P3-5.3 원시 시계열이 있어도 왜 바로 학습 입력이라고 말할 수 없는가¶

Section ID: P3-5.3 Version: v2026.07.20

원시 시계열을 보면 많은 독자가 이렇게 생각합니다. 값도 많고 순서도 있으니, 이걸 그냥 학습 입력으로 넘기면 되지 않을까? 하지만 여기서 한 번 멈춰야 합니다. 원시 시계열이 있다는 사실만으로 아직 바로 학습 입력이 준비되었다고 말할 수는 없기 때문입니다.

원시 시계열은 정보가 많지만, 아직 무엇을 한 샘플로 볼지, 어느 길이까지를 한 입력으로 묶을지, 무엇을 맞히고 싶은지가 정해지지 않았을 수 있습니다. 학습 입력은 원시 데이터의 다른 이름이 아니라, 문제에 맞게 경계가 정해진 입력 구조입니다. 그래서 이 절에서 가장 먼저 붙잡아야 할 구분은 원시 시계열이 있다와 학습 입력이 준비되었다는 같은 말이 아니라는 점입니다.

먼저 가장 짧게 나누면 다음과 같습니다.

지금 손에 있는 것	아직 부족한 것
시점별 측정값이 길게 이어진 원시 시계열	샘플 경계
센서값과 제어값의 시간 순서	입력 길이와 구간 기준
풍부한 원본 정보	목표 라벨과 비교 질문

즉 원시 시계열이 있다와 학습 입력이 준비되었다는 같은 말이 아닙니다.

왜 그대로 넣는다는 말이 빠른가¶

원시 시계열을 그대로 넣자는 생각이 빠른 이유는 세 가지입니다.

행 수와 열 수가 많으면 이미 풍부한 데이터셋처럼 느껴집니다.
딥러닝이 표현을 학습한다는 말을 들으면 입력 설계를 건너뛰어도 될 것처럼 느껴집니다.
시계열 구조가 복잡할수록 사람이 요약하는 것보다 모델이 알아서 배울 것 같아 보입니다.

하지만 이 셋은 모두 입력 구조 정의와 표현 학습을 섞어 읽을 때 생기는 착시입니다.

빨리 떠오르는 생각	Part 3에서 먼저 다시 물어야 하는 질문
시계열이 길수록 그대로 넣는 편이 좋다	한 샘플은 동작 1회인가, 최근 구간인가
딥러닝이 알아서 특징을 배운다	어디서 자른 입력을 줄 것인가
원시 로그가 많으니 바로 학습할 수 있다	무엇을 결과로 둘 것인가

원시 시계열을 학습 입력으로 바꾸려면 무엇이 더 필요한가¶

원시 시계열을 실제 입력 구조로 바꾸려면, 적어도 아래 결정은 먼저 있어야 합니다.

먼저 정해야 하는 것	왜 필요한가
샘플 경계	한 입력이 어디서 시작하고 끝나는지 정해야 하기 때문
구간 자르기 방식	초반/중반/후반처럼 비교 기준이 있어야 하기 때문
길이 맞추기 방식	입력 길이가 제각각이면 바로 비교하기 어렵기 때문
목표 라벨 후보	무엇을 맞히고 싶은지 정해야 하기 때문

예를 들어 같은 원시 시계열이라도 아래처럼 전혀 다른 입력 구조가 될 수 있습니다.

같은 원시 로그에서 가능한 입력 구조	이 구조가 바로 답하는 질문
동작 1회 전체를 요약한 벡터	한 동작을 한 건의 표 입력으로 비교할 것인가
동작 1회 구간 시퀀스	구간 순서를 남긴 채 한 동작을 읽을 것인가
최근 20건을 다시 묶은 집계 입력	최근 상태를 묶음 단위로 비교할 것인가

즉 원시 시계열은 한 가지 모델을 자연스럽게 가리키지 않습니다. 어떤 문제를 세웠는지에 따라 완전히 다른 입력 구조로 다시 만들어질 수 있습니다. 같은 기록이라도 동작 1회 벡터, 구간 시퀀스, 최근 집계 입력 가운데 무엇이 먼저 필요한지는 질문이 정합니다.

왜 요약 표와 중간 표현이 여전히 필요한가¶

여기서 자주 생기는 오해는 어차피 나중에 시계열 모델을 볼 거면 요약 표나 세그먼트 표현은 덜 중요하다는 생각입니다. 하지만 요약 표와 중간 표현은 단순한 임시물이라기보다, 다음 세 가지 이유로 여전히 중요합니다.

Part 3에서 먼저 만드는 구조	이 구조가 먼저 필요한 이유
요약 표	기본 비교 단위와 기준선 비교를 먼저 세울 수 있다
세그먼트 표현	순서와 구조를 사람이 먼저 읽을 수 있다
집계 표	최근 상태와 평소 상태를 운영적으로 해석할 수 있다

즉 원시 시계열이 있다고 해서 요약 표가 불필요해지는 것이 아니라, 어떤 질문은 요약 표에서 더 직접적으로 읽히고, 어떤 질문은 나중에 더 긴 입력 구조로 다시 넘어갈 수 있습니다.

한 장면으로 다시 보기¶

예를 들어 동작 중 300개의 시점 기록이 있다고 해 보겠습니다.

Part 3에서는 먼저 이 300개 점이 한 동작 1회를 이루는지부터 정합니다.
초반, 중반, 후반 구간을 나눠 요약 표를 만듭니다.
필요하면 UP, FLAT, DOWN 같은 중간 표현으로 구조를 더 남깁니다.
그 다음에야 이 동작 1회를 하나의 입력으로 볼지, 여러 구간 시퀀스로 볼지, 최근 구간 집계로 볼지를 고를 수 있습니다.

즉 원시 시계열이 있다 -> 바로 학습 입력이다가 아니라, 원시 시계열이 있다 -> 어떤 입력 구조로 바꿀지 결정한다가 올바른 순서입니다.

작은 도식으로 보기¶

이 절의 핵심 순서는 원시 시계열이 있다에서 끝나지 않는다는 점입니다. 샘플 경계, 구간/길이 규칙, 목표 라벨을 먼저 정한 뒤에야 비로소 입력 구조를 고를 수 있습니다.

flowchart TD
    R[원시 시계열이 있음]
    S[샘플 경계를 정함]
    G[구간과 길이 규칙을 정함]
    L[목표 라벨을 정함]
    I[입력 구조를 고름]

    R --> S --> G --> L --> I

이 절에서 붙잡아야 하는 것은 모델 종류가 아니라, 원시 시계열을 곧바로 입력이라고 부르기 전에 샘플 경계, 구간 기준, 목표 구조를 먼저 정해야 한다는 순서입니다. 따라서 원시 시계열이 바로 학습 입력이 아니라는 말은 데이터가 부족하다는 뜻보다 입력 구조의 경계와 목적이 아직 명세되지 않았다는 뜻에 가깝습니다.

출처와 참고 자료¶

Google for Developers, Machine Learning Glossary의 labeled example. example는 features와 label이 함께 정의된 구조이므로, 원시 시계열을 곧바로 입력이라고 부르기 전에 한 샘플의 경계와 결과 열을 먼저 정해야 한다는 근거가 됩니다. https://developers.google.com/machine-learning/glossary / 확인일: 2026-07-20
Google for Developers, Machine Learning Glossary의 label leakage. feature가 label의 proxy가 되는 설계 결함을 설명하므로, 입력 구조와 목표 구조를 먼저 정하지 않으면 원시 시계열 일부를 잘못된 입력으로 그대로 넘길 위험이 있다는 점을 보강합니다. https://developers.google.com/machine-learning/glossary / 확인일: 2026-07-20
W3C, PROV-Overview. provenance framework가 identifying an object, derivation, reproducibility를 지원해야 한다고 정리하므로, 입력 길이와 구간 규칙도 어떤 구조로 만들어졌는지 재현 가능하게 남겨야 한다는 상위 프레임을 보강합니다. https://www.w3.org/TR/prov-overview/ / 확인일: 2026-07-20