.
• (나만 그랬는지는 모르겠는데, 중간중간 wifi가 계속 끊겨서 실습을 진행하기가 어려웠다..)

점심은 안동찜닭!!

 

2. Creating simple marketing models with AI(Session 4)

• Google Cloud와 함께 구현하는 쉽고 효율적인 LLM 배포(Session 3) 세미나도 들었는데, 백앤드 개념이 많이 나와서 그냥 듣기만 했다.
• 이후 진행된 마케팅 관점에서의 AI 활용은 내용이 흥미로웠어서 정리해보았다.

2-1. The GenAI Era(feat. Gemini)

1. Fallow-up 하기 어려울 정도로 최근 LLM 모델이 여러개가 쏟아지고 있음
2. LLM이 주목받는 이유
   1. 기존 소규모 모델에서 할 수 없었던 작업을 수행하는 새로운 능력
   2. 문맥 이해 능력을 통해 우리가 데이터 및 지능형 시스템과 상호작용하는 방식의 변화
   3. 대규모의 이질적인 데이터에서 패턴과 연관성을 찾을 수 있음
3. Gemini! - 구글에서 만든 LLM
   1. Multimodality
   2. 데이터 분석에서 image(그래프같은 figure)와 text를 함께 사용하게 됨
4. AI 활용안의 발전 방향
   1. Predictive -> generative -> multimodal(추론 및 논리) generative AI

2-2. Marketing Mix Model(MMM)

1. 마케팅 환경의 변화
   1. 브라우저에서 타사 쿠키사용 불가와 점점 개인정보 보호 규정이 강해짐
   2. 따라서, 개별 사용자 수준 데이터 추적이 어려워짐
2. 예전에 시도되었던 Marketing Mix Model이 다시 등장하게 됨
   1. 마케팅 활동 -> 성과분석하는 계량경제학적 접근법
3. 현대적 MMM 주요 접근 방식
   1. 라이브러리
      1. Lightweight MMM(Google) - JAX를 활용한 빠른 모델링
      2. ROBYN(Meta) - Prophet 활용
      3. Orbit(Uber) 
      4. Third Party MMM 등
   2. Lightweight MMM (-> Meridian으로 서비스화 예정)
      1. 여러 장점이 있으나, 
      2. 활용을 위해 데이터 분석 및 기술적 이해가 필요
      3. 데이터가 부족하거나 품질이 낮은 경우 신뢰성 떨어짐
   3. Process of Lightweight MMM
      1. 데이터 전처리 -> 모델 학습 -> 평가 -> 최적화 -> 모델 활용
   4. 이 어려운 과정을 마케터들이 잘 활용할 수 있도록 Gemini 활용하게 됨
4. MMM 예제
   1. kaggle - saicharansirangi 데이터 활용
   2. (코드 확인)

2-3. 사용자가 필요한 부분에 AI를 더하자

1. 실제 과정
   1. Loading Data
      1. GCP 인증 후 SQL을 사용해서 BigQuery에서 데이터를 가지고 옴
      2. 여러 데이터의 날짜 포맷이 안맞아서 그 부분 처리
   2. Preprocessing Data
      1. 데이터를 날짜와 AdGroup 기준으로 집계 후 이상치 처리
   3. Scaling Data
      1. Train / test 분리하고 스케일링 함
   4. Prediction Model Fitting
      1. 베이지안 모델링 및 인과 관계 합성곱을 적용하여 먼 값보다 가까운 값에 더 많은 가중치를 부여하는 모델(carryover 모델)
      2. MAPE 성능이 가장 좋을때로 선정
   5. Plot
      1. 시각화
   6. Budget Optimizer
      1. 최적화
2. 실제 과정 + Gemini
   1. Understanding Data with Gemini
      1. 데이터에 대한 간단한 배경과 활용 용도 설명 후 EDA 및 outlier 정보 요청 - 을 프롬프트로 작성해서 데이터와 함께 gemini에 요청
      2. gemini가 데이터와 요청을 함께 분석하여 EDA를 해줌
      3. 이 설명을 마케터에게 같이 전달
   2. Plotting Description with Gemini
      1. MMM에서 만든 결과 그래프에 대한 배경지식을 제공한 후 해당 그래프를 읽고 이에 대해서 설명하고 인사이트를 찾아내길 요청
      2. (실제과정에서 Plot을 저장한 후 여기에 업로드)
3. 여기까지 Gemini가 뽑아준 내용을 한번 더 검토 후 결과를 같이 제공하는 식으로 활용

2-4. 사람들을 널리 이롭게 하려면 사람들의 필요를 먼저 파악하라

1. Further Action Items
   1. Ai 연계하여 더 쉬운 모델 선택
   2. 매개변수 조정 등 사용자가 직접 수정할 수 있는 방안 고민
   3. 보다 상세한 데이터 정제 방안 제시 등

• 발표를 진행한 권정민님이 MMM에 대해 블로그에 작성한 글을 첨부한다.(https://cojette.github.io/posts/mmm2/)

 

3. GCP를 통해 RAG와 Multimodal 활용법 다루기(Hands-on Session 3)

• 실습 내용이 워낙 많고 내용도 어려워서 추후에 별도로 정리할까 한다.

 

4. 행사 참여 후기

대망의 럭키드로우....!

• 약 350명 정도가 참석한 큰 행사였다.(스텝도 약 30명 정도였다고 한다.) 
• 실습 시 wifi가 간헐적으로 끊겼던게 아쉽긴 했지만, 그럼에도 불구하고 무척이나 유익하고 알찬 행사였다.
• GCP에서 새로운 기능을 사용하려면 간단하게나마 사용법을 익혀야 하는데, 초급 단계의 Hands-on 실습이 목적에 부합했다.
• Marketing Mix Model이라는 새로운 방법론도 알게 되었다.

• 마지막으로... 경품 추첨 2등에 당첨되었다.
• 행사 당일 스텝들이 쓰고있던 모자, 키캡, 그립톡이 2등 상품이다.
• (티셔츠와 스티커는 모두에게 제공된 굿즈이다.)

 

• 이상으로 Build with AI United 참여 후기를 마친다.