P3-3.1 원천데이터를 왜 곧바로 학습 문제로 읽으면 안 되는가¶

Section ID: P3-3.1 Version: v2026.09.19

원천데이터에 표와 시간 기록이 있다고 해서 현재의 지도학습 질문에 필요한 입력과 결과가 이미 정의된 것은 아닙니다. 기록된 원천데이터(source data)도 데이터셋입니다. 여기서 확인할 것은 데이터셋의 존재가 아니라, 이를 어떤 질문에 쓸 데이터셋 후보(dataset candidate)로 구성할지입니다.

여기서는 문제 표현 구조(problem-representation structure)를 샘플·입력·목표를 연결하는 설계로 봅니다. 분류나 예측이라는 아이디어를 먼저 떠올릴 수는 있지만, 그 이름만으로 현재 자료가 준비되었다고 판단할 수는 없습니다.

자동으로 실행되는 동작 1회마다 제어 파라미터 시계열과 센서 시계열이 남는 상황을 보겠습니다. 이런 표를 보면 다음 같은 생각이 먼저 나옵니다.

• 센서 값이 있으니 이상 징후 판별 문제로 바꿀 수 있겠다.
• 동작 결과가 조금 다르니 분류 문제로 바꾸면 되겠다.
• 시계열이 길면 시계열 예측 문제로 바로 넘길 수 있을 것 같다.

이 생각들 자체가 틀린 것은 아닙니다. 문제는 무엇을 한 건으로 볼지, 무엇을 맞히려는지, 지도학습 라벨(supervised learning label)이 실제로 있는지도 정하지 않은 상태에서 학습 문제의 틀이 먼저 등장한다는 점입니다. 이 상태에서는 아직 데이터 문제를 정의한 것이 아니라, 데이터보다 학습 문제 틀을 먼저 떠올린 것입니다.

하지만 원천데이터를 현재 지도학습 질문에 바로 사용할 준비가 끝난 표로 읽으면 중요한 질문이 빠집니다.

이 차이는 단순한 순서 문제가 아닙니다. 원천데이터를 처음 볼 때 필요한 일은 학습 문제 선택이 아니라 표의 정체를 다시 묻는 일입니다. 지금 보고 있는 것이 시점별 측정 기록인지, 동작 1회 요약인지, 최근 구간 집계인지에 따라 뒤의 특징(feature), 기준선(baseline), 목표 라벨(target) 설명이 모두 달라집니다.

예를 들어 다음처럼 원천데이터의 일부만 보고도 너무 빨리 학습 문제의 틀이 튀어나올 수 있습니다.

이 표만 보면 분류 문제, 예측 문제, 시계열 학습 문제 같은 말을 쉽게 떠올릴 수 있습니다. 표의 한 행은 한 시점 기록입니다. 아직 정하지 않은 것은 이 행을 그대로 샘플로 쓸지, 동작 단위로 묶을지와 어떤 결과를 예측할지입니다. 따라서 여기서 바로 학습 문제 틀을 고르면 문제보다 문제 형식이 먼저 앞서게 됩니다.

이 절의 예제는 동작 1회를 샘플로 삼아 동작 결과를 분류하려는 경우입니다. 이 경우에는 입력 기록과 사건별 결과 라벨을 연결하고, 라벨의 판정 기준을 확인해야 합니다. 라벨이 없는 데이터셋이나 지도학습 이외의 분석이 불가능하다는 뜻은 아닙니다.

사건마다 같은 라벨을 반복해서 붙이면 연결 검사는 통과할 수 있습니다. 그래도 그 라벨이 실제 점검 결과인지, 임의 규칙인지, 사건마다 같은 기준을 썼는지는 별도로 확인해야 합니다.

원천 기록에서 학습 문제까지 필요한 결정¶

원천데이터를 바로 학습 문제로 올리면 어떤 질문이 비어 있는지, 아래처럼 원천 기록 -> 빈 질문 확인 -> 샘플/라벨 후보 정리 순서로 읽으면 더 분명합니다.

flowchart TD
    A[원천 기록을 본다] --> B[샘플 단위와 입력 범위를 정한다]
    B --> C[결과 기록이 있는지 확인한다]
    C --> D[사건별 연결과 판정 근거를 확인한다]
    D --> E[근거가 없는 항목은 미확인으로 남긴다]
    E --> F[현재 질문에 더 필요한 자료를 판단한다]

라벨 열·연결·판정 근거를 따로 확인하기¶

p3_3_1_source_operation_log.csv는 이 책의 가상 동작 로그입니다. 한 행은 한 동작의 특정 초에서 얻은 센서 기록이며, A~I의 9개 동작에 각각 4개 기록이 있습니다. event_id는 동작 식별자, second는 관측 시각입니다. 파일에는 flow가 있지만 review_label은 없습니다.

동작 결과 분류에 쓸 수 있는지 판단하려고 합니다. 아래 상황마다 라벨 열 존재, 사건별 연결, 판정 기준을 확인됨 / 조건 불충족 / 미확인으로 적어 보세요. ③·④는 원본 CSV에 들어 있지 않은 가상 추가 자료입니다.

①은 라벨 열 존재 조건을 충족하지 않습니다. 연결과 판정 기준은 확인할 자료가 없으므로 미확인입니다. ②는 열 존재는 확인되지만, 현재 질문에서 요구하는 사건별 결과 라벨은 아닙니다. 센서값을 어떤 결과 범주로 바꿀지 정한 근거도 없으므로 판정 기준은 미확인입니다.

③은 열 존재와 사건별 연결이 확인되어도 판정 기준이 미확인입니다. pass라는 단어만으로 무엇을 통과했는지 알 수 없습니다. ④는 이 연습의 세 항목이 확인된 경우입니다. 그래도 사용할 입력의 범위와 평가 방법까지 정해진 것은 아니므로 학습 준비 전체가 끝났다고 결론내리지는 않습니다.

이제 질문을 “0~2초의 기록으로 3초의 유량을 예측한다”로 바꾸어 보세요. A의 입력은 0·1·2초 기록이고 목표는 3초의 flow=1.2입니다. 3초의 유량이나 그 이후 기록을 입력에 섞지 않습니다. 같은 flow도 질문과 시점을 정하면 목표값이 될 수 있습니다.

마지막으로 판단 메모를 남깁니다. “현재 결과 분류에는 사건별 라벨과 판정 근거가 부족하다. 센서 기록의 비교·탐색은 가능하며, 라벨 근거는 별도로 확인한다.” 원본 파일의 버전과 추가 결과표·판정 문서의 출처를 함께 적어야 나중에 같은 판단을 다시 확인할 수 있습니다.

원천 기록에서 센서값을 비교하거나 요약할 수 있다는 것과, 원하는 결과를 학습할 근거가 있다는 것은 다른 판단입니다. 현재 질문에 필요한 샘플과 입력, 목표의 대응 관계를 적고, 확인되지 않은 근거는 미확인으로 남깁니다.

체크리스트¶

• 원시 로그도 데이터셋이라는 사실과 현재 지도학습 질문의 준비 상태를 구분하는가?
• 상황 ①~④에서 라벨 열 존재·사건별 연결·판정 기준을 각각 판정할 수 있는가?
• 사건별 결과가 하나씩 있어도 그 의미는 미확인일 수 있는 이유를 설명하는가?
• A의 3초 유량을 예측할 때 입력 기록과 목표값을 분리할 수 있는가?
• 현재 가능한 탐색과 추가로 확인할 라벨 근거를 한 문장으로 적었는가?

출처와 참고 자료¶

• Google for Developers, Machine Learning Glossary: label, labeled example, unlabeled example. 지도학습의 입력과 결과 역할 및 라벨 없는 사례의 구분을 확인했다. 원문 / 확인일: 2026-09-19
• Google for Developers, Machine Learning Glossary: label leakage. 예측할 결과를 드러내는 정보를 입력에 섞는 문제를 확인했다. 원문 / 확인일: 2026-09-19
• W3C, PROV-Overview (2013). 데이터 생성에 관여한 대상·활동·담당자와 처리·버전 이력을 추적하는 근거로 참조했다. 원문 / 확인일: 2026-09-19