AI 용어집 · 심화 · 데이터·평가 · 데이터 엔지니어링
Weak Supervision 약한 지도 학습
Weak Supervision(약한 지도 학습)은 사람이 데이터마다 정답을 하나하나 달지 않고, 규칙·키워드·기존 모델처럼 정확도가 들쭉날쭉한 여러 '약한' 단서로 정답(라벨)을 대량으로 만든 뒤 그걸로 모델을 학습시키는 방법이다.
어떻게 작동하나
먼저 사람이 '라벨링 함수'라는 간단한 규칙을 여러 개 만든다. 예를 들어 '문장에 환불이라는 단어가 있으면 불만 문의'처럼 짧은 규칙이나 기존 사전·데이터베이스, 다른 모델의 예측이 모두 라벨링 함수가 될 수 있다. 각 규칙은 데이터 일부에만 답을 내고, 서로 엇갈리기도 한다. 이어서 '라벨 모델'이 규칙들이 얼마나 자주 맞고 서로 얼마나 겹치는지를 따져 데이터마다 가장 그럴듯한 라벨과 그 확신 정도를 정한다. 마지막으로 이렇게 만든 라벨로 실제 쓸 모델을 학습시키면, 규칙이 다루지 못한 사례까지 일반화하는 모델을 얻을 수 있다.
왜 중요한가
지도 학습은 정답이 달린 데이터가 많이 필요하지만, 의료·법률·사내 문서처럼 전문 지식이 필요한 분야는 라벨링 비용이 매우 크다. Weak Supervision은 전문가의 지식을 데이터 한 건 한 건이 아니라 '규칙'으로 담아 한 번에 수많은 데이터에 적용하게 해 준다. 규칙을 고치면 라벨 전체가 다시 만들어지므로, 기준이 바뀌어도 처음부터 다시 라벨을 달 필요가 없다. 요즘은 LLM에게 라벨을 붙이게 하고 그 결과를 약한 단서 중 하나로 쓰는 방식도 흔하다.
알아 둘 점
만들어진 라벨에는 잡음이 섞여 있으므로, 사람이 직접 확인한 작은 검증용 데이터가 있어야 품질을 잴 수 있다. 규칙들이 모두 같은 방향으로 치우쳐 있으면 라벨 모델도 그 편향을 그대로 물려받는다. 규칙이 거의 적용되지 않는 드문 사례는 라벨이 부족해 모델이 약해지기 쉽다. 그래서 Active Learning처럼 사람이 꼭 봐야 할 사례를 골라 보완하는 방법과 함께 쓰는 경우가 많다.
예시
고객센터 문의를 '배송', '환불', '기술 문제'로 자동 분류하려는 회사가 있다고 하자. 수만 건을 사람이 다 분류하는 대신, 담당자가 키워드 규칙 몇십 개를 만들고 기존 FAQ 매칭 결과와 LLM의 분류 결과를 함께 단서로 넣는다. 라벨 모델이 이 단서들을 종합해 학습용 라벨을 만들고, 사람이 직접 확인한 수백 건으로 정확도를 점검한 뒤 분류 모델을 학습시켜 서비스에 넣는다.