리스트

• 대괄호로 선언하며, 내용을 자유롭게 변경할 수 있고 왼쪽부터 0에서 시작하는 인덱스가 부여된다.

• 리스트명[인덱스] 로 해당 인덱스의 내용을 출력할 수 있다.

튜플

• 리스트와 거의 유사하나 소괄호로 선언하거나 데이터만 입력함으로써 선언할 수 있고, 내용을 변경할 수 없다.

• 일종의 읽기 전용.

딕셔너리

• 중괄호로 선언하며, key와 value값으로 구성되어 있다. 둘 사이는 콜론(:)으로 구분하며 키로 데이터 값을 찾는다.

• 지정한 각 자료의 순서에 특별한 의미는 없다.

• key의 내용은 변하면 안되므로 리스트는 들어갈 수 없지만 변경 불가능한 튜플은 들어갈 수 있다.

활용

리스트

1. len(리스트) : 데이터 개수 반환
2. max(리스트) : 리스트의 데이터 중 가장 큰 데이터 반환
3. min(리스트) : 리스트의 데이터 중 가장 작은 데이터를 반환
4. sum(리스트) : 리스트의 데이터의 합을 반환
5. sorted(리스트): 리스트 정렬
6. reversted(리스트) : 리스트 반대로 반환(반환 결과에 리스트 함수를 적용해서 사용)
7. 문자.join(리스트이름) : 지정한 문자를 기준으로 리스트를 합쳐서 문자열을 보여줌

    -'' 넣어주면 그냥 문자열 출력, '!'등을 넣으면 '문!자!열'과 같은 결과

8. 문자열.split('문자') : 문자 기준으로 문자열을 쪼개서 리스트로 만듦

    -'' 넣으면 공백처리

   튜플

• 인덱싱, 슬라이싱 등 시퀀스 자료형 함수의 대부분 사용 가능

    - 튜플의 특성상, 내부 자료를 변경하는 함수는 사용 불가

• 사용 가능 함수 : 튜플.숫자시작:숫자끝, 원소 in 튜플, len(튜플), 튜플+(튜플)(튜플 합치기), 튜플*숫자(튜플 내용 반복) 등.

리스트와 튜플

1. 변수 여러 개 만들기 (리스트 언패킹, 튜플 언패킹)

   x = [1, 2, 3] #튜플 -소괄호- 로도 가능
   a, b, c = x
   print(a, b, c)
   

실행결과 1 2 3

    - input().split()은 리스트를 반환하므로 리스트 언패킹 형식으로 입력값을 변수 여러 개에 저장 가능

2. 리스트 패킹, 튜플 패킹 : 변수에 리스트 또는 튜플을 할당

numList = [1, 2, 3] numTuple = (1, 2, 3) numTuple2 = 1, 2, 3

## 시퀀스 자료형 관련 함수
1. 원소 in 자료형이름 : 특정 원소가 있는지 확인
2. 원소 not in 자료형이름 : 특정 원소가 없는지 확인

## 딕셔너리 
1. 딕셔너리명[key명] : value 반환
2. 딕셔너리명[key명] = value : 자료 추가
3. del 딕셔너리명[key명]
4. 딕셔너리명.clear() : 모든 아이템 삭제
5. len(딕셔너리명) : 아이템 개수 반환

(https://dojang.io/mod/page/view.php?id=2201, https://blog.naver.com/jinnie1210/222649647594 참고)

어떤 문제를 인식하고 확인하고 해결하는 데 필요한 최소량의 데이터를 일반적으로 스몰데이터라고 합니다.[1]

압도적인 양의 데이터, 빅데이터를 통해 인공지능은 놀라운 지능을 선보이고 기업은 이를 통해 기업의 솔루션을 얻거나 고객에게 양질의 맞춤형 서비스를 제공하면서 발전해나가고 있습니다.

하지만 빅데이터가 해낼 수 있는 일은 이렇게 놀라우면서도, 마냥 장점만을 가지고 있는 것은 아닙니다.

수많은 데이터를 활용함에 있어 따르는 개인정보 문제는 물론이고, 의외로 환경적인 부분에서도 문제가 있는 것이 빅데이터입니다. 글로벌 ITC 주간동향리포트(22년 2월 4주차)에 실려있는 내용에 따르면, '월드와이드웨이스트(World Wid Waste)'의 저자인 제리 맥거번(Gerry McGovern)은 데이터센터를 유지하기 위해 냉각 시스템에 쓰이는 물만 데이터센터 하나당 하루에 수백만 갤런의 물을 소비하는 것으로 추정된다고 설명합니다.

이러한 빅데이터의 문제점과 한계점을 해결하기 위해 인공지능에서 새롭게 주목받고 있는 것이 스몰데이터입니다.

빅데이터 vs 스몰데이터

빅데이터(Big Data)는 개인의 데이터를 분석해서 특정 타겟층을 만들어내지만, 스몰 데이터(Small Data)는 이용자 개개인의 취향, 기호, 소비 성향 등을 세부적으로 파악한다.

출처 : 코딩월드뉴스(https://www.codingworldnews.com)

빅데이터는 수많은 데이터에서 공통점을 찾아냅니다. 가장 수많은 사람의 선호, 불편 등의 의견을 담는 것이 빅데이터입니다.

이에 반해 스몰데이터는 오히려 더 다양한 결과값을 가져온다는 점에서 빅데이터와 다른 결과를 가집니다.[2]

빅데이터가 해결하지 못한 것을 해결한 스몰데이터의 사례를 보면 둘의 차이를 확연히 알 수 있습니다.

사례

레고회사는 2000년대 초 파산직전에 몰렸을 때 스몰데이터를 활용해서 그 위기에서 벗어났던 사례가 있습니다.

정확히는 빅데이터를 이용해서 해결하려고 했으나, 빅데이터에서는 한결같이 미래 세대는 이전 세대와 비교했을 때 시간과 인내심이 부족하기 때문에 복잡한 블록에는 관심이 없다는 내용만 내놓았습니다.

그래서 레고 마케팅 부서에서도 블록 크기를 키우도 단순화하려고 생각했었던 때, 독일의 한 소년과 인터뷰를 한 뒤로 생각을 뒤집게 됩니다.

열정적인 레고 마니아이면서 열정적인 스케이트보더였던 소년은 자신에게 가장 자랑스러운 것이란 연습으로 닳고 닳은 운동화라고 마케터들에게 내밀었습니다.

레고 마케터들은 그 운동화를 통해 어린이들의 세계에서 중요한 것은 무언가를 발전시키고 성취해낸 증거가 되는 물건을 갖는 것이란 것을 깨닫고, 이전 생각을 뒤집어 블록을 더 작고 조립 설명서를 더 상세하게 만들었습니다.

그 결과, 레고는 극적으로 살아남아 지금 우리도 잘 알고 있는 레고 회사로서 남아있을 수 있게 되었습니다.

빅데이터를 통해서는 해결할 수 없었던 문제가 필요한 내용만을 전할 수 있었던 스몰데이터를 통해서 해결할 수 있었습니다. 데이터량이 적더라도, 보다 유익한 정보를 제공할 수 있는 데이터 모델이 스몰데이터인 것입니다.[3]

전망

시장조사기관 가트너(Gartner)도 2025년까지 조직의 70%가 빅데이터에서 스몰데이터로 초점을 전환하여 AI 분석을 수행할 것으로 전망함. __(글로벌 ICT 주간동향리포트, 22년 2월 4주차)

그뿐만이 아닙니다. 스몰데이터는 자신의 불편함을 깨닫지 못하는 많은 사용자들에게 의견을 구하는 설문보다, 한 사람의 고객에 대해 조사하는 것으로 다른 관점과 해결책을 얻을 수 있게도 할 수 있습니다.[1]

가트너도 스몰데이터의 가능성과 가치를 매우 높게 보고 있으며[3], 앞으로의 인공지능에서 빅데이터만이 아니라 스몰데이터를 통해서 또다른 차원의 AI와 산업 발전을 기대해 볼 수 있겠습니다.

referece

[1]구자룡, 데이터는 양, 기술이 아닌 마인드다 : 빅데이터 시대, 스몰데이터를 주목하자!(2018, 12, 20) <통계의 창>. [2]빅데이터? 이제 '스몰데이터' 시대가 온다!(2016, 09, 01) . URL : https://news.lgdisplay.com/kr/2016/09/small-data/ [3]이보영, "이젠 빅데이터 대신 '스몰 데이터'..."(2021, 11, 15) <애플경제>. URL:https://www.apple-economy.com/news/articleView.html?idxno=68308

• 스타트업을 위한 '스몰 데이터' 뽀개기 (https://platum.kr/archives/172339)