폐기 사유

정부 입찰에서 낙찰가를 공고문 정보만으로 맞힐 수 있는가 — 그리고 어떤 공고는 왜 유찰되는가

② DB — 무슨 데이터, 얻을 수 있나 — 실측 완료(09-02). 방위사업청 경쟁입찰 7,405행 · 27컬럼. 라벨이 둘 나왔다 — ① 유찰 여부: 1,746건 23.6%(개찰완료 71.2%·순위확정 5.2%) 로 이진분류에 적당한 불균형 ② 최종낙찰율: 유효 5,251건, 고유값 2,451, 중앙값 88.00·표준편차 6.82. 입력: 계약체결형태·방법, 낙찰자결정방법, 적격심사여부, 공고·수요기관, 예정가격·기초금액·추정가격, 개찰일시. 확장: 나라장터 공공 API — 연간 수십만 건. 전선 A

③ AI 기술 — 극단 밀집 + 롱테일 혼합 분포에서의 회귀. 실측상 낙찰률의 72.1%가 하한율 ±0.5%p에 뭉쳐 있고 나머지가 길게 흩어진다. 이런 분포에서 손실함수(MSE vs 분위수 vs Huber) 선택이 모델별로 얼마나 다르게 작동하는가

④ 왜 흥미로운가 — 입찰은 돈이 직접 걸린 예측 게임이다. 기업 입장에서 '얼마를 쓰면 따는가'는 실무 질문 그 자체이고, 유찰 예측은 발주처의 실패 비용 문제다. 낙찰하한율·예정가격 사이의 게임 구조가 데이터에 그대로 찍혀 있다

⑤ 마더 페이퍼 — 인접 문헌 확인. 조달 입찰 ML은 담합·입찰정보유출 탐지가 주류다 — Deep learning for detecting bid rigging(2104.11142) · Detecting Bid Leakage via Semi-Supervised Learning(1903.00261). 낙찰률·유찰 자체를 예측한 연구는 아직 못 찾았다 — 빈틈일 수 있고 내 검색이 얕은 것일 수도 있다

⑥ 모델 — 낙찰률 회귀(트리·앙상블·ANN 비교) + 유찰 여부 분류. 설명력: 무엇이 낙찰가를 움직이나(계약방법? 심사제도? 발주기관?)

⑦ 죽는 지점 — 이 위험은 실측으로 해소됐다(09-02). 낙찰하한율만으로 낙찰률을 설명하면 R²=0.263에 그친다 — 73.7%가 모델의 몫이다. 다만 72.1%의 입찰은 낙찰률이 하한율 ±0.5%p에 붙어 있어, 「대부분은 하한선에 붙는데 어떤 입찰은 왜 크게 벗어나는가」로 질문을 다시 세우는 것이 정직하다. 남은 위험은 공고명이 텍스트라 정형화 품이 드는 것

내일 아침 도매시장 경락가격을 오늘까지의 정보로 맞힐 수 있는가 — 품목마다 예측 가능성이 왜 다른가

② DB — 무슨 데이터, 얻을 수 있나 — 농식품 도매시장 상세 경락가격 (농정원 API, 개체 단위 거래) + 가락시장 품목별 경매결과. 기상·반입량 결합 가능. 전선 A

③ AI 기술 — 예측 가능성의 이질성. 같은 모델군을 여러 하위집단에 적용했을 때 성능 분산 자체를 설명 대상으로 삼는다 — 무엇이 예측을 쉽게/어렵게 만드는가

④ 왜 흥미로운가 — 가락시장 경매는 매일 수만 건의 실거래가 찍히는 자연 실험장이다. 단순 가격 예측을 넘어 '어떤 품목은 잘 맞고 어떤 품목은 안 맞는가'를 물으면 예측 가능성 자체가 연구 대상이 된다 — 이건 데이터가 바뀌어도 안 낡는 질문이다

⑤ 마더 페이퍼 — 농산물 가격예측 ML 선행 다수 존재 추정 (탐색 전) — 품목 간 비교 각도가 격상 지점

⑥ 모델 — 품목별 가격 회귀 모델 다종 비교 → 품목 간 예측 성능의 분산을 설명하는 2단계 분석

⑦ 죽는 지점 — 회장님 폐기(09-02): 「농산물 경매 아이템은 매력적이지 못할 뿐더러, 경매는 ai 인공지능의 영역이 아닌거같음」
동의한다. 결국 시계열 가격 예측이고 AI 기술의 쟁점이 아니라 도메인 예측이다. 재진입하지 않는다 → knowledge/DEAD_ENDS.md

같은 아파트 단지 안에서 어떤 거래는 왜 시세보다 훨씬 싸게 성사되는가 — 이상 거래를 모델로 골라낼 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — 국토교통부 실거래가 공개 API — 아파트 매매 연 수십만 건, 개체 단위, 가격 라벨 완비. 전선 A

③ AI 기술 — 정답 없는 이상탐지의 평가 문제. '이상'의 라벨이 없을 때 모델 성능을 무엇으로 검증하는가. 잔차 기반 스코어의 타당성을 어떻게 논증하는가 — 비지도 학습의 고전적 난제

④ 왜 흥미로운가 — '같은 단지는 같은 시세'라는 통념을 뒤집는 질문이다. 시세 대비 저가 거래에는 증여성 거래·급매·특수관계가 섞여 있고, 이상 탐지는 국세청·감정원의 실무 문제다. 실거래가는 뻔한 데이터지만 이 각도는 덜 물었다

⑤ 마더 페이퍼 — 탐색 완료(09-02) — 정확히 겹치는 마더는 없고, 인접 문헌 두 갈래를 확인했다.
① 이상탐지 갈래(가장 가까움): Detecting Illicit Investment in Real Estate: a Machine-Learning Approach to Rare-Event AML Risk (Lokanan, Journal of Real Estate Finance and Economics 2026, 10.1007/s11146-026-10063-w) — 부동산 거래의 희귀사건(불법·자금세탁) 이상을 ML로 탐지한다. 단 적발 사례를 라벨로 쓰는 지도학습(rare-event)이라, 라벨 없이 잔차로 잡겠다는 내 각도와 다르다.
② 정상가 예측(1단계) 갈래: Pai·Wang Using ML Models and Actual Transaction Data for Predicting Real Estate Prices (Applied Sciences 2020, 10.3390/app10175832, SVR·CART·GRNN·BPNN 비교) · 한국 AVM 선례: Kim·Kim·Lee (주택정책연구 2022, 10.24957/hsr.2022.30.1.43) · XGBoost 자동가치산정 (부동산분석 2025, 10.30902/jrea.2025.11.2.21).
중복 검사: 로컬 문헌 34,469편 구문검색에서 부동산+이상 동시언급은 8편뿐이고 전부 오탐(GIS 감정평가·거시 주택 미스프라이싱·일반 사기탐지) — 아파트 개체 이상거래 탐지는 0편. Crossref로도 라벨 없는 잔차 기반 아파트 이상거래 탐지는 못 찾았다 — 빈틈이거나 내 검색이 얕은 것 [PARTIALLY_VERIFIED — Crossref·OpenAlex 메타데이터, 본문 미열람]

⑥ 모델 — 1단계: 정상가 예측 모델(앙상블) → 2단계: 잔차 기반 이상 스코어 → 이상 거래 특성 분석

⑦ 죽는 지점 — '이상'의 정답 라벨이 없다(비지도에 가까움) — 국세청 적발 사례 같은 외부 라벨을 못 붙이면 검증이 약해진다.
문헌 탐색으로 이 위험이 더 뾰족해졌다(09-02): 가장 가까운 마더(Lokanan 2026)를 포함해 이 분야는 적발·불법 라벨을 쓰는 지도학습이 주류다. 즉 내 차별점인 무라벨 잔차 기반 탐지는 빈틈이지만, 바로 그 때문에 검증 설계가 이 카드의 사활이다 — AML 적발 사례나 증여성 저가거래(국세청)를 부분 라벨로 빌려 잔차 스코어의 타당성을 논증하는 우회로가 필요하다

소 한 마리의 도체 등급을 측정치만으로 맞힐 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — 실측 결과 전제가 틀렸다. 축산물품질평가원 공개 데이터는 『등급판정통계연보』 — 연도별 집계표다(28컬럼이 전부 '연도·두수·비율'). 도체 개체 단위 데이터가 아니다. 관문 기준 1(행=개체) 위반

③ AI 기술 — — (폐기)

④ 왜 흥미로운가 — 판정 자동화·공정성이라는 실무 함의는 여전히 유효했다

⑤ 마더 페이퍼 — —

⑥ 모델 — —

⑦ 죽는 지점 — 자체 폐기(09-01). 카드를 쓸 때 '도체 단위 여부 실측 필요'라고 적었고, 실측해 보니 아니었다. 개체 단위 도체 데이터는 축평원 내부 자료로 추정되며 공개 경로가 없다. 재시도하지 않는다 → knowledge/DEAD_ENDS.md

새 데이터셋을 받았을 때, 어떤 알고리즘이 이길지 돌려보기 전에 맞힐 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — 실현 가능성 실측 완료(09-02). OpenML API로 메타 데이터셋을 직접 조립할 수 있다.
① 데이터셋 메타: data/list — 1,000개 조회 중 173개가 2,000행+·변수10+·분류 조건 통과. 행수·변수수·클래스수·다수/소수 클래스 크기(불균형 비율)까지 포함
② 알고리즘 성능: evaluation/list/function/predictive_accuracy/task/{id} — 과제 하나당 평가기록 300건, 알고리즘 최대 138종
개체 = 데이터셋. 전선 G (인증 불필요)

③ AI 기술 — 메타러닝. 데이터셋 특성 → 알고리즘 성능의 사상(mapping)을 학습한다. AI 기술 그 자체가 대상

④ 왜 흥미로운가 — AI 기술 그 자체에 대한 질문이고 유통기한이 없다 — 새 모델이 나와도 '내 데이터엔 뭘 쓰지'는 영원한 실무 질문이다.
전제를 실측으로 확인했다(09-02): OpenML 데이터셋 25개의 승자 알고리즘을 뽑아 보니 20종으로 갈렸다. 최다 승자도 3/25(12%)에 불과하다. 랜덤포레스트가 3회, SMO·Bagging_LMT·sklearn Pipeline이 각 2회. 즉 '하나의 모델이 다 이긴다'는 통념이 데이터로 반박된다 — 그렇다면 무엇이 승부를 가르는지가 진짜 질문이 된다

⑤ 마더 페이퍼 — 메타러닝·AutoML 문헌 풍부 (OpenML 기반 선행 다수) — 마더 확보 용이

⑥ 모델 — '승자 알고리즘' 분류 메타모델 + 설명력: 어떤 데이터 특성이 승부를 가르나

⑦ 죽는 지점 — 메타러닝은 이미 큰 분야다 — 석사 수준의 '한 단계'를 어디에 얹을지가 관건. 현재 안: 불균형 비율을 축으로 삼는다(OpenML 메타에 다수/소수 클래스 크기가 있어 계산 가능) — 「불균형이 심해지면 승자가 바뀌는가」. 이는 RQ-109(산불 상위1%=97%)와 같은 문제를 위에서 내려다보는 각도라 두 카드가 한 논문으로 묶일 수도 있다.
실무 위험: 평가기록이 오래된 WEKA flow에 치우쳐 있어 최신 모델 커버리지가 고르지 않다. 표본 선택 편향을 서술해야 한다

법원 부동산 경매에서 이 물건이 몇 번 유찰될지, 최종 낙찰가율이 얼마일지 미리 맞힐 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — 대법원 법원경매정보 — 물건 단위(감정가·최저가·유찰횟수·낙찰가·물건 상세). 크롤링 필요(약관 확인 선행). 전선 F

③ AI 기술 — 순서형 라벨 + 절단(censoring). 유찰 횟수는 순서가 있는 정수이고 아직 안 팔린 물건은 관측이 잘려 있다. 회귀로 볼 것인가 순서형 분류로 볼 것인가 — 라벨의 성질이 모델 선택을 어떻게 바꾸는가

④ 왜 흥미로운가 — 법원경매는 감정가라는 기준점이 있는 상태에서 시장이 다시 가격을 매기는 희귀한 구조다. 유찰 1회마다 20~30% 저감되므로 유찰 횟수 예측은 곧 돈이다. 투자자·채권자 모두에게 '그래서 뭐'가 명확하다

⑤ 마더 페이퍼 — 탐색 전 (경매 낙찰가율 연구는 부동산학에 존재 — ML 다종 비교는 드물 것으로 추정)

⑥ 모델 — 유찰 횟수 분류 + 낙찰가율 회귀, 모델 다종 비교. 설명력: 무엇이 유찰을 만드나

⑦ 죽는 지점 — 크롤링 가능 여부·약관 미확인. 물건 상세(권리관계)가 텍스트라 정형화 품이 든다

올해까지의 진료·처방 이력만으로 내년에 입원할 사람을 미리 골라낼 수 있는가 — 입원을 부르는 신호는 상병코드에 있나 의료이용 패턴에 있나

② DB — 무슨 데이터, 얻을 수 있나 — 국민건강보험 표본코호트 2.0 DB — 약 100만 명, 58개 변수, 명세서·진료·상병·처방 10개 세부DB, 개체 단위 종단. 접근: NHISS 이용신청(연구계획서·수수료). 전선 A (nhiss.nhis.or.kr/bd/ab/bdaba002cv.do)

③ AI 기술 — 희귀사건 + 종단 누수. 입원은 드물고, 종단 자료는 미래 정보가 과거 변수에 스며들기 쉽다. 누수 차단 설계가 성능을 얼마나 깎는가

④ 왜 흥미로운가 — 표본코호트 2.0은 약 100만 명을 10년 넘게 따라간 개체 단위 종단 자료다. '누가 곧 아플 것인가'는 케어매니지먼트·보험의 표준 실무 질문이고 유통기한이 없다. 입원·청구는 자연 발생 기록이라 주석 라벨의 편향이 없다 — 라벨 신뢰도가 높다

⑤ 마더 페이퍼 — 탐색 전 (고위험군·입원 예측 ML 해외 다수 존재 추정 — VERIFY 대상)

⑥ 모델 — 개인-연도 단위 입원 여부 분류(트리·앙상블·ANN 비교) + 설명력: 상병코드 vs 의료이용 패턴 vs 사회경제 변수 어느 축이 예측을 이끄나

⑦ 죽는 지점 — 신청 승인·수수료·소요기간(수개월 가능)이 11/30 마감 대비 최대 위험 — 접근 리드타임. 라벨이 '질병'이 아니라 '청구된 진료'라 라벨 정의를 조심해야

출발 전 정보만으로 이 항공편이 지연될지·몇 분 늦을지 맞힐 수 있는가 — 예측을 무너뜨리는 건 공항인가 시간대인가 기상인가

② DB — 무슨 데이터, 얻을 수 있나 — 한국공항공사 실시간 항공운항 현황 상세조회 API(편 단위 상태·시각)를 폴링·축적. 개체 = 개별 운항편. 지연 통계 페이지는 집계표라 라벨로 못 쓴다 — 편 단위는 실시간 축적/크롤링. 전선 F(+A) (data.go.kr/data/15113771)

③ AI 기술 — 성능이 무너지는 조건의 규명. 전체 정확도가 아니라 부분집단별 실패 패턴을 모델별로 비교한다

④ 왜 흥미로운가 — 공항에서 매일 수천 편이 뜨고, 스케줄 대비 실제 시각이라는 자연 라벨이 편마다 찍힌다. 지연 예측은 미국 DOT 데이터로 가장 유명한 예측 문제 중 하나 — 한국 노선으로 옮기면 새 맥락이고, '어느 조건에서 예측이 무너지나'를 물으면 데이터가 바뀌어도 안 낡는다

⑤ 마더 페이퍼 — 미국 항공지연 예측 ML 문헌 풍부 (마더 확보 용이) — 한국 노선·조건별 예측가능성 비교가 격상 지점

⑥ 모델 — 지연 여부 분류 + 지연시간 회귀, 모델 다종 비교 + 조건(공항·노선·시간대·기상)별 예측성능 분산 설명

⑦ 죽는 지점 — 편 단위 과거 데이터가 API로 얼마나 소급되나 미확인 — 실시간 축적이면 표본이 모이는 데 시간이 든다. 기상 등 외생 변수 결합 품이 든다

막 발생한 산불이 대형 산불로 번질지, 초기 정보만으로 골라낼 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — 실측 완료. 산림청 산불통계데이터 2,020건 · 18컬럼(cp949, 즉시 다운로드). 입력: 발생 연·월·일·시각·요일, 발생장소(시도/시군구/읍면/동리), 발생원인 구분·세부. 라벨: 피해면적_합계(연속, 고유값 291) + 진화소요시간(발생~진화종료 파생). 기상청 ASOS 관측자료와 시각·지역으로 결합 가능. 전선 A (data.go.kr/data/15121380)

③ AI 기술 — 극단적 불균형 학습. 상위 1%가 결과의 97%를 만드는 롱테일에서 정확도는 무의미하다. 손실함수·리샘플링·임계값 설계가 모델별로 어떻게 다르게 작동하는가 — 마더 페이퍼(arXiv 2601.03327)의 정확한 쟁점

④ 왜 흥미로운가 — 실측해 보니 상위 1%의 산불이 전체 피해면적의 97%를 차지했다. 중앙값은 0.15ha인데 최대는 52,707ha다. 즉 이 문제의 본질은 평균을 맞히는 것이 아니라 극단값을 미리 골라내는 것이고, 이것은 초기 진화 자원을 어디에 보낼지를 결정하는 실무 문제와 정확히 같다. 동시에 극단적 불균형 학습이라는 AI 기술 문제 그 자체다 — 정확도만 보면 '전부 소형'이라 찍어도 99%가 나오는 함정이 있다

⑤ 마더 페이퍼 — 확보(09-02) — 거의 정확히 겹치는 마더가 있다.
Extreme-value forest fire prediction: A study of the Loss Function in an Ordinality Scheme (2026, arXiv 2601.03327) — 프랑스 산불 심각도를 순서형 분류로 예측하고, 희귀한 고심각도 사건을 잡기 위한 손실함수 설계를 비교한다. 'wildfires are highly imbalanced in both space and severity'라는 문제의식이 내가 실측한 것(상위 1%=97%)과 같다.
보조: Mesogeos 지중해 산불 데이터셋(2306.05144) · Deep Learning for Global Wildfire Forecasting(2211.00534)

⑥ 모델 — ① 대형산불 여부 이진분류(불균형 대응: 가중치·리샘플링·임계값 조정을 모델별로 비교) ② 피해면적 회귀(로그변환). 트리·앙상블·ANN 비교. 설명력: 무엇이 대형화를 부르나 — 시각인가 원인인가 지역인가

⑦ 죽는 지점 — 2,020행은 작다 — 상위 1%면 양성 표본이 20건뿐이라 학습이 불안정할 수 있다. 연도별 파일을 합쳐 표본을 늘려야 한다(과거분 존재 여부 미확인). 데이터 품질 결함 확인됨: 진화종료 연도에 2055·2223 오류값, 발생원인_구분 결측 294건.
보강 시도 실패(09-02): 『산불 단계별 동원력 이력』(산불1·2·3단계 발령일시)을 붙이면 산림청이 실제로 내린 대응 판단을 라벨로 쓸 수 있을 것으로 봤으나, 60행뿐이고(3단계 18·2단계 16·1단계 26) 발생일자+시군구 조인 성공률이 1/2,020이었다. 이 경로는 죽었다. 기상청 ASOS 결합 없이는 설명력이 얕을 수 있다

온실 센서값만으로 작물의 생육과 수확량을 예측할 수 있는가 — 작물마다 예측 가능성이 왜 다른가

② DB — 무슨 데이터, 얻을 수 있나 — 스키마 확인 완료(09-02). 스마트팜코리아 『시설원예 데이터셋 정의서』를 받아보니 변수가 22개로 풍부하다 — 환경(내부·외부 온도·습도·일사·CO2·풍속·이슬점·절대습도), 근권(배액 EC·온도·무게, 공급EC, 배지 온도·무게, 토양EC, 지중온도), 생육(생장길이). 설명력을 논할 재료가 충분하다.
품목: 딸기·토마토·파프리카·오이·포도 등. 관문: 데이터 본체는 OPEN API 신청·승인이 필요하다(신청서에 사업명·추진기간·활용내용·승인여부 항목 존재). data.smartfarmkorea.net 은 현재 503. 전선 A/E

③ AI 기술 — 예측 가능성의 이질성 + 센서 시계열의 개체 정의. 시각별 측정을 무엇을 한 행으로 묶느냐가 성능을 바꾼다

④ 왜 흥미로운가 — 스마트팜은 환경을 사람이 조절하고 그 결과가 생육으로 찍히는 통제된 실험장이다. 관측 데이터에서 흔히 문제가 되는 교란 요인이 상대적으로 적다. 딸기·방울토마토·파프리카 세 작물이 같은 형식으로 있어 작물 간 예측 가능성 비교라는 각도가 자연스럽게 선다

⑤ 마더 페이퍼 — 스마트팜 수확량 예측 ML 문헌 다수 존재 추정 — 작물 횡단 비교가 격상 지점

⑥ 모델 — 생육지표·수확량 회귀, 모델 다종 비교 → 작물별 성능 분산을 설명하는 2단계 분석

⑦ 죽는 지점 — API 승인 리드타임이 미확인이다 — 신청서에 '승인여부' 필드가 있으니 즉시 발급이 아닐 수 있다. NHIS(RQ-107)처럼 마감을 위협하면 폐기해야 한다. 행 단위가 '시각별 센서 측정'이라면 개체 정의(농가·작기·일자 중 무엇을 한 행으로 볼지)를 먼저 정해야 하고, 수확량 라벨이 정의서에 명시돼 있지 않은 점도 확인이 필요하다

상장사의 회계·주가 이력만으로 다음 해 상장폐지·관리종목行을 미리 골라낼 수 있는가 — 부실의 신호는 재무제표에 있나 시장 가격에 있나

② DB — 무슨 데이터, 얻을 수 있나 — 이미 접속: WRDS Compustat Global — comp.g_secd(한국 5,290사 일별주가 1984~ 결측0% 검증) + 연간 재무(g_funda). 부실 라벨(상장폐지·관리종목 지정 사유·시점)은 KRX KIND 목록과 조인 필요 — 라벨 원천 실물 확인이 VERIFY 1순위. 전선 B (wrds-www.wharton.upenn.edu, Duo 2FA는 회장님 폰)

③ AI 기술 — 변수군의 기여 분해. 회계(느린 신호) vs 시장가격(빠른 신호) 중 무엇이 예측을 만드는가를 설명력 기법으로 분해한다

④ 왜 흥미로운가 — 이미 WRDS로 뚫어놓은 한국 상장사 5,290사 42년 일별주가(결측 0%)는 개인이 좀처럼 못 만지는 자산이다. 부도·상장폐지 예측은 Altman 이래 반세기 실무 문제이고 채권자·투자자에게 '그래서 뭐'가 명확하다. 새 모델이 나와도 안 낡는다. 상장폐지·관리종목 지정은 자연 발생 기록이라 라벨 편향이 적다

⑤ 마더 페이퍼 — Altman Z-score → ML 부도예측 문헌 방대 (마더 확보 용이). 한국 상장사·다종 비교 각도는 VERIFY 대상

⑥ 모델 — 개별사-연도 부실 이벤트 분류(트리·앙상블·ANN 비교) + 설명력: 재무비율 축 vs 시장가격(수익률·변동성) 축 어느 쪽이 예측을 이끄나

⑦ 죽는 지점 — 부실 이벤트가 희소해 극단 불균형 → 표본·평가지표 설계 난이도. 상장폐지 사유·시점을 WRDS만으로 못 붙일 수 있어 KRX 조인 실물 검증 전엔 확정 못 함

몇 년 앞까지 예측이 쓸모 있는가 — 그리고 어떤 모델이 가장 멀리까지 버티는가

② DB — 무슨 데이터, 얻을 수 있나 — 한국복지패널 — 실측 09-02. 20차 웨이브(2006~2025) 공개 확인. 가구·개인 단위 종단, SAS·SPSS·STATA 포맷, 차수별/통합 다운로드 제공. 관문은 이용등록뿐이다(로그인 벽 없이 목록·안내 열람됨) — NHIS(심의·분석센터)나 스마트팜(API 승인)보다 훨씬 가볍다. koweps.re.kr 자료실. 전선 A

③ AI 기술 — 예측 지평에 따른 모델 내구성. 정확도가 아니라 성능 감쇠 속도를 모델 간에 비교한다

④ 왜 흥미로운가 — 회장님 지적으로 다시 씀(09-02): 「RQ 뭔 개소리냐」 — 제가 못 쓴 것이 맞다.
예측 모델은 보통 '내년' 하나만 맞히고 끝낸다. 그런데 실무가 정작 궁금한 건 몇 년 전부터 알 수 있느냐다. 1년 전 예측은 잘 맞고, 3년 전은 덜 맞고, 5년 전은 거의 안 맞는다. 그런데 그 떨어지는 속도가 모델마다 다르다면 정확도 순위와 내구성 순위가 어긋난다. 즉 정확도 1등 모델이 실무에서 최선이 아닐 수 있다는 뜻이고, 이건 데이터가 바뀌어도 안 낡는 질문이다

⑤ 마더 페이퍼 — 탐색 전. 예측 지평별 성능 저하는 시계열·생존분석 문헌에 있을 것으로 보이나 모델 간 붕괴 속도 비교는 덜 다뤄졌을 가능성 — VERIFY 대상

⑥ 모델 — 같은 모델군(트리·앙상블·ANN)을 예측 지평 1~5년으로 각각 학습해 성능 감쇠 곡선을 비교. 설명력: 지평이 멀어질 때 어떤 변수가 먼저 힘을 잃는가

⑦ 죽는 지점 — 가장 큰 위험은 주제가 아니라 방향이다 — 라벨을 '빈곤 진입' 같은 것으로 잡으면 곧바로 공공정책형 연구가 되어 폐기 대상(RULES §3)이 된다. 질문의 무게중심을 예측 지평과 모델의 내구성이라는 기술 축에 두고, 라벨은 그 축을 보여주는 재료로만 써야 한다.
기술 위험: 종단 자료는 정보 누수가 나기 쉽다(t+1 라벨이 t 변수에 스며듦). 표본 이탈(attrition)도 20년이면 상당할 것 — 실측 필요

사람이 설문에 답한 소득과 행정기록에 찍힌 소득이 다를 때, 모델은 무엇을 믿어야 하는가

② DB — 무슨 데이터, 얻을 수 있나 — 통계청 MDIS 『가계금융복지조사』 — 경로 실측 09-02. survId 확보: 1004061(2017년~) · 1004063(2012~16년). MDIS 공공용은 개인 PC로 직접 다운로드된다고 사이트에 명시(인가용만 원격접근·센터). 같은 경로에 사회조사 106건·가계동향 7건·지역별고용 3건 등도 있다. 전선 A
미확인: 행정자료 연계 소득 변수가 공공용에도 포함되는지 — 인가용에만 있으면 이 카드의 전제가 무너진다(RQ-104와 같은 실패 유형). VERIFY 1순위

③ AI 기술 — 라벨 노이즈 학습. 정답이 둘일 때 무엇으로 학습해야 하는가. 라벨 품질이 성능 상한을 어떻게 정하는가

④ 왜 흥미로운가 — 가계금융복지조사는 자기신고 응답과 행정자료(국세청·건보) 연계 소득을 함께 가진 드문 자료로 알려져 있다. 그렇다면 같은 가구에 라벨이 두 개 있는 셈이다. '어느 쪽으로 학습한 모델이 더 잘 맞히는가', '둘이 갈리는 가구는 어떤 특성인가'는 라벨 품질이 모델 성능을 어떻게 좌우하는가라는 AI 기술 문제 그 자체다. 설문 데이터로 모델을 세우는 모든 연구가 안고 있는 문제이기도 하다

⑤ 마더 페이퍼 — 탐색 전. 라벨 노이즈(label noise) 학습은 ML에 큰 분야가 있으므로 마더 확보는 쉬울 것으로 보인다 — 다만 실제 행정자료 대조가 가능한 데이터가 드물어 그 지점이 격상 여지

⑥ 모델 — ① 자기신고 라벨 학습 vs 행정자료 라벨 학습 → 성능 비교 ② 두 라벨 불일치 여부를 라벨로 삼는 분류 — 어떤 가구에서 응답과 기록이 갈리나

⑦ 죽는 지점 — 전제(두 소득 변수 공존)가 아직 확인되지 않았다. 공공용에 없으면 폐기다. MDIS 다운로드에 회원가입·이용목적 기재가 필요한지도 미확인. 소득 신고 성향을 다루므로 해석에 조심해야 한다

전국 수백만 점포 중 어느 가게가 다음 분기에 사라질지 미리 골라낼 수 있는가 — 그리고 '사라짐'을 무엇으로 정의하느냐가 답을 바꾸는가

② DB — 무슨 데이터, 얻을 수 있나 — 메타 실측(09-02). 소상공인시장진흥공단 상가(상권)정보(publicDataPk 15083033, 최신 _20260331) — 분기 스냅샷, 개체 = 점포, UTF-8(쉼표 구분), 출처 국세청+카드사. 컬럼: 상가업소번호·상호명·업종 대/중/소분류(10/75/247)·지번주소·도로명주소·경도·위도. 관문 없음 — 파일 무료 다운로드(로그인 불필요)이고 과거 분기 파일이 누적돼 있어 분기 간 상가업소번호 소멸로 폐업 라벨을 파생할 수 있다. 전선 A (data.go.kr/data/15083033)

③ AI 기술 — 라벨을 관측이 아니라 '소멸'로 구성하는 문제. 이 데이터는 매 분기 현재 영업 중인 점포만 담는다 — 폐업 라벨이 따로 없다. 분기 스냅샷에서 한 점포가 사라진 것이 폐업인지 이전·업종변경·재등록인지 알 수 없다(라벨 노이즈) + 아직 살아있는 점포는 관측이 잘려 있다(우측 절단). '연속 몇 분기 결측 = 폐업'이라는 라벨 정의를 바꾸면 모델 순위가 뒤집히는가가 진짜 질문이다

④ 왜 흥미로운가 — 한국은 창업의 절반 이상이 3년 안에 문을 닫는다(검색 근거). 개체 = 전국 상가 수백만 점포이고, 폐업은 자연 발생 기록이라 라벨 편향이 적다. '어느 가게가 살아남나'는 창업·입지·상권투자의 실무 질문 그 자체이고 데이터가 바뀌어도 안 낡는다. 전국 점포 센서스라는 데이터 자체가 개인이 좀처럼 못 만지는 규모다

⑤ 마더 페이퍼 — 확보(09-02, Crossref 메타) — 둘 다 상권(district) 집계 단위라 개체 단위가 빈틈이다.
A deep learning model for predicting the number of stores and average sales in commercial district (Suan Lee, Data & Knowledge Engineering 2024, 10.1016/j.datak.2024.102277) — 상권 단위의 점포 수·평균매출을 집계로 예측한다.
Classification of commercial districts based on predicting the survival rate of food service market in Seoul (DongHyeon Lee, PLOS ONE 2025, 20(7), 10.1371/journal.pone.0326307) — 서울 300만 점포 기록(2004~2018)을 LSTM으로 상권별 생존율을 예측·분류한다. 개체 단위 점포 폐업을 전국으로 예측한 각도는 비어 있다 [PARTIALLY_VERIFIED — Crossref 메타데이터]

⑥ 모델 — 점포-분기 단위 폐업 여부 분류(트리·앙상블·ANN 비교) + 라벨 정의 민감도 분석(1분기 결측 vs 연속 2·3분기 결측을 폐업으로 볼 때 성능·순위가 어떻게 바뀌나). 설명력: 업종·입지·점포 밀집도 중 무엇이 소멸을 부르나

⑦ 죽는 지점 — 핵심 위험은 라벨이다. 상가업소번호가 분기 간 안정적으로 유지되는지 미확인 — 이전·업종변경 시 번호가 바뀌면 '소멸'이 곧 폐업이 아니게 된다(라벨 노이즈). VERIFY 1순위. 스냅샷이 '현재 영업 점포'만 담아 폐업 라벨을 반드시 파생해야 하고, 개업 시점 변수만으로는 정보가 얕아 밀집도·상권 시계열 피처가 필요할 수 있다

기업 실적발표 전, 애널리스트 컨센서스가 얼마나 빗나갈지를 모델이 미리 맞힐 수 있는가 — 기계가 인간 전문가 집단을 이기는 구간은 어디인가

② DB — 무슨 데이터, 얻을 수 있나 — 메타 확인(09-02). WRDS IBES — Detail(개별 애널리스트)·Summary(컨센서스)·Actuals, EPS 등 20+ 측정치, 미국 EPS는 1970년대~. 개체 = 기업-분기, 라벨 = 실적 서프라이즈(actual − consensus). 국제판 epsint가 한국을 포함한다고 알려짐. 전선 B (WRDS, Duo 2FA는 회장님 폰). 접속은 확인됨(RQ-111 실측)이나 IBES 스키마 실물·한국 커버리지 깊이·기간은 VERIFY 1순위 (IBES at WRDS 101)

③ AI 기술 — 학습 대상이 관측값이 아니라 '인간 전문가 예측의 잔차'다. 라벨(실적 서프라이즈 = 실제 EPS − 컨센서스)은 애널리스트 집단이 이미 뽑아낸 정보를 걷어낸 나머지다. 모델이 인간 집단지성을 이길 수 있는가, 그리고 인간의 체계적 편향(낙관·앵커링·예측 지평이 멀수록 커지는 상향편향)을 모델이 예측할 수 있는가. 라벨은 두꺼운 꼬리(대형 서프라이즈가 희소)라 정확도보다 꼬리 성능이 관건이다

④ 왜 흥미로운가 — 실적 서프라이즈는 돈이 직접 걸린 예측이다 — 발표일 주가가 여기에 급변한다. 애널리스트 컨센서스는 반세기 넘게 쓰인 벤치마크라 '기계가 인간 전문가를 이기는가'는 데이터가 바뀌어도 안 낡는 AI 질문이다. 회장님이 못 만지는 금융 데이터라는 점도 RQ-111과 같은 매력이다

⑤ 마더 페이퍼 — 확보(09-02, Crossref 메타). Man vs. Machine Learning: The Term Structure of Earnings Expectations and Conditional Biases (van Binsbergen·Han·Lopez-Lira, NBER WP w27843 2020 / Review of Financial Studies, 10.3386/w27843) — ML로 애널리스트 예측의 조건부 편향을 예측하고 컨센서스를 벤치마크로 삼는, 내 질문과 같은 대상의 논문이다. 주의: RFS 게재판(10.1093/rfs/hhag017)에 2026년 Expression of Concern이 달려 있다 — 논지(ML로 인간 예측편향을 예측)는 유효하나 이 논문의 수치 결과는 확정 인용 전 원문 검토가 필요하다 [PARTIALLY_VERIFIED — Crossref 메타데이터]

⑥ 모델 — 서프라이즈 회귀 + 방향(상회/하회) 분류, 모델 다종 비교를 컨센서스 기준선과 대결시킨다. 설명력: 무엇이 컨센서스를 빗나가게 하나(예측 지평·예측 분산·수정 빈도·업종)

⑦ 죽는 지점 — IBES 한국 커버리지의 깊이·기간이 미확인 — epsint 실물 검증 전엔 확정 못 한다(RQ-104형 실패 방지). 서프라이즈 라벨은 정보 누수가 쉽다 — 발표 직전 수정된 컨센서스가 새어들면 반칙이라 시점 컷오프 설계가 핵심. 마더에 Expression of Concern이 있어 결과 인용에 주의. 컨센서스 대비 모델 우위가 미미할 위험도 있다

드문 사건을 학습시킬 때 데이터를 인위적으로 부풀리는 흔한 기법(오버샘플링)이 정말 도움이 되는가 — 아니면 모델이 내놓는 '확률'을 남몰래 망가뜨리는가

② DB — 무슨 데이터, 얻을 수 있나 — OpenML 불균형 벤치마크(전선 G, 인증 불필요) — 접근은 RQ-105에서 실측 검증됨. data/list 메타에 다수/소수 클래스 크기가 있어 불균형비를 데이터셋마다 계산할 수 있고, 2,000행+·분류 조건을 통과한 173개 중 불균형이 심한 것들만 골라 수십 개 벤치마크군을 조립한다. 개체 = 데이터셋 × 기법 × 분류기 조합. 다운로드는 게시 후 검증 때만(원칙 4)

③ AI 기술 — 불균형 보정 기법이 예측 '확률'의 신뢰도(캘리브레이션)를 어떻게 훼손하는가. 실무자는 불균형만 보면 SMOTE류 오버샘플링을 반사적으로 쓴다. 그러나 정확도·AUC는 같아도 모델이 내놓는 확률이 부풀려지면, 그 확률로 임계값을 정하고 자원을 배분하는 순간 판단이 뒤틀린다. 보정 기법 × 분류기 강도 × 불균형 정도의 삼각 상호작용을 성능과 캘리브레이션 두 축에서 동시에 본다

④ 왜 흥미로운가 — 통념 반박. '불균형이면 SMOTE'는 거의 반사신경인데, 최근 연구는 강한 모델(부스팅 등)에는 이득이 없고 오히려 확률을 왜곡한다고 말한다. 데이터가 바뀌어도 안 낡는 순수 AI 기술 질문이고(유통기한 없음), 불균형은 조달 유찰·산불 대형화·점포 폐업 등 이 보드의 여러 카드가 공통으로 안고 있는 문제라 한 번 답을 내면 여러 곳에 쓰인다

⑤ 마더 페이퍼 — 확보(09-02, arXiv 초록) — 대상이 정확히 겹치는 두 마더가 있다.
To SMOTE, or not to SMOTE? (Elor·Averbuch-Elor, 2022, arXiv 2201.08528) — 대규모 비교로 '약한 분류기엔 균형화가 이롭지만 강한 분류기(SOTA)엔 성능 이득이 없다'는 결론.
The Hidden Cost of Resampling: How Imbalance Correction Degrades Probability Calibration in Tree Ensembles (Zewen Liu, 2026, arXiv 2606.29720) — 언더샘플링은 캘리브레이션을 심하게 깨고(ECE 0.008→0.395), SMOTE는 소폭이며, 사후 재보정(Platt·isotonic)으로 ECE를 최대 66% 회복한다고 보고 [PARTIALLY_VERIFIED — arXiv 초록]

⑥ 모델 — 같은 데이터셋군에 [보정 없음 / 랜덤 오버·언더샘플링 / SMOTE 계열 / 클래스 가중치 / 임계값 이동] × [로지스틱·랜덤포레스트·부스팅]을 교차 적용해 판별성능(AUC·PR)과 캘리브레이션(ECE·Brier)을 동시 측정. 2단계: '리샘플링이 순이득인가 손해인가'를 불균형비·차원·분류기 강도로 예측하는 메타모델 — 언제 쓰고 언제 쓰지 말아야 하는지의 지도

⑦ 죽는 지점 — 벤치마크 데이터는 뻔하다(§2-2) — 그래서 RQ가 '기법이 오히려 해가 되는 경계'라는 날을 세워야 산다. 마더 둘이 이미 핵심 결과를 냈으므로 내 '한 단계'가 재현에 그치면 죽는다. 차별점은 ①불균형비를 축으로 경계를 지도화(메타러닝, RQ-105와 한 논문 가능) ②임계값 결정까지 묶어 실무 규칙으로. CPU·4주 안 가능하나 조합수가 커 표본 데이터셋 수를 관리해야 한다

사망사고가 난 그 조건에서, 왜 어떤 사고는 한 사람에서 그치고 어떤 사고는 여러 명이 함께 죽는가 — 개별 사고정보만으로 '대형 인명피해'를 미리 골라낼 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — 메타 실측(09-02). 도로교통공단 사망 교통사고 정보(data.go.kr, publicDataPk 15070340, 최신 _20231231) — 개체 = 개별 사망사고, 개방 파일(로그인 불필요). 검색으로 확인된 컬럼: 발생년월일시·요일·사고유형·도로형태·법규위반·기상상태·가해/피해 당사자 차종·발생지시도/시군구, 라벨 사망자수·중상자수·경상자수·부상신고자수. 연도별 파일 누적. 전선 A (data.go.kr/data/15070340).
한계(실측): 전 심각도 개별 microdata는 개방되지 않는다 — KOROAD 오픈API·data.go.kr는 집계·다발지역·위험지수만 공개하고 개별기록은 사망사고 파일이 유일하다. 따라서 '모든 사고의 심각도'가 아니라 '사망사고 안에서 인명피해 규모'가 개방데이터로 답할 수 있는 범위다

③ AI 기술 — 롱테일 카운트 라벨 + '정확도 함정'. 사망사고의 대부분은 사망 1명이라 무조건 '1명'이라 찍어도 정확도가 높다 — 정확도로 평가하면 아무것도 안 하는 모델이 이긴다. 진짜 문제는 드문 다중사망(버스·화물·2차사고 등 대형참사)을 골라내는 것이고, 이는 희소·극단 사건을 순서형/카운트로 다루며 비용민감(다중사망을 놓치는 비용이 훨씬 크다)하게 평가하는 문제다

④ 왜 흥미로운가 — 다중 인명피해 사고는 어디에 예방·단속·구조 자원을 보낼지의 실무 문제 그 자체다 — 돈과 생명이 직접 걸린다. 사망·부상자 수는 경찰·보험·공제 기록을 통합한 자연 발생 라벨이라 편향이 적다. 미국 crash severity 예측은 ML의 고전 문제라 한국으로 옮기면 새 맥락이고, 데이터가 바뀌어도 안 낡는다

⑤ 마더 페이퍼 — 확보(09-02, Crossref/초록). Crash Injury Severity Prediction Using an Ordinal Classification Machine Learning Approach (Zhu·Wang·Li, IJERPH 2021, 10.3390/ijerph182111564) — 사고 심각도를 순서형 분류로 예측하고 불균형 대응으로 오버샘플링·확률 캘리브레이션·임계값 이동을 쓰며 신경망·XGBoost·SVM을 비교한다. 내 카드의 방법 설계와 정확히 겹친다.
보조: Addressing imbalanced data in predicting injury severity after traffic crashes (Procedia CS 2024, 10.1016/j.procs.2024.05.192). 격상 = 새 맥락(해외→한국) + 개별 심각도 대신 사고당 인명피해 규모 [PARTIALLY_VERIFIED — Crossref 메타·검색 초록]

⑥ 모델 — ① 다중 인명피해 이진분류(사망 2명+ 또는 총 사상자 다수) ② 사상자수 카운트 회귀. 트리·앙상블·ANN 비교를 정확도가 아니라 재현율·PR·비용민감 지표로 평가(정확도 함정 차단). 설명력: 무엇이 대형화를 부르나 — 차종(화물·버스)인가 도로형태인가 시각인가

⑦ 죽는 지점 — 핵심 위험 = 표본이 '사망사고'로 이미 선택돼 있다(선택편향). 사망이 난 사고만 봐서 '사망 여부'는 못 묻고 '규모'만 묻는다 — 질문이 좁아진다. 전 심각도 순서형 이식(마더의 설계)을 하려면 TAAS 미시자료 신청이 필요하고 이는 접근 관문이 더 무겁다(리드타임 미확인, VERIFY 대상). 다중사망은 매우 드물어(양성 소수) 학습 불안정 — RQ-109·115와 같은 극단·불균형 문제다. 개별 사고 변수만으론 정보가 얕아 도로·차량 결합이 필요할 수 있다. 정확한 컬럼·행수·인코딩은 다운로드 전 메타 재확인 필요

아파트값을 '얼마'라는 점 하나가 아니라 '이 구간 안에 95% 들어온다'는 보증과 함께 예측할 수 있는가 — 그리고 시장이 급변하면 그 보증이 예측 정확도보다 먼저 깨지는가

② DB — 무슨 데이터, 얻을 수 있나 — 메타 확인(09-02). 국토교통부 아파트 매매 실거래가 상세 API(data.go.kr/data/15126468, 엔드포인트 RTMSDataSvcAptTradeDev) — 개체=개별 거래, 라벨=거래금액. 법정동코드(5자리)+계약년월(6자리)로 조회하고 전용면적·층·건축년도·거래일 등이 붙는다. 개방 — 활용신청 자동승인, 개발 트래픽 10,000(전선 A). 연 수십만~백만 건 누적, 개인정보 보호로 층만 공개(등기완료분만 동 추가공개). 미확인: 상세 API 반환 컬럼 실물·소급 범위 — 다운로드 전 재확인

③ AI 기술 — 분포무관 커버리지 보증(conformal prediction)이 분포 변화 아래서 유지되는가. AVM은 점추정 정확도는 높지만 '얼마나 믿을지'를 못 말한다. 컨포멀 예측은 분포 가정 없이 유한표본에서 명목 커버리지(예: 95%)를 보장하는데, 이 보증은 학습·예측 시점의 분포가 같다(교환가능성)는 전제에 기댄다. 부동산 가격은 시간에 따라 분포가 변한다(regime shift) — train=과거·test=미래로 놓으면 커버리지가 명목값 아래로 무너지는가, 무너진다면 어떤 세그먼트(신축·초고가·거래희소 지역)에서 먼저 깨지고, 적응형 재보정으로 얼마나 회복되나

④ 왜 흥미로운가 — 통념 반박 + 실무. AVM은 '틀릴 수 있는데 얼마나 틀릴지'를 안 알려주면 담보평가·과세·투자에 그대로 못 쓴다. 점추정 정확도 경쟁은 이미 포화다(RQ-103 마더군이 SVR·XGBoost AVM 다수). 진짜 실무 질문은 '이 예측을 믿어도 되는가'이고, 커버리지 보증은 데이터가 바뀌어도 안 낡는 순수 AI 기술이다. 실거래가는 자연 라벨(신고가)이고 전국 규모라 개인이 좀처럼 못 만진다

⑤ 마더 페이퍼 — 확보(09-02, Springer·Tandfonline 메타) — AVM 불확실성/컨포멀 문헌이 이미 형성돼 있다.
① AVM 컨포멀 갈래: Towards a Better Uncertainty Quantification in Automated Valuation Models (J. Real Estate Finance and Economics 2024, 10.1007/s11146-024-10002-7) · Uncertainty quantification in AVMs with spatially weighted conformal prediction (Int. J. Data Science and Analytics 2025, 10.1007/s41060-025-00862-4) — 직접 적용한 컨포멀은 지역별로 커버리지가 고르지 않다(어떤 지역은 과대·어떤 지역은 과소)고 지적. On the uncertainty of real estate price predictions (Journal of Property Research 2025, 10.1080/09599916.2024.2403998) — SF만 사례로 CQR은 정확 커버리지, 비컨포멀 분위수회귀는 심한 undercoverage.
방법 뿌리는 Conformalized Quantile Regression 계열. 격상 지점: 이 문헌들은 미·영·SF 정적 데이터가 대부분이고, 한국 실거래가 + 시간이동(train 과거→test 미래) 하 커버리지 붕괴는 비어 있다 [PARTIALLY_VERIFIED — Springer·Tandfonline 메타데이터/초록, 본문 미열람]

⑥ 모델 — 앙상블 AVM(그래디언트부스팅·RF·ANN)에 [분할 컨포멀 · CQR · 지역별 Mondrian 컨포멀]로 구간예측을 얹는다. 평가는 정확도가 아니라 커버리지(명목 대비 실측)·구간폭·조건부 커버리지. 2단계: train=과거연도 / test=미래연도로 놓아 시간 이동 하 커버리지 붕괴를 측정하고, 적응형 컨포멀(온라인 재보정)이 얼마나 회복하는지 + 어떤 세그먼트가 먼저 깨지는지를 설명

⑦ 죽는 지점 — 컨포멀 구현 자체는 가볍다(CPU·4주 가능). 위험은 '분포가 바뀌면 보증이 깨진다'가 너무 당연해 재현에 그치면 죽는다(§2-2·회장님 '당연한 결론' 혐오) — 날은 얼마나·어디서·어떤 재보정이 얼마나 회복하나라는 정량과 세그먼트 지도에 있어야 한다. 실거래가는 취소·재신고(해제거래) 잡음이 있고 전용면적·동 결측이 있다. 상세 API 컬럼 실물은 다운로드 전 재확인(RQ-104형 실패 방지)

지역·업종 코드처럼 값이 수천 개인 범주형 변수를 숫자로 바꾸는 방식 하나가 모델 성능을 좌우하는가 — 그리고 가장 잘 맞히는 인코딩(타깃 인코딩)이 남몰래 정답을 훔쳐보는 것은 아닌가

② DB — 무슨 데이터, 얻을 수 있나 — OpenML 벤치(전선 G, 인증 불필요) — 접근은 RQ-105에서 실측 검증됨. data/list 메타로 범주형 레벨 수(카디널리티)가 큰 데이터셋을 골라 벤치군을 조립한다. 개체 = 데이터셋 × 인코딩 × 모델 조합. 응용 맥락으로 한국 상가정보(업종 247·행정동)·실거래가(법정동코드) 같은 고카디널리티 공공데이터로 확장 가능(전선 A). 다운로드는 게시 후 검증 때만(원칙 4). 미확인: OpenML 메타에 레벨수 필드가 직접 있는지 — 없으면 데이터셋별 확인 필요(RQ-105 VERIFY와 병합)

③ AI 기술 — 고카디널리티 범주형 인코딩 × 모델군 × 정보누수. 한국 행정데이터는 행정동(3천+)·업종코드(247)·상품코드처럼 수천 레벨의 범주형이 흔하다. 타깃 인코딩(레벨별 정답 평균으로 치환)은 성능이 좋지만 정답을 피처로 새게 해 과적합·누수를 부른다 — 정규화·순서화(ordered target statistics) 없이는 검증성능과 실제성능이 벌어진다. 어떤 인코딩이 어떤 모델(선형·트리·부스팅·ANN)과 결합할 때 순이득이고 언제 누수로 손해가 되는가를 카디널리티·표본크기 축에서 지도화한다

④ 왜 흥미로운가 — 통념 반박 + 실무. 실무자는 원핫/정수 인코딩을 반사적으로 쓰거나, 반대로 타깃 인코딩을 검증누수 없이 갖다 쓴다. 인코딩은 '모델 이전 단계'라 무시되지만 고카디널리티에선 인코딩이 모델 선택보다 성능을 더 가른다. 순수 AI 기술 질문이고 유통기한이 없다. 한국 공공데이터가 온통 고카디널리티 범주형이라 한 번 답을 내면 이 보드의 여러 카드(실거래가·상가·조달)에 쓰인다

⑤ 마더 페이퍼 — 확보(09-02, arXiv·dblp·NeurIPS 메타) — 대상이 정확히 겹치는 벤치 두 편이 있다.
Regularized target encoding outperforms traditional methods in supervised machine learning with high cardinality features (Pargent·Pfisterer·Thomas·Bischl, Computational Statistics 2022, arXiv 2104.00629) — 정규화 타깃 인코딩이 원핫·정수·빈도보다 일관되게 우수(lasso·RF·부스팅·kNN·SVM 5종 벤치).
A benchmark of categorical encoders for binary classification (NeurIPS 2023, 10.5555/3666122.3668516) — 인코더 대규모 벤치. 격상 = 새 방법(인코더 성능비교 → '누수로 손해가 되는 경계'를 카디널리티·모델강도로 예측하는 메타 지도) + 새 데이터(한국 행정 고카디널리티 적용) [PARTIALLY_VERIFIED — arXiv 초록·NeurIPS 메타]

⑥ 모델 — [원핫 · 정수 · 빈도 · 해싱 · 타깃(정규화/비정규화) · CatBoost ordered TS] × [로지스틱 · 랜덤포레스트 · 부스팅 · ANN]을 교차 적용해, 검증성능과 홀드아웃 실제성능의 격차(=누수 크기)를 카디널리티·표본크기와 함께 측정. 2단계: '타깃 인코딩이 순이득인가 누수손해인가'를 카디널리티·n·모델강도로 예측하는 메타모델 — 언제 쓰고 언제 피할지의 지도

⑦ 죽는 지점 — 벤치 데이터는 뻔하다(§2-2) — RQ가 '인코딩이 오히려 독이 되는 경계'라는 날을 세워야 산다. 마더가 이미 '정규화 타깃 인코딩 우수'를 냈으므로 재현에 그치면 죽는다. 차별점은 ①누수 크기를 검증-실제 격차로 정량화 ②모델강도·카디널리티로 경계를 지도화(RQ-105 승자예측·RQ-117 리샘플링과 한 논문으로 묶일 수 있는 메타 축). 조합수가 커 표본 데이터셋 수를 관리해야 한다. CPU·4주 안 가능

수입식품 검사에서 '어떤 신고 건을 열어볼지'를 모델이 정할 수 있는가 — 그런데 합격/불합격 라벨이 '이미 검사한 건'에만 있을 때, 그 모델을 무엇으로 훈련하고 무엇으로 평가하나

② DB — 무슨 데이터, 얻을 수 있나 — 메타 실측(09-02). 식약처 수입식품정보마루 『수입식품 부적합 정보』(impfood.mfds.go.kr/CFCEE01F01) — 개체 = 부적합 판정 건별, 컬럼(실측): 제품명·제품구분·품목명·제조국가·제조/수출회사·위반내역(시험항목·기준·검출결과)·처리기관·부적합일자. 즉 부적합(양성) 라벨은 개체 단위로 열람됨.
핵심 미확인(VERIFY 1순위): 음성(적합)·모집단(전체 수입신고) 개별 데이터가 개방되는가. data.go.kr 『수입식품 허가 정보』(15058273)는 연도·국가·품목별 적합/부적합 건수 집계표라 개체 단위가 아니다(RQ-104형 함정). 개별 신고·검사 microdata가 없으면 부적합 목록 크롤링 + 신고 모집단 축적 또는 식약처 microdata 신청이 필요하다 — 접근 관문 무게를 먼저 재야 한다. 전선 A(+F)

③ AI 기술 — 선택적 라벨(selective labels) + 극단 불균형 + 검사예산 하 랭킹. 결과 라벨(적합/부적합)은 과거에 검사관이 열어본 건에만 존재한다 — 열지 않은 대다수는 정답이 관측되지 않는다(표본선택·우측 절단). 과거 검사 선택이 사람의 노하우(비관측 변수)에 의존했다면 라벨된 표본이 모집단과 체계적으로 다르다. 부적합은 희소(수 %)하고, 실무 목표는 '전체 정확도'가 아니라 한정된 검사역량으로 상위 k건을 열었을 때 얼마나 많은 부적합·회수가치를 잡나(precision@k·revenue@k). 선택편향을 무시하고 학습·평가하면 성능이 과대추정된다

④ 왜 흥미로운가 — 실무 페인포인트 + 통념 반박. 검사관은 전수검사를 못 한다 — 소수만 연다. '무엇을 열지'는 곧 예산 배분이고 국민 안전이다. 그런데 대부분의 예측연구는 이미 검사된 건만으로 정확도를 재고 끝낸다 — 열지 않은 건의 결과가 안 보인다는 사실(선택적 라벨)을 무시한다. 데이터가 바뀌어도 안 낡는 순수 AI 기술 질문이고, 통관·위생·세관·품질검사·감사 등 '인간이 선별한 뒤에만 정답이 생기는' 모든 영역에 그대로 옮겨간다

⑤ 마더 페이퍼 — 확보(09-02, ACM·초록) — 대상·방법이 정확히 겹치는 두 갈래.
① 검사표적 갈래(한국 저자 SOTA): DATE: Dual Attentive Tree-aware Embedding for Customs Fraud Detection (Kim·Tsai·Singh·Choi·Ibok·Li·Cha, KDD 2020, 10.1145/3394486.3403339) — 통관 사기를 적발확률과 추징세액을 동시학습해 랭킹하고, 1%만 검사해도 부적합 92.7%·세수 회수 49.3%를 보고. 검사예산 하 랭킹 문제를 정면으로 다룬다.
② 방법론 뿌리: The Selective Labels Problem: Evaluating Algorithmic Predictions in the Presence of Unobservables (Lakkaraju·Kleinberg·Leskovec·Ludwig·Mullainathan, KDD 2017, 10.1145/3097983.3098066) — 인간이 선별한 뒤에만 라벨이 생기는 상황에서 모델을 반사실 없이 평가하는 'contraction' 기법. 격상 = 새 맥락(관세→한국 수입식품 위생검사) + 새 방법(선택편향 보정을 평가에 내장) [PARTIALLY_VERIFIED — ACM·검색 초록, 본문 미열람]

⑥ 모델 — ① 부적합 여부 랭킹(트리·앙상블·ANN) — 정확도가 아니라 precision@k·부적합 회수가치@k로 평가. ② 선택편향 진단: 라벨된(검사된) 표본으로만 학습·평가할 때와, 선택보정(경향점수·contraction·부분관측 처리)을 넣을 때 성능이 얼마나 벌어지나. 설명력: 제조국·품목·업체 이력 중 무엇이 부적합을 부르나

⑦ 죽는 지점 — 데이터가 살거나 죽는 지점이 명확하다. 개방된 것은 부적합(양성) 목록뿐이라, 음성·모집단 개별 데이터를 못 구하면 pass/fail 분류의 정답 열이 반쪽이다(RQ-104·107 계열 함정 — 그래서 VERIFY 1순위). 부적합 목록은 웹 조회형이라 다운로드 경로·소급범위 미확인(크롤링 약관 확인 선행). 선택편향 보정은 비관측 교란을 가정으로만 다룰 수 있어 인과 주장에는 신중해야 한다. CPU·4주 가능(표 데이터)

상장사의 회계수치만으로 '분식(회계부정)'을 저지른 기업-연도를 미리 골라낼 수 있는가 — 그런데 '정상'이라 라벨된 것 중 상당수가 아직 안 걸린 부정이라면, 우리가 재는 성능은 진짜인가

② DB — 무슨 데이터, 얻을 수 있나 — 두 갈래. ① 즉시 재현·확장(전선 G) — 실물 실측 완료(09-03, VERIFY): 마더 공개 데이터(GitHub JarFraud/FraudDetection, data_FraudDetection_JAR2020.csv 47.8MB)를 스트리밍 실측하니 146,045 기업-연도 · 46컬럼(28 원자료 회계수치 + 14 비율 + misstate·fyear·gvkey·p_aaer). 라벨 misstate=1 964건(0.66%) · misstate=0 145,081 — 카드가 전제한 '1% 미만'이 실측으로 확인됐다. 고유기업 18,444, fyear 1990~2014(카드 표기 1991은 1990 소수 포함, README는 1991~2014로 기술). 다운로드 가능, CPU·4주 안 [SOURCE_VERIFIED — 원본 CSV 1-pass 집계]. ② 새 맥락(한국, 전선 A): DART 재무제표 API(키 확보 ~/.dart_api_key)로 상장사 기업-연도 회계수치를 만들고, 라벨은 금융감독원 감리 지적·조치(분식회계)와 조인. 개체 = 기업-연도, 라벨 = 부정 적발 여부(자연 발생 기록).
미확인(VERIFY): 한국 감리·분식 조치의 기업-연도 목록이 기계가독으로 개방되는가 — 금감원/금융위 보도·전자공시엔 있으나 정형 목록화·소급범위 미확인. 없으면 재현(미국 공개데이터) 축으로 논문이 선다

③ AI 기술 — 잠재적 라벨노이즈(적발된 부정만 양성) + 극단 희소사건 + 평가지표 논쟁. 라벨은 감독당국이 적발·조치한 부정에만 붙는다 — 음성('정상')에는 미적발 부정이 섞여 있다(오염된 음성 = PU학습 구조). 부정은 표본의 1% 미만이라 정확도·AUC가 무의미하고, 상위 k% 기업만 감리한다는 실무 제약상 precision@k·NDCG@k류가 맞는데, 바로 이 지표 선택을 두고 마더 논문에 공개 반박·정정이 붙었다. 즉 '무엇으로 평가하느냐'가 결론을 뒤집는, 희소사건 탐지 평가의 정면 문제다

④ 왜 흥미로운가 — 통념 반박 + 돈. '부실은 재무제표에 다 있다'(RQ-111)와 달리 분식은 재무제표를 일부러 감춘 것이라 '당연히 보인다'가 성립하지 않는다 — 숨긴 것을 찾는 문제다. 투자자·채권자·감독당국에 직접 돈이 걸리고, 새 모델이 나와도 안 낡는다. 무엇보다 이 분야의 대표 논문이 '성능을 과대평가했다'는 공개 반박과 정정을 받았다 — 희소사건 탐지에서 평가가 얼마나 미끄러운지를 보여주는 살아있는 사례다

⑤ 마더 페이퍼 — 확보(09-02, Wiley·SSRN·GitHub) — 마더가 데이터·코드까지 공개했고, 그 위에 반박·정정이 쌓였다.
Detecting Accounting Fraud in Publicly Traded U.S. Firms Using a Machine Learning Approach (Bao·Ke·Li·Yu·Zhang, Journal of Accounting Research 2020, 58:199-235, 10.1111/1475-679X.12292) — 재무비율이 아니라 원자료 회계수치 28개로 AAER 부정을 예측(RUSBoost). 데이터·코드 공개(JarFraud/FraudDetection: 기업-연도, 1991~2014 Compustat, misstate 라벨).
논쟁(핵심 격상 소재): Walker의 공개 반박 (Econ Journal Watch 2021, PDF)과 저자 반론, 그리고 JAR 2022 Erratum (10.1111/1475-679X.12454). 격상 = 새 방법(평가지표·라벨오염을 정면 대상으로) + 새 맥락(미국 AAER → 한국 감리·분식) [PARTIALLY_VERIFIED — 서지 메타·GitHub README]

⑥ 모델 — 희소사건 랭킹(RUSBoost·부스팅·앙상블·ANN)을 정확도가 아니라 precision@k·NDCG@k·부정 회수가치로 평가하되, 지표 선택에 따라 순위가 뒤집히는 구간을 드러낸다(마더 논쟁 재현·확장). 2단계: 음성 오염(미적발 부정)을 PU학습·라벨노이즈 모형으로 다룰 때 성능 추정이 얼마나 달라지나. 설명력: 어떤 원자료 회계수치가 부정을 가리키나

⑦ 죽는 지점 — 부정은 극도로 희소(실측 0.66%, 964/146,045)해 평가가 불안정하고 지표에 민감하다 — 그래서 이 카드는 '무엇으로 평가하나'가 본론이다. 실측으로 더 뾰족해진 위험(09-03): 양성 964건이 고유 AAER 412건에서 나온다(serial fraud, p_aaer로 collapse) — 즉 독립 양성 사례는 412로 더 적어 표본분할·재추출 시 성능 분산이 크고, 이 serial fraud 처리(p_aaer 기반 분리)가 곧 마더 논쟁의 핵심이다. 재현에 그치면 죽는다(마더가 데이터·코드를 다 공개, INSIGHTS '재현이면 죽는다') — 살길은 ①평가지표 논쟁의 정량화 ②음성 오염(잠재 라벨) 보정 ③한국 이식. 한국 라벨(감리 조치)의 기계가독 개방이 미확인이라 최악의 경우 미국 공개데이터 축으로 후퇴. '주가 예측 점쟁이' 프레임을 피하려면 회계수치 기반·감리표적이라는 실무 틀을 명확히 해야 한다

특허 출원서에 담긴 정보만으로 이 출원이 등록될지 거절될지 미리 맞힐 수 있는가 — 그런데 '등록/거절'이 심사관의 판단이고 최근 출원 상당수는 아직 심사 중이라면, 모델이 학습하는 라벨은 무엇인가

② DB — 무슨 데이터, 얻을 수 있나 — 메타 실측(09-03). 특허청·한국특허정보원 KIPRISPlus 개방(전선 A) — 개체 = 개별 출원. 거절결정서(15046711, 출원번호·거절이유·법적근거) · 특허/실용 공개·등록공보 REST API(15065437, 서지·출원/등록번호·등록일) · 특허실용신안 정보검색(15058788) · 심판사항(15065474). 라벨 = 등록/거절(+취하·계류)은 출원번호로 거절결정서 ↔ 등록공보를 조인해 파생. 입력(구조화): IPC 기술분류·청구항 수·출원인 유형(개인/기업/대학)·내외국인·심사청구시점·우선권. 무료 월 1,000콜, 대량은 plus.kipris.or.kr.
미확인(VERIFY 1순위): ①출원-단위 등록/거절 라벨을 대량으로 조인할 수 있는 소급 범위 ②심사관 ID·행정처리상태(계류) 필드의 개방 여부 ③파일/ API 실제 반환 컬럼 — 없으면 심사관 축이 빠지고 절단 처리만 남는다(RQ-104형 실패 방지)

③ AI 기술 — 우측 절단(심사 계류) + 라벨이 인간 심사 결정의 산물 + 시간 드리프트. 특허 심사는 출원에서 최종결정까지 수년이 걸린다 — 그래서 최근 출원은 결과가 아직 관측되지 않는다(우측 절단). 계류 건을 버리면 표본이 '빨리·쉽게 결정난 건'으로 쏠리고(선택편향), 계류를 제3의 클래스로 넣으면 틀린다. 더구나 라벨(등록/거절)은 객관적 특허성이 아니라 심사관의 결정이라, 심사기준이 연도별로 바뀌고(드리프트) 심사관마다 등록성향이 다르면 '등록 예측'은 부분적으로 '어느 심사관·어느 시기에 걸렸나'를 학습한다. 정확도로 평가하면 이 절단·드리프트를 무시해 성능이 과대추정된다

④ 왜 흥미로운가 — 실무 페인포인트 + 돈 + US→한국. '이 출원이 등록될까'는 출원인·투자자·심사행정 모두의 실무 질문이고(출원 유지·포기 결정, 심사 triage), 유통기한이 없다. 미국(USPTO)에서 특허 등록 예측은 이미 형성된 ML 문제라 한국 특허로 옮기면 새 맥락이다. 특허는 혁신·기술이라는 소재 자체가 회장님 관심축(정부·산업·데이터 흥미)에 가깝고, 텍스트(명세서 전문) 없이 구조화 서지·행정 변수만으로 세우면 한국어 텍스트마이닝 금지선(RULES §3)을 넘지 않는다

⑤ 마더 페이퍼 — 확보(09-03, Springer·arXiv 메타) — 대상이 정확히 겹치는 마더가 있다.
Prediction of patent grant and interpreting the key determinants: an application of interpretable machine learning approach (Scientometrics 2023, 10.1007/s11192-023-04736-z) — 공개 시점 정보로 등록 여부를 예측하고 해석가능 ML로 결정요인(지식축적·기술복잡도·명세 분량)을 분해한다. 내 카드의 예측대상과 정확히 같다.
보조: The Harvard USPTO Patent Dataset(arXiv 2207.04043, 대규모 출원-단위 코퍼스·심사결과 라벨) · 심사관 등록성향(examiner leniency) 계량경제 문헌. 격상 = 새 맥락(USPTO→한국 특허) + 새 방법(정적 등록예측 → 우측 절단·시점 컷오프 설계, 라벨의 결정성 정면) [PARTIALLY_VERIFIED — 서지 메타, 본문 미열람]

⑥ 모델 — 등록 여부 분류(트리·앙상블·ANN 비교)를 출원연도 기준 시점 컷오프로 학습/검증 분리하고, 계류 건을 우측 절단으로 다뤄(관측된 결정만으로 평가할 때 vs 절단 보정할 때 성능차) 선택편향을 정량화. 설명력: IPC·청구항수·출원인유형·(가능하면)심사관 중 무엇이 등록을 가르나 — 그리고 심사기준 드리프트를 연도별 성능 감쇠로 측정

⑦ 죽는 지점 — 데이터 조립이 관건. 출원번호로 거절결정서·등록공보를 조인하는 ETL 품이 들고, 소급 범위·계류 필드가 미확인이다(VERIFY 전엔 확정 못 함). 명세서 전문을 쓰면 한국어 텍스트마이닝 금지선에 걸리므로 구조화 변수만 쓴다 — 대신 정보가 얕아질 수 있다. 심사관 ID가 개방되지 않으면 '라벨의 결정성' 축이 약해져 절단·드리프트만 남는다. 등록률이 높으면(불균형 약) AI축의 날이 무뎌질 위험. CPU·4주 가능(표 데이터)

결측값을 정성껏 채우는 것(대치)이 늘 옳은가 — '비어 있다'는 사실 자체가 정답과 연결돼 있을 때, 잘 채울수록 오히려 예측이 나빠지는 구간이 있는가, 그리고 그 경계를 미리 알 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — 앵커 = Home Credit Default Risk(Kaggle, 토큰 확보·전선 G) — 30만+ 대출신청 + 관계형 부가테이블, 필드마다 악명 높은 결측(외부신용점수·직업·주거 정보 등)이 있어 정보성 결측을 실증할 실물 데이터다. 개체 = 대출신청(응용) 또는 데이터셋 × 결측처리 × 모델(방법 실험). 보강: OpenML 결측 다수 데이터셋(RQ-105에서 접근 실측). 새 맥락 격상(전선 A): 통계청 가계금융복지조사·복지패널의 소득 무응답은 전형적 MNAR이라 한국 응용으로 이식 가능(RQ-114와 데이터 공유). 다운로드는 게시 후 검증 때만(원칙 4).
미확인: Home Credit 각 필드의 결측기제가 실제 MNAR인지는 관측만으로 판정 불가 — 준실험(인위 결측 주입)으로 다뤄야 한다

③ AI 기술 — 정보성 결측(MNAR) — 대치 vs 결측지표 vs 네이티브 결측처리(MIA)의 경계. 실무자는 결측을 보면 반사적으로 채운다(평균·다중대치·모델기반). 그러나 결측이 무작위가 아니라 정답과 연결돼 발생하면(예: 소득 무응답자가 체계적으로 다르고, '외부신용점수 없음'이 신호다), 정성껏 대치할수록 그 신호를 지운다. 최근 연구는 결측지표(missing indicator)를 안 쓰면 대치 품질을 올려도 강한 부스팅에서 성능이 되레 떨어진다고 보고한다. 대치×결측기제×결측률×모델강도의 상호작용을 지도화해 '언제 채우고 언제 비워두고 표시만 할지'의 경계를 예측한다

④ 왜 흥미로운가 — 통념 반박 + 실무 + 순수 AI 기술. '결측은 채운다'는 거의 반사신경인데, 신용·의료·설문 데이터에서 결측은 대개 정보다. 유통기한이 없고, 이 보드의 여러 카드(설문 소득 RQ-114·행정데이터 전반)가 공통으로 안은 문제라 한 번 답을 내면 여러 곳에 쓰인다. 특정 도메인 예측이 아니라 전처리 한 단계가 강한 모델의 성능·신뢰를 좌우하는가라는 AI 기술 질문 그 자체다(RQ-117 리샘플링·RQ-120 인코딩과 같은 정신 — '반사적 전처리가 강한 모델엔 독')

⑤ 마더 페이퍼 — 확보(09-03, arXiv·Springer 메타) — 핵심 결과가 이미 나온 최신 마더가 있다.
Imputation for prediction: beware of diminishing returns (Perez-Lebel·Varoquaux 외, ICLR 2025, arXiv 2407.19804) — 결측지표를 안 쓰면 대치 품질 향상이 XGBoost·SAINT 성능에 평균적으로 음(−)의 효과. On the consistency of supervised learning with missing values (Josse 외, Statistical Papers 2024, 10.1007/s00362-024-01550-4) — 트리 네이티브 결측처리(MIA)가 조건부 대치+지표만큼 좋고 저비용. 보조: The Missing Indicator Method(arXiv 2211.09259) · Benchmarking missing-values approaches on health databases(arXiv 2202.10580). 마더가 이미 핵심을 냈으니 재현이면 죽는다(INSIGHTS) — 격상은 '대치가 순이득/손해가 되는 경계'를 결측률·MNAR성·모델강도로 예측하는 메타 지도 + 한국 응용 [PARTIALLY_VERIFIED — arXiv 초록·서지 메타]

⑥ 모델 — [결측 삭제 · 평균/중앙값 대치 · 다중대치(MICE) · 모델기반 대치 · 결측지표 병용 · 트리 MIA 네이티브] × [로지스틱 · 랜덤포레스트 · 부스팅 · ANN]을 교차하며 대치 품질을 단계적으로 높였을 때 성능이 어떻게 움직이나(향상 vs 역전)를 측정. 2단계: '결측지표/MIA가 대치를 이기는 경계'를 결측률·(주입한)MNAR 강도·모델강도로 예측하는 메타모델 — 언제 채우고 언제 비워둘지의 지도

⑦ 죽는 지점 — 벤치 데이터는 뻔하다(§2-2) — RQ가 '대치가 오히려 해가 되는 경계'라는 날을 세워야 산다. 마더가 이미 핵심 결과를 냈으므로 재현에 그치면 죽는다. 차별점은 ①역전 경계를 결측률·MNAR강도·모델강도로 지도화 ②한국 소득 무응답 응용(RQ-117·120과 한 논문 가능한 '반사적 전처리' 메타 축 — 단 이 축은 아직 회장님 반응이 없어 응용 앵커가 사활). 실데이터에서 MNAR 여부는 검증 불가라 준실험 설계가 필요하고, 신용 데이터라 '점쟁이' 프레임을 피하려면 결측 처리 방법이 본론임을 명확히 해야 한다. 조합수가 커 표본 데이터셋·시드 관리 필요. CPU·4주 가능

한 공장·설비의 데이터로 학습한 결함 탐지 모델이 다른 설비·품목으로 옮겨가면 얼마나 무너지는가 — 그리고 현장 데이터 한 줌으로 얼마나 되살릴 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — 메타 실측(09-03). KAMP(kamp-ai.kr, KAIST+KOSMO 운영) — 제조 AI 데이터셋 50종 개방. 5대 설비(CNC·사출성형기·프레스·용접·머신비전) 중심이고 개체=공정 사이클/제품, 라벨=정상/불량·결함유형(검색상 결함 라벨·센서 시계열·개별 공정 정상/불량 포함). 사출성형 품질 데이터셋 등은 널리 재현돼 온 실물이다. 전선 A(+G).
핵심 함정(명시): 공공데이터포털 『인공지능(AI) 제조 데이터셋』(15089213)은 50종을 설명하는 50행 카탈로그(집계 metadata)지 원자료가 아니다 — 여기만 보고 개체 단위로 착각하면 RQ-104형 실패다. 원자료는 kamp-ai.kr 본체에 있다.
미확인(VERIFY 1순위): ①원자료 다운로드에 회원가입/승인이 필요한지(뉴스는 '무료 개방'이라 하나 로그인 여부 불명) ②50종 중 어느 것이 개체단위·라벨 완비인지 ③설비·품목·라인 메타가 전이 실험용 그룹으로 붙는지 — 없으면 전이 축이 아니라 단일 결함분류로 쪼그라든다

③ AI 기술 — 분포 이동(도메인 전이) + 극소수 결함. 지금까지 이 보드의 카드는 대부분 '같은 분포에서 잘 맞히나'를 물었다. 그런데 제조 현장의 진짜 문제는 학습한 분포(한 설비·한 품목·한 시기)와 실제로 모델을 돌리는 분포(다른 설비·다른 소재·다른 라인)가 다르다는 것이다. 센서 특성·결함 정의·불량률이 라인마다 달라, 한 곳에서 정확도 99%던 모델이 옆 라인에서 무너진다. 정확도 한 숫자가 아니라 ID(같은 분포)→OOD(다른 분포) 성능 격차와 소량 타깃 데이터로 미세조정했을 때의 회복 곡선이 대상이다. 결함은 극소수라 격차가 정확도에는 잘 안 잡히고 재현율·캘리브레이션에서 터진다

④ 왜 흥미로운가 — 실무 페인포인트 + 정부 AI 제조 + KAIST. 중소 제조기업이 AI 도입에서 실제로 막히는 지점이 바로 이것이다 — 공개 데이터나 자기 다른 라인으로 만든 모델이 내 설비엔 안 맞는다. 데이터 원천 KAMP는 KAIST와 중기부 산하 KOSMO가 운영하는 비영리 정부 AI 제조 플랫폼이라 회장님이 반응한 '정부 AI 사업' 축에 정확히 놓이고, 데이터 자체가 개인이 못 만지는 산업 실측이다. 결함 탐지는 새 모델이 나와도 안 낡는 실무 문제다

⑤ 마더 페이퍼 — 이동-평가 방법론 앵커 확보(09-03) · 제조 도메인적응 마더는 탐색 부분.
이동 평가 프레임: Benchmarking Distribution Shift in Tabular Data with TableShift (Gardner·Popovic·Schmidt, NeurIPS 2023 D&B, arXiv 2312.07577) — 표 데이터에서 ID→OOD 성능 격차를 재는 표준 방법(강건화 기법이 이동격차를 줄이나 ID 정확도를 깎는다는 결과). 이 카드는 그 평가 틀을 한국 제조 실측에 적용한다. 제조 결함 도메인적응/전이 마더는 구체 논문 미확정 — 문제의 성질(domain adaptation defect detection·cross-machine transfer)로 arXiv 검색이 VERIFY 과제다(INSIGHTS: 소재가 아니라 성질로 검색) [PARTIALLY_VERIFIED — 서지 메타, 본문 미열람]

⑥ 모델 — 한 설비/품목에서 결함 분류 학습(트리·앙상블·ANN + 그룹DRO 등 도메인일반화) → 다른 설비/품목에서 ID vs OOD 성능 격차를 재현율·캘리브레이션까지 측정 → 소량 타깃 데이터로 미세조정할 때의 회복 곡선(몇 개면 되살아나나). 설명력: 무엇이 전이를 깨나 — 센서 분포 차이인가 결함 정의인가 불량률 차이인가

⑦ 죽는 지점 — 원자료 접근·개체단위 여부가 미확인이다 — 링크로 확보한 건 카탈로그(집계)뿐이라 RQ-104·107 계열 함정을 그대로 안고 있다(그래서 VERIFY 1순위). 설비/품목 메타가 전이 그룹으로 쓸 만큼 안 붙으면 축이 죽는다. 원신호(고주파 센서)면 개체 정의·전처리 품이 크고 CPU·4주를 위협 — 표/경량 피처로 정리된 데이터셋을 골라야 한다. 극소수 결함이면 평가가 불안정해 캘리브레이션을 반드시 병행(RQ-117). '분포 이동' 축은 이 보드에 처음이라 회장님 반응이 없으면 자체폐기 후보지만, RQ-126(TableShift 방법 카드)과 한 축이라 응용 앵커가 된다

학습할 때 본 분포와 실제로 모델을 쓸 때의 분포가 다르면 성능이 얼마나 무너지는가 — 그 붕괴량을 데이터와 이동의 성질만으로 미리 예측할 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — TableShift 15개 과제(공개, Python API·GitHub `mlfoundations/tableshift`, 전선 G). 개체 = 과제 내 표본(응용) 또는 과제 × 모델 × 이동(메타 실험). 보강: 다른 표 이동 데이터를 붙여 메타 표본 확대 가능. 다운로드는 게시 후 검증 때만(원칙 4).
VERIFY 실측(09-03, 저장소 config·결과 CSV 직접 검증 — data.go.kr가 이 호스트에서 불통이라 GitHub 검증 가능한 이 카드로 전환). ⑴15개 과제 명단 확정(결과 CSV `task` 15개 = 논문 주장 일치): ASSISTments·Childhood Lead(NHANES)·College Scorecard·Diabetes(BRFSS)·FICO HELOC·Food Stamps(ACS)·Hospital Readmission·Hypertension(BRFSS)·ICU Mortality(MIMIC)·ICU LOS(MIMIC)·Income(ACS)·Public Health Ins.(ACS)·Sepsis(PhysioNet)·Unemployment(ACS)·Voting(ANES). ⑵핵심 미확인 해소 — API는 이동 강도 메타피처를 주지 않는다. 각 과제의 이동은 `DomainSplitter`가 단일 범주 변수 하나로 정의한다(ASSISTments=school_id·HELOC=ExternalRiskEstimateLow·Food Stamps/Income=지리 DIVISION·ICU=보험유형·Diabetes=인종). 공변량 거리·라벨변화 같은 수치 이동강도는 제공 안 됨 → 내가 직접 계산해야 한다(격상의 노동은 여기 있다). ⑶붕괴량이 이미 데이터로 존재한다 — 결과 CSV가 15과제 × 19개 알고리즘(CatBoost·LightGBM·XGBoost·MLP·ResNet·FT-Transformer·SAINT·TabTransformer·NODE + Group DRO·IRM·CORAL·DANN·MMD·VREX·MixUp·DRO·Label DRO 2종)의 ID·OOD 정확도+Clopper-Pearson 95%CI를 이미 담는다. ⑷접근 관문: 전부 공개지만 임상 3과제(ICU 2·Sepsis)는 PhysioNet 신원승인 필요 — CPU·4주면 자동 다운로드되는 나머지 ~12과제로 충분 [SOURCE_VERIFIED — 저장소 benchmark_configs.py·결과 CSV·benchmarking_guide.md]

③ AI 기술 — 분포 이동 하 표 데이터 일반화(OOD). 표준 벤치에서 정확도 1등인 모델이 실제 배치에선 최선이 아닐 수 있다 — 배치 환경엔 늘 분포 이동(지역·시기·기관이 바뀜)이 있기 때문이다. 관심은 정확도가 아니라 ID(분포 내)→OOD(분포 밖) 성능 격차다. 마더는 ID-OOD 정확도가 대체로 선형이고 강건화 기법이 이동격차를 줄이나 ID 정확도를 깎는다고 보고했다. 나는 여기서 한 단계 올려 '어떤 이동에서 얼마나 무너지나'를 이동 특성(공변량 거리·라벨분포 변화·부분모집단 크기)으로 예측하는 메타 지도를 만든다 — 재현이 아니라 붕괴량의 예측이다

④ 왜 흥미로운가 — 통념 반박 + 실무. 벤치 리더보드 순위와 실배치 신뢰도가 어긋난다는 것은 배치 경험이 있는 사람에겐 '그래서 뭐'가 명확하다 — 모델을 옮겨 쓰는 순간 분포가 바뀐다. 특정 도메인 예측이 아니라 일반화라는 AI 기술 그 자체라 유통기한이 없다. 이 보드의 RQ-113(시간이 지나면 예측이 얼마나 버티나)의 시간 축을 환경 축으로 일반화한 것이고, RQ-125(KAMP 제조 전이)의 방법론 짝이다

⑤ 마더 페이퍼 — 확보(09-03, NeurIPS·arXiv 메타) — 데이터·코드까지 공개된 마더가 핵심 결과를 냈다.
Benchmarking Distribution Shift in Tabular Data with TableShift (Gardner·Popovic·Schmidt, NeurIPS 2023 D&B, arXiv 2312.07577, NeurIPS proc) — 15개 이진분류 과제 각각에 실제 분포 이동을 붙인 표 데이터 벤치(금융·교육·공공정책·의료·시민참여), Python 몇 줄로 접근·GitHub 공개. 핵심결과: ID-OOD 정확도 선형 추세 + 도메인 강건화의 ID 정확도 희생. 마더가 결과를 이미 냈으니 재현이면 죽는다(INSIGHTS) — 격상은 이동격차를 이동특성으로 예측하는 메타모델이다.
보조: Why do tree-based models still outperform deep learning on tabular data? (Grinsztajn·Oyallon·Varoquaux, NeurIPS 2022 D&B, arXiv 2207.08815) — 트리 vs DL의 귀납편향. OOD에서 귀납편향이 붕괴 격차를 바꾸나가 결합 지점 [PARTIALLY_VERIFIED — 서지·초록 메타, 본문 미열람]

⑥ 모델 — [트리·앙상블·ANN·표 파운데이션] × [경험적위험최소화 vs 그룹DRO 등 도메인일반화]을 15개 이동에 교차해 ID·OOD 성능을 동시 측정 → 2단계: 이동격차를 이동특성(공변량 거리·라벨분포 변화·부분모집단 크기·불균형)으로 예측하는 메타모델. 설명력: 무엇이 붕괴를 부르나 — 그리고 '강건화가 이득인 구간'을 데이터로 미리 가른다

⑦ 죽는 지점 — 벤치 데이터는 뻔하다(§2-2) — RQ가 '붕괴량 예측'의 날을 세워야 산다. 마더가 핵심결과를 냈으니 재현에 그치면 죽는다. 과제가 15개뿐이라 과제=개체로 보면 메타 표본 n=15로 너무 작다 → 이동·부분모집단 단위로 쪼개 표본을 늘려야 하고 그래도 소표본 메타라 표본선택 편향을 서술해야 한다(RQ-105형). 단, 실측(09-03) 결과 붕괴량 편차가 커서 예측 대상은 살아 있다 — 최고ID 알고리즘 기준 ID→OOD 정확도 격차 중앙값 4.7%p, 범위 +1.2%p(Unemployment)~+35.9%p(ASSISTments)로 약 30배. 메타 표본은 과제=개체(n=15)를 넘어 과제×알고리즘(19종) = 285쌍으로 확장 가능함을 결과 CSV로 확인 — '쪼개 표본 늘리기'가 공상이 아니라 이미 공개 표에 있다. 이 보드의 메타·벤치 파일더미(RQ-105·117·120·124)를 회장님이 아직 무시 중이라(INSIGHTS §2-7) 이 축도 무시되면 자체폐기 후보 — 다만 RQ-125(KAMP 실측 전이)라는 응용 앵커가 붙어 '벤치만의 카드'는 아니다. CPU·4주 가능(표 데이터)

하드디스크가 고장 나기 며칠 전부터 쓸 만한 경보를 낼 수 있는가 — 하루 교체 가능량이 정해져 있을 때 1일·7일·14일·30일 경보 중 무엇이 실제 고장을 가장 많이 막는가

② DB — 무슨 데이터, 얻을 수 있나 — Backblaze Drive Stats (공식 다운로드). 2013년부터 운용 디스크의 일별 스냅샷 한 건이 한 행이고, SMART 값과 failure 라벨이 있다. 공식 페이지의 2025년치만 115,638,676 drive-days·4,317 failures라 1,000행·라벨 관문을 넉넉히 넘는다. 무료 분기 ZIP·스키마 공개 [OFFICIAL_VERIFIED]

③ AI 기술 — 희귀사건 조기경보 + 시간-의존 라벨 + 개체 누수 차단. 같은 디스크가 매일 한 행씩 반복되므로 무작위 행 분할은 한 디스크의 과거와 미래를 학습·시험에 동시에 넣는다. 디스크 단위·시간 순서로 분리하고, 경보 시점별 분류와 생존모형을 비교한다

④ 왜 흥미로운가 — 정확도 99.9% 같은 숫자는 고장이 희귀하면 아무 의미가 없다. 데이터센터 관리자가 필요한 답은 오늘 교체할 수 있는 상위 0.1%를 골랐을 때 며칠 뒤 고장을 몇 건 막는가다. 결과가 곧 교체 인력·예비 디스크 수량으로 번역된다

⑤ 마더 페이퍼 — 정확히 겹치는 마더 확보. Amram 외, Interpretable Predictive Maintenance for Hard Drives (Machine Learning with Applications 2021, arXiv 2102.06509)는 Backblaze 자료로 단·장기 고장과 해석가능 모델을 다뤘다. 한 단계는 고정 교체용량 아래의 경보 선행시간-포착률 곡선이다 [SOURCE_VERIFIED — 논문 초록·Backblaze 해설]

⑥ 모델 — 2024~2025의 상위 3개 모델부터 제한해 로지스틱·랜덤포레스트·LightGBM·소형 MLP와 생존모형 비교. 1/7/14/30일 내 고장을 라벨로 만들고 일일 경보 예산 0.1%·0.5%·1%에서 recall@budget·거짓교체 수·평균 선행시간을 한 표로 낸다. 설명력은 SMART 변화량의 permutation/SHAP

⑦ 죽는 지점 — 전체 이력은 수억 행이라 그대로 받으면 4주를 잡아먹는다 — 2년·3개 모델로 먼저 자른다. 디스크가 고장 아닌 이유로 퇴역하면 검열(censoring)되며, 제조사별 SMART 의미가 달라 단일모델 해석이 틀릴 수 있다. 마더가 이미 예측·해석을 했으므로 예산별 경보곡선이 없으면 재현으로 죽는다

불량을 거의 놓치지 않으면서 생산라인의 측정 공정을 어디까지 생략할 수 있는가 — 모든 센서를 다 읽는 모델보다 앞쪽 몇 개 공정만 읽고 멈추는 모델이 더 싸고 충분히 정확한가

② DB — 무슨 데이터, 얻을 수 있나 — Bosch Production Line Performance (Kaggle 공식 데이터). 각 행은 생산라인을 지난 부품 하나, 라벨은 Response(내부 불량), 입력은 라인·스테이션·측정번호가 인코딩된 수천 개 수치·범주·시간 변수다. 약 118만 부품으로 알려져 있고 이 계정의 Kaggle 토큰은 기존 실측상 유효 [OFFICIAL_VERIFIED — 대회 설명 / PARTIALLY_VERIFIED — 정확 행수·용량은 다운로드 전 메타]

③ AI 기술 — 비용제약 특징획득(feature-budgeted prediction). 예측할 때 모든 변수를 공짜로 가진다고 가정하지 않고, 각 부품마다 지금까지 본 공정값만으로 '더 측정할지·판정할지' 결정한다. 정확도-측정량 Pareto 곡선이 AI 기술의 핵심이다

④ 왜 흥미로운가 — 공장에서 센서 하나·검사공정 하나는 시간과 돈이다. 답은 불량 재현율 95%를 유지하려면 어느 스테이션까지 봐야 하는가로 나온다. 이건 '어떤 모델이 1등인가'보다 설비·검사비를 바로 바꾸는 질문이다

⑤ 마더 페이퍼 — Nan·Wang·Saligrama, Feature-Budgeted Random Forest (ICML 2015, PMLR)가 평균 특징획득 예산 아래 RF를 학습한다. Bosch 원문제는 공식 대회의 결함 예측이다. 한 단계는 컬럼의 라인·스테이션 순서를 실제 획득순서로 쓰는 것 [SOURCE_VERIFIED]

⑥ 모델 — 컬럼명의 L/S 구조로 스테이션 묶음을 만들고 ①정적 상위-k 특징 ②비용가중 RF ③스테이션별 조기종료 부스팅 ④소형 MLP를 비교. x축=읽은 스테이션/특징 수, y축=MCC·불량 recall·추론시간. 설명력은 어느 공정이 추가 정보가 큰지 누적 기여도로 표시

⑦ 죽는 지점 — 실제 센서 가격은 공개되지 않아 절감액을 말할 수 없고 측정 개수·스테이션 수만 비용 대리변수로 쓸 수 있다. 원자료가 10GB대라 전체 조합은 CPU·4주 위험 — 숫자·시간 파일과 한 라인부터 시작한다. 익명화 때문에 공학적 원인 해석은 못 한다

식당 위생검사 모델은 검사 이력이 많은 단골 식당만 잘 맞히는가 — 새 식당과 처음 보는 업소만 따로 시험하면 위험 식당을 조기에 찾는 효과가 얼마나 남는가

② DB — 무슨 데이터, 얻을 수 있나 — City of Chicago food inspections 공개 데이터·코드 (공식 GitHub). 개체=업소의 검사 이벤트, 라벨=critical violation, 업소·과거 검사·사업허가 등 구조화 특징. 공식 설명상 15,000개 이상 업소라 규모 관문 통과 [OFFICIAL_VERIFIED]. 텍스트 리뷰는 쓰지 않는다

③ AI 기술 — 개체 일반화 + 콜드스타트 + 배치용량 평가. 같은 업소의 과거 기록이 학습·시험에 섞이면 모델이 식당 ID를 외울 수 있다. 업소 단위·시간 순서로 분리하고, 하루 검사 가능한 상위 k곳에서 치명 위반을 얼마나 빨리 찾는지 평가한다

④ 왜 흥미로운가 — 검사 이력이 많은 식당만 잘 맞히는 모델이면 정작 새로 문 연 위험 업소를 놓친다. 결과는 기존 업소용 모델을 새 업소에도 써도 되는가, 새 업소는 별도 규칙이 필요한가라는 행정 운영 결정으로 바로 이어진다

⑤ 마더 페이퍼 — Chicago의 실제 배치 선례와 공개 코드가 있다: Food Inspection Forecasting은 약 15,000개 업소의 검사순서를 정했고, 파일럿에서 치명 위반을 평균 7.5일 일찍 찾았다고 보고한다. Kannan·Shapiro·Bilgic의 Hindsight Analysis (arXiv 1910.04906)가 데이터·가정·평가를 재검토했다 [OFFICIAL_VERIFIED + SOURCE_VERIFIED]

⑥ 모델 — 원 논문의 RF를 재현한 뒤 로지스틱·부스팅·RF·소형 MLP 비교. ①무작위 행 분할 ②업소 그룹 분할 ③시간 분할 ④완전 신규 업소만 시험으로 성능을 나눠 보고, 하루 검사 상위 k곳의 치명 위반 발견률·발견 선행일을 표로 낸다. SHAP은 과거 위반 의존도를 분리 표시

⑦ 죽는 지점 — 공개 코드는 오래됐고 현재 API 스키마와 바로 맞지 않을 수 있다. Hindsight 논문이 콜드스타트까지 이미 분석했는지는 본문 정밀 확인이 남았다. 새 업소 표본이 작거나 특징이 거의 없으면 결과가 '과거가 없으니 못 맞힌다'는 당연한 결론으로 죽는다 — 사업허가·지역·업종만 쓴 별도 모델이 단순 기준보다 낫나가 생존선

KC 인증을 받은 제품 중 어떤 제품이 2년 안에 리콜되는가 — '리콜 기록 없음'을 안전 제품으로 간주하지 않고도 위험 제품의 우선검사 순서를 만들 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — 제품안전정보센터 SafetyKorea Open API (공식 안내)가 KC인증정보·국내리콜정보를 함께 제공한다. 공식 리콜목록에서 2026-09-03 현재 목록 번호 4,244까지 관측되지만 이것을 곧바로 유효 양성 수로 단정하지 않는다 [OFFICIAL_VERIFIED]. 개체=KC 인증제품, 라벨=인증 뒤 일정기간 내 국내리콜

③ AI 기술 — 양성-미라벨(PU) 학습 + 우측 절단. 리콜은 적발된 위험제품에만 양성 라벨이 붙는다. 리콜되지 않은 인증제품에는 진짜 안전제품·미적발 위험제품·아직 관찰기간이 짧은 제품이 섞이므로 일반 이진분류가 라벨을 과신한다

④ 왜 흥미로운가 — 인증을 통과했는데 나중에 리콜되는 제품이라는 소재가 직관적으로 강하다. 정부 검사기관 입장에서는 다음 안전성조사 1,000개를 무엇부터 검사할지, 제조·유통사 입장에서는 어떤 제품군의 사후감시를 강화할지가 결과다. 한국 데이터만으로 끝낼 수 있다

⑤ 마더 페이퍼 — Kiryo 외, Positive-Unlabeled Learning with Non-Negative Risk Estimator (NeurIPS 2017, 공식 proceedings)가 미라벨 음성의 과적합을 막는 nnPU를 제시했다. 이 카드는 이를 KC 인증→리콜 시차에 적용한다 [SOURCE_VERIFIED]

⑥ 모델 — 인증일 기준 2년 관찰창을 만들고 로지스틱·RF·부스팅·소형 MLP의 일반 음성학습과 nnPU·생존모형 비교. 시간 분할로 precision@1000·recall@1000·캘리브레이션을 보고, 설명력은 품목·제조국·인증기관·인증변경 이력의 기여를 낸다

⑦ 죽는 지점 — 현재는 후보이지 확정 데이터가 아니다. 두 API가 같은 인증번호/모델키로 대량 조인되는지, 리콜 1건이 여러 모델로 중복되는지, 인증 원장 소급범위가 충분한지 미확인 [UNVERIFIED]. 안정적인 조인키나 1,000개 이상 고유 양성이 안 나오면 즉시 폐기. 리콜 사유 텍스트는 금지하고 구조화 필드만 쓴다

정기검사가 끝난 직후, 어떤 승강기가 다음 검사 전에 중대한 고장을 낼지 맞힐 수 있는가 — 전국 검사이력만으로 고장예방 점검 대상을 정할 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — 한국승강기안전공단 공식 Open API (주요 공공데이터 목록)에 '승강기 정보 및 검사이력'과 '(신)승강기사고 및 고장이력'이 따로 있고 둘 다 승강기 고유번호를 제공한다고 안내한다. 국가 지표상 2025년 보유 승강기는 885,928대(공식 지표) [OFFICIAL_VERIFIED]. 개체=검사 직후 승강기-시점, 라벨=다음 검사 전 중대고장

③ AI 기술 — 반복개체 사건예측 + 검열 + 시간누수. 승강기 하나가 여러 번 검사받고 일부만 고장난다. 검사 시점까지 알 수 있는 정보만으로 다음 고장까지의 시간을 예측하고, 같은 승강기가 학습·시험에 섞이는 누수를 차단한다

④ 왜 흥미로운가 — 센서를 새로 달지 않고 이미 정부가 가진 검사행정 기록만으로 예방정비가 가능하냐는 질문이다. 답은 다음 달 추가점검할 상위 k대와 고장 몇 건을 사전에 포착하는가로 나온다. 한국의 건물관리·시설안전 실무에 바로 닿는다

⑤ 마더 페이퍼 — Cui 외, On-Demand Maintenance Method Using Fault Prediction to Reduce Elevator Entrapment (Applied Sciences 2025)가 승강기 고장예측 기반 정비를 다룬다. 기존 연구가 센서 중심인 데 비해 이 카드는 국가 검사이력만으로 가능한지를 묻는다 [SOURCE_VERIFIED — 초록]

⑥ 모델 — 최근 검사결과·설치연식·기종·용도·유지관리업체 이력으로 로지스틱·생존RF·부스팅·소형 MLP 비교. 시간 순서와 승강기 그룹을 함께 분리하고, 월별 점검예산 top-k에서 고장 포착률·평균 선행일·캘리브레이션을 낸다. 설명력은 노후도와 검사이력의 상호작용

⑦ 죽는 지점 — 고유번호가 두 API에 실제 같은 형식인지, 과거 일괄추출이 되는지, 중대고장 양성이 1,000건을 넘는지 미확인 [UNVERIFIED]. API가 주소별 단건조회만 허용하면 수집비용이 4주를 넘는다. 고장 뒤 작성된 원인·조치 필드는 입력에서 반드시 제외. 이 세 관문 중 하나라도 실패하면 폐기

이번 달 점검할 건설현장 100곳, 어디부터 가야 사고를 가장 많이 막나?

② DB — 무슨 데이터, 얻을 수 있나❔ 확인 중 — 사고 난 현장: CSI 건설사고 API(공개). 사고 안 난 전체 현장 명단: KISCON 공사대장 — 대량 공개되는지 아직 미확인.

③ AI 기술 — 모든 진행 현장 중 '곧 사고 날 곳'을 순위로 뽑는 모델. 사고는 극히 드물어서 그 소수를 위로 올리는 게 기술.

④ 왜 흥미로운가 — '사고 난 뒤 사망할까'는 늦다. 아직 사고 안 난 현장 중 어디를 먼저 볼지가 진짜 실무 질문.

⑤ 마더 페이퍼 — Choi 외, Automation in Construction 2020 — 한국 산재기록으로 사망 여부 예측(사고 '후'). 우리는 사고 '전' 순위.

⑥ 모델 — '큰 현장부터' 규칙 vs 로지스틱·LightGBM. 점검 100곳당 막은 사고 수로 비교.

⑦ 죽는 지점 — 쉽게: 사고 '난' 현장 기록은 있는데, 사고 '안 난' 현장 명단이 공개 안 되면 비교 대상이 없어 연구가 안 된다. 네, 지금은 부족할 위험이 크다.

✔ 2026-10-06 회장님 말씀을 반영해 카드를 다시 썼습니다

한 호텔에서 만든 예약취소 모델을 다른 호텔에 그대로 복사할 수 있는가 — 현지 예약 몇 건을 추가로 학습해야 성능과 설명이 되살아나는가

② DB — 무슨 데이터, 얻을 수 있나 — 공개된 두 데이터는 리조트호텔 40,060예약과 도심호텔 79,330예약, 합계 119,390행·31변수이며 2015-07~2017-08 도착 예약과 취소 여부를 포함한다. 개체=예약, 라벨=is_canceled, 무료 공개(원 논문) [SOURCE_VERIFIED]

③ AI 기술 — 사업장 간 전이 + 소량 적응 + 설명 안정성. 같은 취소 라벨이어도 리조트와 도심호텔은 고객·예약시기·채널이 다르다. 한 곳에서 학습해 다른 곳에서 시험하고, 타깃 호텔의 100·500·1,000·5,000건을 추가할 때 회복곡선을 잰다

④ 왜 흥미로운가 — 호텔 체인이 새 지점마다 모델을 처음부터 만들지, 기존 지점 모델을 복사할지 결정하는 질문이다. 답은 몇 건의 현지 예약이 있어야 복사 모델이 자체 모델의 95%에 도달하는가로 나온다. 주가 점쟁이도 아니고 추상 벤치도 아닌 명확한 운영 문제다

⑤ 마더 페이퍼 — António·Almeida·Nunes, Predicting hotel booking cancellations to decrease uncertainty and increase revenue (Tourism & Management Studies 2017)가 호텔 취소분류를 제시했고, 후속 Hotel booking demand datasets (Data in Brief 2019)가 두 호텔 자료를 공개했다. 한 단계는 호텔 간 복사와 소량 적응 [SOURCE_VERIFIED — 논문·데이터 논문 본문]

⑥ 모델 — 리조트→도심·도심→리조트 양방향으로 로지스틱·RF·부스팅·소형 MLP를 비교하고, 타깃 표본 100/500/1k/5k로 재학습·가중치보정·미세조정. AUC·PR-AUC·Brier와 95% 성능 회복에 필요한 표본 수를 표로 낸다. SHAP 순위 상관으로 취소 이유 설명도 옮겨가는지 본다

⑦ 죽는 지점 — 호텔이 두 곳뿐이라 '모든 호텔 체인'으로 일반화하면 안 된다. 호텔 ID가 곧 리조트/도심 유형이라 사업장 효과와 호텔유형 효과를 분리할 수 없다. 데이터는 정적 스냅샷이라 예약 후 갱신된 변수의 시점누수도 점검해야 한다. 생존선은 양방향 전이 비대칭과 필요한 현지 표본 수이며 단순 취소예측이면 죽는다

장기요양기관의 다음 평가등급을 이전 평가 점수와 기관 특성으로 맞힐 수 있는가 — 등급이 떨어질 기관을 미리 짚는 것이 가능한가

② DB — 무슨 데이터, 얻을 수 있나 — 파일 실측 완료(09-04, VERIFY) [SOURCE_VERIFIED — 원본 CSV 집계]. data.go.kr/15104801 「국민건강보험공단_장기요양기관 평가 결과_20260625」 CSV(cp949) 무인증 다운로드. 27,947행 · 20컬럼(상세페이지 컬럼표는 11개만 노출 — 실제 파일은 20개). 개체 = 기관-평가회차. 평가구분(웨이브) 4회차: 2021(4,423)·2023(9,083)·2024(9,035)·2025(5,406) — 2022는 없다.
독립변수(X): 직전 평가의 평가총점(0~100, 웨이브 간 스케일 일관 — 중앙값 80.6→85.2·max~99.8), 영역별 점수(아래 위험 참조 — 웨이브 통합 불가), 설립주체, 급여종류, 관할시도, 평가 간격
종속변수(y): 차기 평가등급 — 실측 분포 B 9,470·A 6,172·C 6,105·D 3,191·E 3,008(결측 1). 5등급 순서형이 고르게 퍼져 순서형 분류에 적합
비교 기준: ① '직전 등급 유지' 예측(관성 베이스라인 — 평가등급은 관성이 세다) ② 순서형 로지스틱. 관성을 못 이기면 모델은 무의미 — 그 자체가 정직한 결과. 전선 A

③ AI 기술 — 순서형 라벨 + 반복 측정. 평가등급(A~E)은 순서가 있는 라벨이라 다중분류로 풀면 'A를 E로 착각'과 'A를 B로 착각'이 같은 비용이 된다. 순서형 분류가 실제로 얼마나 이득인지, 기관당 반복 평가를 어떻게 다루는지가 기술 축

④ 왜 흥미로운가 — 파일 실측(09-04, 다운로드·집계): 건보공단 「장기요양기관 평가 결과」 27,947행·20컬럼 — 기관기호·급여종류·설립주체·관할시도·평가일자·평가등급·평가총점·영역별 점수(회차별 5종/4종, 아래 데이터·위험 참조). 노인 돌봄 품질이라는 실무 함의가 분명하고, 등급 하락 기관을 미리 알면 감독 자원을 거기 보낼 수 있다

⑤ 마더 페이퍼 — 탐색 완료(09-04, VERIFY) — 직접 겹치는 마더 1편 확정 + 국내 중복 없음.
① 마더(직접 일치): Gupta·Kadam·Bhandari, Nursing Homes' Five-Star Quality Rating System: Forecasting the Future Stability and Volatility, Innovation in Aging 7(Suppl 1):720–721, 2023 (10.1093/geroni/igad104.2335). CMS Nursing Home Compare 2017–2021 전미 요양원을 Markov chain·Mover-Stayer 확률과정으로 등급의 미래 안정/변동을 예측 — RQ-138의 '직전→차기 등급 예측' 구조와 정확히 일치한다. 다만 (a) GSA 학회 초록(2쪽)이라 얇고 (b) 확률과정 모형이지 ML 다종·순서형 비용민감이 아니다 → 격상 지점(새 방법 = ML 다종+순서형)이 그대로 드러난다. [PARTIALLY_VERIFIED — OpenAlex 메타, 본문 PMC reCAPTCHA 차단]
② 국내 중복 검사: 장기요양 평가등급을 ML로 예측한 국내 선행 미발견. 가장 가까운 국내 선행은 유재언 장기요양시설 평가제도의 변화가 평가등급과 운영의 변동을 가져왔는가?(보건사회연구 37(4)) — 통계·정책 분석이며 예측모델 아님. 이 논문은 RQ-138이 실측한 '평가기준 2체계 단절' 함정을 뒷받침하는 동시에 이 주제가 공공정책 연구로 흐를 위험도 경고한다(→위험 참조). 국내 LTC ML 선행은 섬망예방·신체억제·인지쇠약 등 임상 대상이지 기관 평가등급이 아니다. [PARTIALLY_VERIFIED — 검색 스니펫]
③ 로컬 34,469편(IS·경영학) 구문검색: ML 등급예측 마더 0편 — star rating 33·care quality 35 모두 온라인리뷰·헬스IT 연구, Nursing Home Compare 1편도 IS 수요연구(예측 아님). quant/응용 마더는 이 IS 코퍼스로 못 찾는다는 기존 교훈 재확인. [SOURCE_VERIFIED — 로컬 구문검색]

⑥ 모델 — 다중분류 vs 순서형 분류(비용민감)를 같은 자료에서 비교. 트리·앙상블·ANN. 설명력: 어느 영역 점수가 다음 등급을 예고하나

⑦ 죽는 지점 — 두 위험을 실측으로 판정했다(09-04).
① 전이쌍 위험 — 부분 해소: 고유 기관 21,216곳 중 1회 14,825(70%)·2회 6,071·3회 300·4회 20. '직전→차기' 전이쌍은 6,731개로 모델 학습에 부족하진 않으나, 기관의 70%가 1회뿐이라 쌍 데이터로 좁히면 표본이 절반 이하로 준다.
② 평가기준 변경 — 확정된 함정: 영역별 점수가 두 체계로 갈린다. 舊 5종(기관운영·환경및안전·수급자권리보장·급여제공과정·급여제공결과)은 2021·2023·2024에만 채워지고, 2025는 새 4종(기관운영·수급자존중·서비스제공·서비스결과)으로 전면 교체됐다(각 웨이브 채움률 실측). → 영역별 점수는 2024→2025 경계에서 단절되어 X변수로 웨이브 통합이 불가하다. 다만 평가등급(A~E)·평가총점(0~100)은 스케일이 일관해 웨이브 통합 예측이 가능하므로, 가장 값어치 있는 '2024→2025 등급 예측'은 총점·등급·기관특성만으로 짜야 한다.
③ 공공정책 금지선 — 마더 탐색이 노출한 위험(09-04): 국내 최근접 선행(유재언, 보건사회연구 37(4))이 정확히 정책 각도(평가제도 변경↔등급 변동)에서 이 주제를 다뤘다. 논점을 '어느 기관이 나빠지나'로 두면 공공정책 연구로 미끄러진다 — 무게중심을 AI축(순서형 비용민감의 실이득·관성 베이스라인 대비 격차·2체계 단절 하 웨이브 통합)에 고정해야 한다

새 차의 스펙·가격만으로 출시 후 얼마나 팔릴지(등록 대수) 맞힐 수 있나?

② DB — 무슨 데이터, 얻을 수 있나✅ 바로 다운 — 스마트폰은 모델별 판매량이 공개 자료에 없다(유료 시장조사뿐). 같은 구조의 자동차로: 영국 교통부 VEH0160 차종별 분기 신규등록(2001~, CSV, 정부 공개) + DVM-CAR 899개 차종 스펙·가격.

③ AI 기술 — 출시 전에 정해진 정보(크기·엔진·가격·브랜드)로 판매 곡선을 예측 — 20년치 수천 차종이라 AI 비교가 가능한 규모.

④ 왜 흥미로운가 — 회장님 지시('스마트폰 안 되면 쓸 수 있는 아이템')의 답. 회사 데이터가 아니라 정부 공개 데이터다.

⑤ 마더 페이퍼 — BLP(Econometrica 1995) — 차종 특성과 판매의 고전. DVM-CAR(arXiv 2109.00881).

⑥ 모델 — '같은 브랜드 전작 판매' 규칙 vs 선형·XGBoost·신경망. 판매를 가르는 스펙(SHAP).

⑦ 죽는 지점 — 영국 데이터다. 한국판은 서울시 신규 자동차 등록(2016~2021, 차명 포함)으로 보강 가능. DVM-CAR 는 비상업 연구용.

✔ 2026-10-06 회장님 말씀을 반영해 카드를 다시 썼습니다

출시 스펙과 가격만으로 그 폰이 시장에서 성공할지(판매량·점유율)를 출시 전에 예측할 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — X(무료·실측): GSMArena 모델당 49개 스펙 필드 확인됨 — 화면크기·해상도·AP·RAM·저장·배터리·충전W·카메라 구성·무게·5G밴드·OS·출시가(있는 모델). 브랜드 목록 페이지네이션으로 전 모델 순회 가능(크롤링, 전선 F).
y(회장님 접근): GfK/IDC 모델·분기별 판매량 또는 점유율. 없으면 GSMArena hits(조회수, 무료)를 관심 프록시로 대체.
비교 기준: ① '브랜드+가격만' 쓴 모델(스펙의 순수 기여 분리) ② 선형 헤도닉 회귀

③ AI 기술 — 제품 속성 → 시장 성과 예측 (수요 예측의 정공법). 출시 시점에 확정된 스펙·가격·브랜드만으로 판매를 예측하고, 무엇이 성패를 가르는지 SHAP로 분해한다. KAIST 수요예측 18편·「소셜미디어 자동차 수요예측」(2021)과 같은 계보를 휴대폰으로

④ 왜 흥미로운가 — 회장님이 GfK·IDC 판매 데이터에 접근 가능하다는 것이 이 카드의 핵심이다. y(판매량·점유율)를 유료 데이터가 주고, X(스펙)를 GSMArena가 무료로 준다 — 두 데이터를 붙일 수 있는 사람이 드물어 신규성이 여기서 나온다. '좋은 스펙이면 잘 팔린다'는 통념이 실제로 맞는지, 아니면 브랜드·가격이 스펙을 압도하는지가 진짜 질문이다

⑤ 마더 페이퍼 — KAIST 「소셜미디어 자동차 수요예측」(2021)·「ML TV홈쇼핑 수요추정」(2022) 계보. 제품 속성-판매 예측(hedonic + ML) 문헌 다수 — VERIFY로 휴대폰 특정 선행 확인

⑥ 모델 — 선형→RF→XGBoost→ANN 비교, SHAP로 스펙 기여 분해. 판매(회귀) 또는 성공 상위(분류)

⑦ 죽는 지점 — 폐기(09-13). 회장님 확인: 「IDC는 회사에서 봤는데 모델 단위가 없었다. IDC·GfK는 비싼 데이터라 우리 못 한다」. y(모델별 판매)를 줄 소스가 없어 이 카드는 성립하지 않는다. 무료 라벨(검색량·조회수)로 옮긴 것이 RQ-248.

화제성은 높은데 안 팔리는 폰을 스펙으로 구분할 수 있는가 — 관심(조회수)과 실판매의 괴리는 무엇이 만드나

② DB — 무슨 데이터, 얻을 수 있나 — X: GSMArena 스펙 49종 + hits(조회수) + 출시 후 경과월
y: 표준화한 (판매순위 − 조회수순위) 괴리 점수 — GfK/IDC 판매 필요
비교 기준: ① 조회수로 판매를 그대로 예측(괴리=0 가정) ② 가격대별 평균 괴리. 전선 F

③ AI 기술 — 두 라벨의 괴리 예측 — 관심 ≠ 구매. GSMArena 조회수(관심)와 GfK 판매(구매)는 다른 신호다. 둘의 괴리를 종속변수로 삼아 '입소문만 나고 안 팔리는' 패턴을 스펙으로 예측하는 것 — 단순 판매예측보다 통념 반박형이라 흥미가 높다

④ 왜 흥미로운가 — '화제 = 판매'라는 통념을 정면으로 검증한다. 갤럭시 폴드처럼 화제성 대비 판매가 적은 사례, 반대로 중저가처럼 조용히 많이 팔리는 사례를 모델이 구분할 수 있다면 마케팅·재고 의사결정에 직접 쓰인다. 회장님 성향(당연한 결론 혐오)에 맞는 각도

⑤ 마더 페이퍼 — 탐색 전 — 온라인 관심도(검색량·조회수)와 실판매 괴리 연구는 마케팅 문헌에 존재 추정. KAIST 소셜미디어 수요예측(2021)의 반대 각도(괴리에 주목)

⑥ 모델 — 회귀(괴리 점수)·분류(과대관심/과소관심/일치 3분류). SHAP로 괴리 유발 스펙 추출

⑦ 죽는 지점 — 폐기(09-13). GfK/IDC 실판매를 못 구해 '판매-관심 괴리'의 판매 쪽이 비었다. 다만 착상은 살아있다 — 판매 대신 '중고 잔존가(RQ-245, 무료 크롤링)'를 실수요 프록시로 쓰면 '관심 대비 실가치'로 재구성 가능. 그 형태로는 재검토 여지.

분기별 브랜드 점유율의 다음 분기 방향(상승/하락)을, 신제품 출시·스펙 경쟁력으로 예측할 수 있는가

② DB — 무슨 데이터, 얻을 수 있나 — X: 직전 점유율 추세, 그 분기 신제품 수·평균 스펙 경쟁력(GSMArena 기반 지수), 가격대 분포, 경쟁사 신제품 강도, 계절
y: 익분기 점유율 상승/하락(이진)
비교 기준: ① '이번 분기 방향 유지' 관성 ② 로지스틱. GfK/IDC 점유율 필요. 전선 F

③ AI 기술 — 집계 시계열 + 제품 파이프라인 feature. 점유율은 브랜드-분기 집계라 개체가 적지만, '그 분기에 출시한 신제품의 스펙 경쟁력'을 feature로 넣으면 예측이 가능해진다. 점유율 수준이 아니라 방향(분류)으로 문제를 세워 소표본을 견딘다

④ 왜 흥미로운가 — 회장님 GfK/IDC 접근이 점유율 시계열을 준다. 삼성·애플·샤오미의 점유율 변동을 '그 분기 신제품 라인업 강도'로 설명하는 것 — 통신·유통 업계의 핵심 질문이다

⑤ 마더 페이퍼 — KAIST 부동산 방향 예측(2020·2022) 방법 계보. 점유율 예측 선행은 VERIFY 확인

⑥ 모델 — 로지스틱·트리·앙상블. 신제품 파이프라인 변수의 기여 측정

⑦ 죽는 지점 — 폐기(09-13). 점유율(y) 자체가 GfK/IDC 유료 데이터라 구할 수 없다. 게다가 브랜드-분기라 표본도 작았다. 이중으로 불가.

늦게 신고되는 아파트 거래를 감안해, 이번 달 진짜 거래량을 미리 맞힐 수 있나?

② DB — 무슨 데이터, 얻을 수 있나✅ 바로 다운 — 국토부 아파트 매매 실거래가 API(data.go.kr, 자동 승인). 거래 1건=1행.

③ AI 기술 — 쉽게: 거래는 계약 후 30일 안에만 신고하면 돼서, 최근 달 숫자는 늘 덜 잡혀 '거래절벽'처럼 보인다. 신고가 얼마나 늦게 들어오는지 배워 확정치를 미리 맞힌다.

④ 왜 흥미로운가 — 언론·시장이 덜 잡힌 최신 숫자에 반응한다 — 그 오독을 막는다.

⑤ 마더 페이퍼 — 코로나 확진자 '늦은 신고 보정' 방법(Biometrics 등)을 아파트 거래에 가져온다.

⑥ 모델 — '지금 숫자=확정' 가정 vs 계절 ARIMA vs 늦은 신고 보정 모델 vs ML.

⑦ 죽는 지점 — 신고일 칸이 없으면 같은 달을 여러 번 받아 차이로 계산해야 한다.

✔ 2026-10-06 회장님 말씀을 반영해 카드를 다시 썼습니다

졸업 때 정보(전공·학점·자격증)로 첫 직장의 직업을 맞힐 수 있나?

② DB — 무슨 데이터, 얻을 수 있나🟡 신청 필요 — GOMS 대졸자직업이동경로조사(한국고용정보원, 졸업생 1명=1행, 약 1.8만 명/회). 무료, 고용조사분석시스템 '자료받기' 신청.

③ AI 기술 — 직업 코드는 대분류→중분류→소분류 나무 구조다. 위에서부터 좁혀 가는 AI가, 수백 개를 한 번에 맞히는 AI보다 나은가 — 사회조사가 아니라 '분류 방법' 연구다.

④ 왜 흥미로운가 — 취업은 모두의 관심사. 고용정보원 인력수급 전망과 바로 이어진다.

⑤ 마더 페이퍼 — 계층 분류 서베이(Silla·Freitas 2011) · HiClass(JMLR 2023).

⑥ 모델 — 한 번에 맞히기(GBM) vs 나무 따라 좁히기(HiClass).

⑦ 죽는 지점 — 회장님 지적대로 '취업' 소재는 사회과학 색이 있다 — AI 방법 비교로 못 박아야 산다.

✔ 2026-10-06 회장님 말씀을 반영해 카드를 다시 썼습니다

일하는 사람 임금만 보고 만든 AI는, 전체 사람의 임금을 잘못 맞히나?

② DB — 무슨 데이터, 얻을 수 있나🟡 신청 필요 — 통계청 MDIS 경제활동인구조사 부가조사(신청·승인 필요) + 검증용 미국 ACS(folktables, 바로 다운).

③ AI 기술 — 쉽게: 임금은 취업한 사람에게만 찍힌다. 안 한 사람은 이유가 있어 빠진 것이라, 취업자로만 배운 AI는 한쪽으로 틀린다. 그 빠짐을 보정하는 방법이 AI에서 얼마나 효과 있나 잰다.

④ 왜 흥미로운가 — 신용평가(승인된 사람만 상환 기록)도 같은 구조라 쓰임이 넓다.

⑤ 마더 페이퍼 — Heckman(1979) 보정을 ML에 옮긴 연구(arXiv 2309.08043).

⑥ 모델 — 취업자만 배운 GBM vs Heckman 보정 vs 가중치(IPW).

⑦ 죽는 지점 — MDIS 승인에 시간이 걸린다. 경제학 색이 강해 AI 연구로 보이게 해야 한다.

✔ 2026-10-06 회장님 말씀을 반영해 카드를 다시 썼습니다