[Review] 모두콘 2023 세미나참여후기

🚦SUMMARY

• 지난 토요일(12월 9일)에 이화여대 ECC에서 진행했던 모두콘 2023 행사 후기입니다.
• 모두콘은 2018년부터 모두의 연구소에서 진행하고 있는 AI관련 컨퍼런스 행사 입니다.
• AI와 관련된 다양한 분야별 현업의 연사님들을 모시고 업계의 트렌드에 대한 다양한 이야기, 실제 AI를 구현할때의 다양한 이슈에 대한 해결방안 등의 실무적팁, 프로젝트 구현기에 대한 이야기 등에 대한 강연을 들을 수 있는 기회였습니다.
• 기업부스 담당자분들, 논문발표자분들, 모두콘에 참여한 다른 연사님과 참여자들 등과 네트워킹을 다질 수 있는 기회였습니다.

🚫 유의사항

• 본 내용은 컨퍼런스에 참여하면서 들은 내용에 대해 개괄적으로 정리한 내용입니다.
• 내용에 다소 오류가 있을 수도 있습니다. 각 세미나에 대해서는 차후에 모두의 연구소 유투브 채널 에 4주내로 업로드가 된다고 합니다.
• 각 세미나에 대한 상세 내용은 해당 채널의 영상을 확인해주시면 좋을 것 같습니다 😀
• 가급적 세미나의 내용을 기억하고 차후에도 살펴보기 위해 리뷰를 빙자한 정리노트를 작성했습니다.

---

📌 Intro.

• 모두콘은 모두의 연구소 가 2018년부터 진행하고 있는 AI관련 컨퍼런스 입니다.
• 올해는 Naver Cloud AI의 하정우 센터장님과 테크프론티어의 한상기 대표님이 진행하는 Keynote speech를 시작으로 여러 세션별로 다양한 강연을 만나볼 수 있었습니다.
• 저는 주로 아래의 세션들에 대해 관심이 많아서 개인 링크드인에 홍보글을 올리기도 했었습니다.
  • AI Insight: 카카오브레인의 이미지 생성 모델 ‘Karlo’ 개발 이야기
  • 여성 스타트업 리더와 개발자들의 열정을 공유하는 “스우파” 세션 등!
  • AI Research: 제로 베이스에서 구축하는 추천 시스템
  • MODULABS: 언어 모델 평가 방법 및 AI 모델로 보상 함수 만들기
  • AI + X: MLOps 시작 가이드 및 커머스를 위한 Vision Language Model

• 참여했던 모든 세미나에 대해 다 정리하고 싶었지만, 내용이 방대해서 메모한 내용이 많고 기억에 남는 세션 위주로 정리하였습니다.

KEYNOTE : 글로벌 AI 전쟁: 한상기 & 하정우의 깊이 있는 대화

• Naver Cloud AI의 하정우 센터장님의 글로벌 AI 리더 국가들의 Augmentation에 관련된 논의에 대한 내용들을 비롯, 최근 발표로 이슈가 되고 있는 Gemini 에대한 얘기를 시작으로 최근의 AI 트렌드등에 대해 업계 탑티어의 전문가는 어떤 시선으로 현 산업을 바라보는 가를 느낄 수 있었습니다.
• 진행은 두분의 대담형식으로 질문하고 대답을 주고 받는 방식으로 진행되었습니다.

• 이 중 몇가지 인상깊었던 부분들을 정리해보면 아래와 같습니다.

• GPT4의 성능과 다양한 버전
• GPT4는 MMLU 언어모델로, 인간 전문가를 깨고 90점을 달성하여 구글 딘바인드의 위기의식을 느끼게 했다.
• GPT4는 이미지와 비디오 분야에서도 뛰어난 성능을 보여주고 있다.
• GPT4와 구글 바드의 성능 차이는 크고, Gemini 프로는 외국어 능력이 아쉬운 부분이 있으며 한국어 테스트에서도 아쉬운 부분이 있다고 한다.
• GPT4의 크기는 울트라 프로, 나노 등 다양한 버전이 있으며, 성능 역시 크기에 따라 다르다.

• AGI와 프론티어 AI의 차이점
  • AGI는 학계와 업계에서 공통된 정의가 없으며, 사람이 할 수 있는 모든 일을 잘 수행할 수 있는 인공지능을 의미한다.
  • AGI를 달성하기 위해서는 외부 환경 인지, 문제 파악, 정확한 평가, 문제 해결 능력 등이 필요하다.
  • GPT 4부터는 AGI의 일부 특성이 발현되기 시작했으며, 이를 기반으로 계획을 세울 수 있는 능력도 갖추게 되었다.
  • 프론티어 AI는 포텐셜함이 있는 범용 AI로 정의되며, 혁신과 위험 가능성을 동시에 가지고 있다.
  • 프론티어 AI는 특정 문제뿐만 아니라 일반적인 문제를 스스로 파악하고 해결할 수 있는 능력을 갖추어야 한다.

• AI 안정정상회의의 목표와 원칙
  • AI 안정정상회의는 AI의 성장과 혁신에 동의하면서도 인류 안전에 대한 우려를 표명하고 국제공동협력을 강조하는 회의이다.
  • AI 안정정상회의에서는 프론티어 AI의 발전과 함께 인류 안전을 위한 준비를 강조하고 있다.
  • 미국의 상무부 장관이 AI 안전연구소를 관장하고 있어 국가의 성장에 관심을 가지고 있다.
  • 중국은 인류 미래를 위해 국제법을 준수하고 악영향에 대처하기 위해 노력하며 국가 형평성을 강조하고 있다.
  • AI 안정정상회의에서는 모든 국가가 동일하게 의견을 제시하고 개도국도 참여할 수 있도록 하며 오픈소스를 강조하고 있다.

• AI 시대에 개도국들의 노력 필요
  • 개도국들은 AI 시대에 뒤처지지 않도록 노력해야 한다.
  • AI 기술의 발전으로 인해 안전과 책임에 대한 논의가 필요하다.
  • AI의 파급력이 커질수록 적절한 책임감을 보여줘야 한다.
  • AI의 발전에는 다자주의와 다양성, 포용성이 필요하다.
  • AI 연구에서는 다양한 분야에 대한 연구가 필요하다.

• 버티컬 파이프라인 기업들에게 기회가 있을 것이다.
  • 엔드 유저나 기업 고객에게 독특하고 고유한 데이터와 서비스 경험을 제공하는 버티컬 파이프라인 기업들에게 기회가 있을 것이다.
  • 오픈 AI가 특별한 이유 없이 버티컬 파이프라인에 진입할 이유는 없으며, 전환 비용이 발생할 수 있기 때문에 사용자들은 전환을 꺼릴 수 있다.
  • 기술은 금방 따라잡을 수 있기 때문에 가급적이면 버티컬 도메인의 데이터와 경험을 기반으로 한 애플리케이션 레벨로 진입하는 것이 비용 효율적인 방법이다.
  • 현재 시점에서는 개별 기업들이 모든 것을 다 소유하려는 것이 합리적인 방법이 아니며, 전략적인 선택이 필요하다.
  • 올해의 인상적인 사건으로는 GPT4의 발표와 라마2의 상용화가 있다. 이러한 사건들은 많은 교훈을 제공했다.

• 한국의 AI 연구의 약점과 개선 방안
  • AI 연구는 인류의 과학과 전체적인 지구의 문제를 해결하는데 도움을 줄 수 있는 훌륭한 도구이다.
  • 그러나 한국은 AI 연구가 약하다는 인식이 있다.
  • 한국에서는 AI를 활용하여 경제의 불평등 문제, 인간의 소외, 기후 문제 등을 해결할 수 있는 연구를 활성화시키는 노력이 필요하다.
  • 기업들은 생산성 향상을 위해 AI를 사용하고 있지만, 인류의 근본적인 문제를 해결하는 AI를 만들기 위한 연구는 부족하다.
  • 한국의 기업들과 연구소들은 AI를 활용하여 경제, 불평등, 기후 문제 등에 도전하는 연구를 진행해야 한다.

• 인공지능 연구의 글로벌 그룹들과 안전성 문제
  • 인공지능 연구에서는 글로벌 차원에서 세멀트(IoT)와 같은 기술을 연구하는 기관을 만들어야 한다는 의견이 있다.
  • 일부 사람들은 유럽에 있는 썬(SUN)과 같은 연구소를 만들어서 인류 공통의 AI 연구를 진행하고 안전성이 검증된 기술을 상업화하는 방안을 제안하고 있다.
  • 이러한 연구 그룹은 인류에게 공동의 자산이 될 수 있는 연구를 진행하며, 안전성과 공개성을 중요시한다.
  • 하지만 안전성과 분리성을 동시에 보장하기 어려워 어떻게 가르마를 탈 것인지는 아직 과제이다.
  • 현재는 글로벌 그룹들이 주도권을 놓고 경쟁하고 있으며, 국내에서도 비슷한 그룹을 만들어서 참여하려는 노력이 진행되고 있다.
  • 인공지능 연구에서는 날리지 그래프와 같은 온톨로지 기술을 활용하여 더 지능적인 서비스를 개발하는 연구가 진행되고 있다.
  • RNN 모델의 롱텀 디펜던십 문제를 해결하기 위한 구성의 RNN 아키텍처 연구도 진행되고 있다.
  • 현재는 몇 가지 사례에서는 성공적인 결과가 있지만, 아직 실험적인 단계이다.
  • 인공지능 연구에서는 비용 문제로 인해 횟수 제한이 있는 경우도 있으며, 중소기업을 이해해야 한다는 의견도 있다.

AI Research: 제로 베이스에서 구축하는 추천 시스템

개인화 큐레이션 추천 시스템

• 프로젝트 시작 배경:
  • 프로젝트는 사용자에게 맞춤형 콘텐츠를 추천하는 시스템을 구축하기 위해 시작됨.
  • 이는 사용자 경험을 개선하고, 콘텐츠 소비의 효율성을 높이기 위한 목적을 가짐.
  • 현대의 디지털 환경에서 개인화된 추천은 사용자 만족도를 크게 향상시킬 수 있음.

• 프로젝트 목표 설정:
  • 초기 목표는 사용자의 취향과 행동을 정확히 분석하여 개인화된 추천을 제공하는 것임.
  • 목표 달성을 위해 사용자 데이터 분석 및 효과적인 알고리즘 개발에 중점을 둠.
  • 데이터 부족과 같은 초기 장애물을 극복하고, 지속 가능한 추천 시스템을 구축하는 것이 핵심 목표임.

• 프로젝트 방향성 결정:
  • 프로젝트 방향성은 데이터 중심으로 설정되어, 사용자 데이터 수집 및 분석에 초점을 맞춤.
  • 사용자의 기본 정보, 행동 패턴, 콘텐츠 소비 이력 등 다양한 데이터를 통합하여 분석할 계획임.
  • 이를 통해 더 정확하고 맞춤화된 추천을 제공하고자 하는 것이 프로젝트의 궁극적인 방향성임.

데이터 수집 및 가공

• 데이터 수집의 중요성 인식:
  • 프로젝트의 성공은 대규모의 다양한 데이터 수집에 크게 의존함.
  • 사용자 행동, 선호도, 상호작용 데이터가 핵심적인 역할을 함.
  • 데이터 수집은 시스템의 정확도와 효율성을 결정하는 결정적 요소임.

• 데이터베이스 및 테이블 상태 파악:
  • 기존의 데이터베이스와 테이블을 분석하여 사용 가능한 데이터를 파악함.
  • 데이터 구조 및 품질을 평가하여, 추후 가공 및 분석을 위한 기초를 마련함.
  • 데이터 누락, 오류, 중복과 같은 문제를 해결하기 위한 전략 수립.

• 데이터 가공 및 정제:
  • 수집된 데이터를 분석에 적합한 형태로 변환하는 과정을 진행함.
  • 불필요한 정보 제거, 데이터 정규화, 결측치 처리 등을 수행함.
  • 데이터의 품질과 일관성을 높이기 위한 정제 작업에 중점을 둠.

• 사용자 행동 데이터의 수집 및 분석:
  • 사용자의 클릭, 페이지 뷰, 상호작용 시간 등의 행동 데이터를 수집함.
  • 이 데이터를 통해 사용자의 선호도와 행동 패턴을 파악함.
  • 행동 데이터 분석을 통해 사용자에게 더 맞춤화된 추천을 제공할 수 있도록 함.

• 데이터 수집 방법과 도구 선택:
  • 다양한 데이터 수집 도구와 기술을 고려하여 최적의 방법을 선택함.
  • 실시간 데이터 수집 및 배치 처리를 위한 인프라 구축에 중점을 둠.
  • 데이터 수집의 효율성과 정확성을 높이기 위한 기술적 선택과 구현에 주의를 기울임.

사용자 학습 경험 데이터의 정의와 수집

• 학습 경험 데이터의 중요성:
  • 사용자의 학습 경험 데이터는 추천 시스템의 핵심적인 부분임.
  • 이 데이터는 사용자가 어떤 콘텐츠를 선호하고, 어떻게 상호작용하는지에 대한 깊은 이해를 제공함.
  • 학습 경험 데이터를 통해 보다 정확하고 개인화된 추천을 제공할 수 있음.

• xAPI를 활용한 데이터 추적:
  • xAPI(Experience API)를 사용하여 사용자의 학습 활동을 추적하고 기록함.
  • xAPI는 다양한 학습 활동과 경험을 표준화된 형식으로 기록할 수 있게 함.
  • 이를 통해 학습 경험 데이터의 수집과 분석이 용이해짐.

• 데이터 정의서 작성:
  • 사용자의 학습 경험을 정의하는 데이터 정의서를 작성함.
  • 데이터 정의서는 어떤 데이터를 수집할 것인지, 어떻게 분석할 것인지의 기준을 제공함.
  • 이 과정을 통해 데이터의 질과 일관성을 보장할 수 있음.

• 이벤트 로깅 시스템 구축:
  • 사용자의 학습 경험을 기록하기 위한 이벤트 로깅 시스템을 구축함.
  • 이 시스템은 사용자의 모든 학습 활동을 실시간으로 추적하고 기록함.
  • 로그 데이터는 추후 분석과 모델링에 중요한 입력 데이터로 사용됨.

• 학습 데이터의 분석 및 활용:
  • 수집된 학습 경험 데이터를 분석하여 사용자의 학습 행동과 선호도를 이해함.
  • 이 데이터를 기반으로 사용자에게 맞춤형 학습 콘텐츠를 제안함.
  • 학습 경험 데이터의 분석은 추천 시스템의 정확성과 효율성을 높이는 데 핵심적임.

추천 모델의 개발 및 벤치마킹

• 추천 모델 개발의 전략:
  • 사용자 맞춤형 추천을 제공하기 위해 다양한 알고리즘과 모델을 탐색함.
  • 기존 모델의 장단점을 분석하여, 프로젝트에 가장 적합한 모델 구조를 설계함.
  • 사용자의 취향과 행동을 정밀하게 분석할 수 있는 알고리즘 개발에 중점을 둠.

• 다양한 추천 알고리즘의 벤치마킹:
  • Matrix Factorization, Deep Learning 기반의 추천 알고리즘 등을 연구함.
  • 각 모델의 성능과 적용 가능성을 평가하여 최적의 솔루션을 선택함.
  • 벤치마킹을 통해 모델의 강점을 통합하고, 약점을 개선하는 방향으로 모델 개발 진행.

• 스포티파이 기술 블로그의 영감:
  • 스포티파이의 멀티 헤드 셀퍼텐션 구조와 셔플링 알고리즘에 대한 연구 진행.
  • 스포티파이의 기술 블로그에서 얻은 인사이트를 바탕으로 새로운 아이디어를 도출함.
  • 사용자의 다양한 취향과 상호작용을 반영할 수 있는 혁신적인 모델 구조를 고려함.

• 모델의 구성 및 실험:
  • 실험적인 접근을 통해 다양한 모델 구성을 시도함.
  • 사용자 데이터와 상호작용 패턴을 반영하는 효과적인 모델 구성 요소 탐색.
  • 데이터의 복잡성과 다양성을 고려한 모델 실험을 통해 최적의 결과 도출.

• 모델 평가 및 선택:
  • 각 모델의 성능을 평가하기 위한 기준을 설정함.
  • A/B 테스팅, 사용자 피드백, 정량적 성능 지표 등을 활용하여 모델을 평가함.
  • 가장 효과적인 모델을 최종적으로 선택하여 추천 시스템에 적용.

데이터 검증 및 모델 평가

• 데이터 검증의 중요성:
  • 데이터의 정확성과 일관성은 추천 시스템의 효과성에 결정적인 영향을 미침.
  • 수집된 데이터가 정확하고, 오류가 없는지 철저히 검증하는 과정을 진행함.
  • 데이터 검증은 추천 시스템의 신뢰성을 확보하는 데 필수적임.

• 데이터 품질 관리:
  • 수집된 데이터의 품질을 지속적으로 관리하고, 문제가 발견되면 즉시 수정함.
  • 데이터 무결성, 정확성, 완전성을 확인하기 위한 다양한 기술과 방법론을 사용함.
  • 데이터 관리 및 유지 관리는 추천 시스템의 성공을 위한 핵심 요소임.

• 모델 성능 평가:
  • 다양한 성능 지표를 사용하여 추천 모델의 효과성을 평가함.
  • 정확도, 정밀도, 재현율, F1 점수 등 다양한 메트릭을 통해 모델의 성능을 분석함.
  • 모델 평가는 추천 시스템의 개선 방향을 결정하는 데 중요한 역할을 함.

• A/B 테스팅 및 사용자 피드백:
  • 모델의 실제 성능을 평가하기 위해 A/B 테스팅을 실시함.
  • 사용자의 반응과 피드백을 수집하여 모델의 효과성을 실질적으로 측정함.
  • 사용자 피드백은 모델을 최적화하고 개선하는 데 중요한 정보를 제공함.

• 모델 개선 및 최적화:
  • 평가 결과를 바탕으로 모델의 약점을 개선하고 최적화하는 작업을 진행함.
  • 데이터 품질, 알고리즘 성능, 사용자 경험 등 여러 측면에서 모델을 지속적으로 개선함.
  • 모델의 최적화는 사용자 만족도를 높이고, 추천 시스템의 전반적인 성능을 향상시키는 데 기여함.

대시보드 구축 및 사용자 이력 데이터 분석

• 대시보드 구축의 목적:
  • 사용자 이력 데이터를 모니터링하고 분석하기 위해 대시보드를 구축함.
  • 대시보드는 데이터 시각화를 통해 인사이트를 쉽게 도출하고 공유하는 데 도움을 줌.
  • 실시간 데이터 모니터링을 통해 추천 시스템의 성능을 지속적으로 추적하고 개선함.

• 사용자 이력 데이터의 수집 및 분석:
  • 사용자의 행동, 선호도, 반응 등 다양한 이력 데이터를 수집함.
  • 수집된 데이터를 분석하여 사용자의 행동 패턴과 추천 시스템의 효과를 파악함.
  • 데이터 분석을 통해 사용자 경험을 개선하고, 추천 알고리즘을 미세 조정함.

• 싱크 인사이트 대시보드의 기능:
  • 싱크 인사이트 대시보드는 다양한 데이터 소스를 통합하여 종합적인 분석을 제공함.
  • 사용자의 반응, 클릭률, 페이지 뷰 등의 지표를 실시간으로 모니터링함.
  • 대시보드를 통해 데이터 기반의 결정을 촉진하고, 전략적인 비즈니스 인사이트를 제공함.

• 데이터 기반의 의사결정 지원:
  • 대시보드를 통해 수집된 데이터를 기반으로 의사결정을 지원함.
  • 사용자 행동의 변화, 추천 효과의 변동 등을 실시간으로 파악하고 대응함.
  • 데이터 기반의 의사결정은 추천 시스템의 효율성과 사용자 만족도를 높이는 데 중요함.

• 추천 시스템의 지속적인 모니터링 및 개선:
  • 대시보드를 활용하여 추천 시스템의 성능을 지속적으로 모니터링함.
  • 사용자 데이터와 피드백을 분석하여 시스템의 개선점을 식별함.
  • 지속적인 모니터링과 데이터 분석을 통해 추천 시스템을 지속적으로 최적화함.

추천시스템의 평가 및 개선

• 추천 시스템 평가의 중요성:
  • 추천 시스템의 성능을 정기적으로 평가하여 그 효과성을 확인함.
  • 평가 과정은 시스템이 사용자의 필요와 기대를 충족시키고 있는지를 판단하는 기준이 됨.
  • 정확한 평가를 통해 시스템의 강점과 약점을 파악하고, 개선 방향을 설정할 수 있음.

• 다양한 평가 지표 활용:
  • 추천 시스템의 성능을 평가하기 위해 다양한 지표를 사용함.
  • 사용자 만족도, 클릭률, 전환율, 재방문율 등을 포함한 다양한 메트릭을 적용함.
  • 이러한 지표들은 시스템의 효율성과 사용자 반응을 종합적으로 파악하는 데 도움을 줌.

• 사용자 피드백과 시장 반응 분석:
  • 사용자의 피드백과 시장 반응을 분석하여 추천 시스템의 실제 효과를 평가함.
  • 사용자의 반응은 추천 시스템의 개선점을 식별하는 데 중요한 역할을 함.
  • 시장 반응 분석을 통해 비즈니스 목표 달성도를 측정하고 전략을 조정할 수 있음.

• 지속적인 모델 개선:
  • 평가 결과를 바탕으로 추천 모델을 지속적으로 개선함.
  • 데이터, 알고리즘, 사용자 인터페이스 등 다양한 측면에서 모델을 최적화함.
  • 모델 개선은 사용자 경험을 개선하고, 비즈니스 가치를 높이는 데 중요함.

• 비즈니스 영향력과 ROI 측정:
  • 추천 시스템의 비즈니스 영향력을 평가하여 투자 대비 수익(ROI)을 측정함.
  • 시스템이 비즈니스 성과에 미치는 영향을 분석하고, 장기적인 가치를 평가함.
  • 비즈니스 목표와 연계된 평가를 통해 추천 시스템의 전략적 중요성을 입증함.

추천시스템의 매트릭릭

• 매트릭의 다양성과 적용:
  • 추천 시스템의 성능을 평가하기 위한 다양한 매트릭을 적용함.
  • 정확도, 재현율, 정밀도, F1 점수 등 다양한 지표를 통해 모델의 효과를 측정함.
  • 각 매트릭은 추천 시스템의 다른 측면을 평가하며, 종합적인 성능 이해에 기여함.

• 온라인과 오프라인 매트릭의 중요성:
  • 오프라인 매트릭은 사전 테스트와 모델 평가에 사용되며, 시스템 개발 단계에서 중요함.
  • 온라인 매트릭은 실제 사용자 상호작용을 기반으로 하며, 실제 성능 평가에 중요함.
  • 두 종류의 매트릭을 통합하여 추천 시스템의 전반적인 성능을 평가함.

• 사용자 경험과 매트릭의 연계:
  • 사용자 경험을 개선하는 것이 최종 목표임을 인식하고, 이를 반영하는 매트릭 선택에 중점을 둠.
  • 사용자 만족도, 사용자 참여도 등의 매트릭을 사용하여 추천 시스템의 사용자 중심성을 평가함.
  • 사용자 반응을 분석하여 시스템 개선에 반영함.

데이터 분석의 관점

• 데이터의 다양성과 심층 분석:
  • 사용자 데이터의 다양한 측면을 심층적으로 분석함.
  • 유저 나이, 접속 시간, 체류 시간 등 다양한 사용자 특성을 고려함.
  • 이러한 다차원적 분석을 통해 사용자의 선호와 행동을 더 정확하게 이해함.

• 정량적 및 정성적 데이터 분석:
  • 수치적 데이터 분석과 함께 사용자의 피드백, 리뷰 등 정성적 데이터도 중요하게 다룸.
  • 정성적 데이터 분석을 통해 사용자의 기대와 요구를 보다 깊이 이해함.
  • 데이터의 신뢰도와 유효성을 검증하여 분석의 정확성을 높임.

• 데이터 중심의 의사결정:
  • 모든 의사결정 과정에서 데이터를 중심으로 함.
  • 데이터 분석을 통해 얻은 인사이트를 바탕으로 전략적인 결정을 내림.
  • 데이터 중심 접근 방식은 추천 시스템의 효율성과 효과성을 극대화하는 데 기여함.

---

🤓 모두콘 참여 후기

범용성 높은 컨텐츠

• 이 부분이 가장 좋았던것 같습니다. 저는 현재 아이펠 7기 그루로 활동하면서 내용을 배우고 있는 입장이다보니, 아직 배우지 않은 복잡한 개념의 내용들은 듣기가 어려운 점이 없지 않아 있었지만, 세션의 구성이 다양해서 단순하게 AI를 공부하고 있는 학생이나, 실무자가 아니어도 그저 AI에 관심이 있는 사람들이어도 들을 수 있는, 혹은 저와 같은 초보들도 들을 수 있는 컨텐츠가 다양하게 구성된게 좋았습니다.
• 모두콘2023 홈페이지 에서 각 세션에 대한 연사님 이력이나 강연내용을 상세하게 제공해주었기에 사전에 듣고 싶은 세션을을 골라서 제 수준에 맞는 정보들만 찾아서 들을 수 있어서 좋았습니다.
• 사전 준비에 공들여주신 관계자분들께 감사의 박수를 👏👏👏

실무를 조금은 엿볼 수 있었던 프로젝트의 상세한 이야기들

• 다양한 분야와 다양한 수준의 실무자 분드링 연사로 구성되어 있던 점도 좋았습니다.
• 저와 큰 차이가 나지 않는 주니어 분들은 아니지만 MODULABS 에서 연구를 하시는 연구자 분들의 컨텐츠부터, 실무에서 프로젝트를 진행하시면서 서비스를 개발하시는 분들까지 다양한 연차와 분야, 포지션 별로 자신들이 수행한 프로젝트에 대한 설명이나 마주했던 Limitations들에 대한 얘기, 그것을 해결하기위한 방법이나 유의사항에 대한 이야기 등 다양한 정보들을 간접적으로 체험할 수 있어 좋았습니다.

(본인만 원한다면) 얼마든지 열려있는 네트워킹 기회

• 파워 I인 저는 시도하지 못했지만, 세미나를 듣거나 기업부스에서 실무자분들을 만나면서 네트워킹을 할 수 있는 기회가 충분히 있었다고 생각합니다.
• 저도 동료 그루분들과 기업부스를 방문하면서 실제 구현한 서비스에 대한 설명을 들으면서 업계의 현황이나 업무에 대한 설명도 들을 수 있었고, 명함도 건네 받을 수 있었습니다.
• 그리고 모두의 연구소를 통해 논문을 작성하신 연구자분들의 논문을 소개하는 부스에서는 논문작성자분들의 설명을 들으면서 다양한 질문도할 수 있었습니다.
• 또한, 몇몇 연사님들은 본인의 링크드인이나, 블로그등의 주소를 공개해주셔서 네트워킹을 할 수 있는 다양한 기회가 있었습니다.

결론적으로는 주말시간을 투자해서 충분히 다녀올만한 세미나였다고 생각합니다. 이전에 NEXTRISE와 같은 AI기업들의 컨퍼런스 등에 참석했었지만, 당시에는 기업들의 기술공개 및 홍보가 주목적이었다면, 이런 학술적 개념이 조금더 가미된 세미나의 경우 저에게는 얻을 정보가 훨씬 많았던 것 같습니다.
내년에도 모두콘이 열린다면 꼭 시간을 내서 재방문을 하고 싶습니다. 그리고 언젠가는 기회가 된다면 저의 프로젝트나 연구를 공유하고 스스로도 참가자에게도 성장의 기회가 될 수 있는사람이 되고 싶다는 동기부여도 되어 1석2조의 세미나였던것 같습니다 🤓