LLM으로 논문쓰기 도전기— 한 학부생의 연구 생존 기록 [1화] _ LLM선택부터 데이터셋 선정까지
우선 미리 서두에 말하자면,
이 글을 쓴건 실제로 LLM으로 실험을 1회차 돌린 후 였다.
글의 주제는 ppg, ecg 데이터셋을 이용해 혈압 추정하기
기술은... 내가 독점함이 확실하기 전까진.. 비공개다.. ㄱㅡ..
(나도 먹고 살아야지.. 쓰다가 뺏기면 나는 뭐 먹고 살아..ㅠ)
아무튼 실험 1회차 열심히 알아서 돌렸더니,
내가 사용한 데이터셋이 교수님이 생각했던 데이터셋이 아니란다..
예?..>->o
절망스런 마음을 토해낼 곳이 없다. (이젠 여기 생겼다. ㅎ)
그러나 절망해봤자 뭐한가.
취업을 원하는 인간이란 자고로 굴러야 하느니라.
그래서 이 글은.
데이터셋부터 다시 찾는 글.
스퇉-
------------
LLM 선택?
들어보니..는 아니고,
나는 chat-gpt > claude > gemini 과정을 거쳐 현재 gemini에 안착한 유목민이다.
대충 설명하자면
chat-gpt는 pro로 썼는데 문맥을 자꾸 까먹어서 실망한 찰나에
(진짜 자꾸 까먹어서 계속 내가 말한 조건!!!!이라고 외쳐도 까먹는다.
심지어 게으르다. 전체 30일치 계획 짜라고 하면 자꾸 10일치 계획 짜고서 이하 동일 이래버림..
내가 빠짐없이 다 써줘. 빼먹지마. 이래도 빼먹는다.. 즈기요????)
claude가 글쓰기나 아이디어에 능하다고 해서 갈아탔는데,
얘는 또.. 돈을 많이.. 한 10만원 쯤 줘야 쫌 괜찮은 성능이 나왔다..(미친거 아닌교.. cash cow다..)
아참, opus? 그 얘가 진짜 맛도리다. 근데 얘는 무료 다음버전(pro인가?)에서는 아주 몇번밖에 못쓴다..
그래서 돈없는 나는 gemini pro로 갈아탔다. pro버전은 학교계정으로 1년 무료 제공이라..
신문에서 gemini가 아이큐 140정도의 성능을 한다고 한것 같은데, 정말 그런 것 같았다.
10만원을 안줘도 opus보다 조금 밑, 거의 하위호환 정도의 성능이 나왔다. 그래서 현재 만족 중..
근데 요즘보니 gemini pro도 뭔가 문제다.
계속 쓰다보니 약간 대화창을 헷갈리는건가.. 다른 대화창에서 했던 이야기를 기반으로 대화를 하는것도 있고,
자꾸 이전 대화기록을 기반으로 한 대화를 한다. 뭔가 신선한 자극을 주는 새로운 답변을 안준다. 샤갈!!
그러나 어쩌지? 난 돈이 없다.
그러나 어쩌지? 난 여기서 정체하고 싶지 않다.
마침 Liner를 다들 연구에 많이 쓴대서 Liner에 들어가보니..
얘는 질문 두개에 무료 사용량 소진.. pro 쓸려면 아무리 할인해도 월 1.4만원..ㄱㅡ
음.. 근데 지금 난 성과가 급해서 그냥 써야하나 약간 고민..
어떻게 하지를 고민하다가 gemini에게 내가 Liner말고 너를 써야만 하는 이유를 대라고 했다.
보니깐 인스타에선가 gpt에게 생존 협박하면 뭔가 미친 성능이 나온다고 하기에..
그외에도 1) gemini를 효과적으로 쓰는 방법과 2) 내가 gemini로 애먹는 부분을 어떻게 해결할 수 있을지를 물어봤다.
답변을 요약하자면, 1) 페르소나를 부여하거나, 반대 의견을 요청하고, 2) 'Gemini를 위한 안내'탭에 들어가서 내가 선호하는 답변 스타일을 적으면 좋다고 했다.
우선은 돈없는 가난한 중생이니.. gemini를 믿어보기로 했다.
그리고 사실 Liner에게 필요한 부분은 무료 100 크레딧으로 얼추 받았다고 느꼈다.
gemini가 내가 원하는 수준만큼 논문 찾기를 잘 안해줬는데, Liner는 단 100크레딧만으로 내게 충분한 답변을 해주었다.
이걸로도 gemini와 다시 으쌰으쌰해서 전보다 나은 결과물을 낼 수 있지 않을까??
우선 다시 부딪혀보려 한다.
무튼.. 결론은 Liner 한방울 섞은 Gemini를 이용하기로 했다.
------------
Dataset 선정?
이건 Liner에서 제안받았다.
교수님이 말씀하신 데이터셋이 있었는데,,
근데 약간 교수님도 정확한 이름을 기억 못하셨지만..
주신 힌트(?)로 보아선 아래 1번 데이터셋을 이용하라고 하신듯 하다.
--
1. MIMIC-II/MIMIC-III 데이터셋
가장 널리 사용되는 데이터셋으로, PhysioNet에서 제공하는 중환자실(ICU) 환자의 다중 생체신호 데이터베이스입니다. 125Hz로 샘플링된 ECG(Lead II), PPG(손가락 끝), 침습적 ABP(동맥혈압) 신호를 포함합니다.
2. UCI Machine Learning Repository - Cuff-Less Blood Pressure Estimation 데이터셋
MIMIC-II 데이터베이스에서 추출하여 정제한 데이터셋으로, 12,000개의 레코드를 포함합니다. 각 레코드는 8초 길이의 ECG, PPG, ABP 신호로 구성되어 있으며, 많은 연구에서 벤치마크 데이터셋으로 활용됩니다.
3. PulseDB 데이터셋
2023년에 공개된 가장 크고 정제된 벤치마크 데이터셋입니다. MIMIC-III와 VitalDB에서 5,361명의 피험자로부터 5,245,454개의 10초 세그먼트를 추출했습니다. 필터링된 ECG, PPG, ABP 신호뿐만 아니라 특징점(R-peak, PPG peak 등) 위치, 인구통계학적 정보(나이, 성별, 신장, 체중, BMI)를 포함하고 있어 딥러닝 모델 훈련에 바로 사용할 수 있습니다.
4. VitalDB
수술 중 환자의 생체신호를 포함한 데이터베이스로, PulseDB의 일부 데이터 출처로 사용되었습니다.
--
위 4가지 중 당연히 교수님 얘기 들은 것도 있어서 1번 데이터셋을 써야지 했는데,
뭔가 조금 더 주체적?이고 싶어서 더 살펴보니,
Liner가 "최근 연구들은 MIMIC-II/III 데이터셋에서 더 크고 정제된 PulseDB로 이동하는 추세"라고 하기도 했고,
PulseDB가 1번 내용을 이미 포함하고 있고, 1번만으로는 뭔가 이게 특정 지역과 특수 상황의 데이터다보니 범용적이지 못할것 같아서..
최종적으로 PulseDB를 사용하기로 결심했다.
아무튼 PulseDB로 결정 탕탕!
1화는 이렇게 마무리하겠다.. 너무 힘들다..
+
아무리 생각해도 라이너 툴 너무 유혹스러워서..
라이너 할인 이벤트 끄적여봣는데 없어서...
슈밤... 정가로 결제...
한달만 뽕 다 뽑고 대차게 떠나는걸로..