2.8 KiB
2.8 KiB
250808 한국어 감정 분류 모델 학습
오후 5시 13분
한국어 감정 분류 모델 학습 및 배포
배경
- 로빙의 감정 인식 기능 필요
- 한국어 텍스트에서 7가지 감정 분류 (공포, 놀람, 분노, 슬픔, 중립, 행복, 혐오)
- KLUE-BERT 기반 모델 학습
작업 과정
1. 환경 구성
- WSL2 환경에서 학습 진행
- 하드웨어: i9-12900KF, RTX 3060 x2, CUDA 12.6
- emotion_training 폴더 생성 후 training_emotion으로 변경
- uv 패키지 매니저로 가상환경 구성
2. 데이터 준비
KOTE 데이터셋
- Hugging Face에서 다운로드
- 6개 감정, 심각한 클래스 불균형
- 학습 결과: F1 35.8%
AI Hub 데이터셋
- 한국어_단발성_대화_데이터셋.xlsx
- 한국어_연속적_대화_데이터셋.xlsx
- 38,594개 샘플, 7개 감정 균형 분포
- 학습 결과: F1 56.3%
3. 주요 문제 해결
TrainingArguments 파라미터 변경
# 기존 (오류)
evaluation_strategy="epoch"
# 수정
eval_strategy="epoch"
compute_loss 시그니처 오류
# WeightedTrainer 클래스에 추가
def compute_loss(self, model, inputs, return_outputs=False, num_items_in_batch=None):
# num_items_in_batch 파라미터 추가 필요
Bash 타임아웃 문제 (중요)
- 기본 2분 타임아웃으로 학습 중단 반복
- 사용자 피드백: "타임아웃은 .. 신발.."
- 해결: 1시간 타임아웃 설정
# Claude Code에서 timeout 설정
timeout=3600000 # 1시간
4. 최종 모델 성능
- Macro F1 Score: 56.3%
- ECE (Expected Calibration Error): 0.090
- Brier Score: 0.564
- 온도 보정 적용 (T=1.232)
5. Git 저장소 구성
- 저장소: https://git.ro-being.com/ivada_Ro-being/training_emotion.git
- 폴더 구조 정리:
- scripts/: 데이터 처리 스크립트
- data/: 학습 데이터
- outputs/: 학습된 모델
- logs/: 학습 로그
- .gitignore로 체크포인트 제외 (용량 관리)
6. 배포 계획
- 51124 서버에 skill-emotion 서비스 구축
- 포트 8503 사용
- FastAPI 기반 API 서버
- 로빙과 HTTP API로 연동
교훈
- 타임아웃 설정의 중요성: 긴 학습 작업 시 충분한 타임아웃 설정 필수
- 라이브러리 버전 호환성: transformers 라이브러리 업데이트로 파라미터명 변경 주의
- 데이터 품질: KOTE보다 AI Hub 데이터가 균형잡혀 있어 성능 향상 (35.8% → 56.3%)
- 파일 인코딩: README 작성 시 UTF-8 인코딩 확인 필요
- 브랜치명 규칙: main 브랜치 사용 (master 대신)
- uv 패키지 매니저: pip보다 빠르고 의존성 관리 편리
다음 단계
- skill-emotion 서비스 구현
- 로빙(rb10508_test)과 통합
- 실시간 감정 분석 기능 추가