목차

개요

결론

• 입시 데이터를 기반으로 대입 합격 확률을 계산하는 알고리즘을 AI 형태로 제작해 납품
  • 의뢰자: 대입 컨설턴트

프로젝트 요약

• 의도 및 맥락:
  • 학생에게 직접 보여주는 서비스가 아니라, 컨설팅 사업 내부에서 활용되는 의사결정 보조용
    • 따라서 별도의 UI는 필요하지 않음
    • 빠른 수정과 검증, 수식 조정을 위해 구현 환경은 스프레드시트 기반으로 선택
  • 파이프라인
    • GPT API, MAKE, Spreadsheet를 결합해 구성
  • 유사 서비스
    • https://telegnosis.co/index
• 목표: 상위 경쟁자 이탈 시나리오 기반으로 내 순위 이동 확률 계산
• 결과: 70% 이상 정확도 확인

지금 다시 한다면?

• 굳이 AI로 만들 이유가 있었을까?
  • The Lottery Ticket Hypothesis에서 보여준 것처럼 인공지능 프로그래밍을 일반적 프로그램으로 바꿔도 문제가 없을 수 있다.
  • 대안: 초기엔 일반 프로그램으로 구현 → 누적 데이터 ≥1,000 확보 후에 AI 단계적 도입

기획

문제 정의

• 대입 컨설팅
  • “이 학생이 안전한지”, “왜 이 구간에서 위험한지”, “표본상 허수를 얼마나 제거해야 하는지” 등을 설명하고 판단하는 능력이 중요
  • 그러나 이러한 판단은 대부분 컨설턴트의 경험 등 정량화되지 않은 직관에 의존
• 시장의 구조적 문제
  • 학생들은 표본 분석 자체를 완전히 신뢰하지는 않지만, 불확실성과 불안을 해소하기 위해 고액의 컨설팅 비용을 지불

설계

• 1차 사용자는 학생이 아닌 컨설턴트로 정의
  • 목표는 합격을 맞히는 예측 AI가 아니라, 컨설팅 판단을 지원하는 계산기
• 솔루션
  • 합격 컷 예측 X
    • 단일 점수만으로는 합격 여부를 설명할 수 없는 구조
  • 실제 결과를 예측하는 방법
    • 내 점수의 상대적 위치
    • 상위 경쟁자들의 지망 구조
    • 경쟁자들이 타지망에 합격해 이탈할 가능성
    • 그러한 이탈이 동시에 발생할 확률
  • 문제의 본질
    • 상위 경쟁자의 이탈로 인해 내 순위가 어떻게 이동하는지에 대한 확률 분포를 계산하는 것

솔루션 구현 방식

구성

합격 확률 계산 알고리즘