1차 튜터링 보고서 + 역량 평가서

노인 친화 가로 네트워크 진단·최적화 · 14일 자율학습 1차(Day1~6)

1차 튜터링 보고서

노인 친화 가로 네트워크 진단·최적화 연구 — 1차 자율학습(Day1~6 범위) 진행 결과. 김채영(20226217, 건축학부 4학년, 단독 참가).

항목	내용
일시 / 회차	[ ] / [ ]차
주제	학습-추론 차이 이해 + 파이썬 기초 + Colab + 신경망/VLM 직관 + 1단 VLM 코드 정독 (Day1~6)
다룬 내용	· Day1 학습 vs 추론: 가중치 갱신=학습 / 학습된 모델로 답만 내기=추론. 1단 VLM=추론, 2단 GNN=학습으로 구분 · Day2~3 파이썬 기초: 변수·리스트·딕셔너리·함수·반복문(자료형·조건문은 로드맵상 포함, 이번 회차에서는 위 항목 위주로 진행) · Day4 Colab 환경 띄우기 + 신경망 직관(3Blue1Brown 시청) · Day5 VLM 개념: 이미지 인코더 + LLM 결합(멀티모달), Qwen2.5-VL 개요 · Day6 프롬프트·노인 페르소나 실습 + 내 1단 VLM 코드 정독
사용 자료	3Blue1Brown(신경망 영상), Google Colab, 파이썬 기초자료, Qwen2.5-VL(모델 개요), 내 1단 VLM 코드
배운 점	· 학습과 추론의 경계가 명확해짐 → 내 연구 표현 교정: VLM 단계는 "진단(추론)", 자기지도 "학습"은 2단 GNN에만 붙여야 함을 이해 · 파이썬의 딕셔너리 구조가 VLM의 구조화 JSON 출력(위험점수·위험요인·근거·신뢰도)과 직결됨을 체감 · VLM이 "사전학습 모델 + 프롬프트"로 동작 → 노인 페르소나(독립보행/보조필요/의존) 설계가 곧 진단 품질임을 인식
막힌 점	· 함수 인자/반환값 흐름이 처음엔 헷갈림 · VLM "추론"과 GNN "학습"의 용어를 발표에서 섞어 쓸 위험 — 표현 규율이 더 필요 · 1단 코드 정독 시 일부 라이브러리 흐름(양자화·프롬프트 주입부)이 한 번에 와닿지 않음
해결 방법	· 작은 예제를 Colab에서 직접 타이핑하며 입출력 확인(print) · "VLM=추론 / GNN=학습"을 한 줄 규칙으로 적어두고 모든 설명에 적용 · 코드를 블록 단위로 끊어 주석을 직접 달며 정독
다음 회차 계획	Day7~ 진행 예정 · Day7 구조화 출력·신뢰도·임계값(0.8 설정가정)·유사라벨 맛보기 · Day8 그래프 자료구조(노드=교차로·엣지=도로) · Day9 GNN 직관(메시지 패싱; 미관측 횡단보도 채우기) · Day10 PyTorch Geometric 개념 + 작은 그래프 예제(Colab) · Day11 유사라벨 기반 자기지도(고신뢰만 라벨·2단 GNN)

Day1~6 진행
완료

→

학습-추론 구분
파이썬·Colab·VLM 직관

→

Day7~ 그래프·GNN·유사라벨
진행 예정

한계·정직 고지
· 1차 자율학습은 Day1~6 범위까지만 실제 진행. Day7 이후(그래프·GNN·유사라벨·디버깅·통합)는 아직 안 함 = 진행 예정/목표.
· 1단 VLM은 사전학습 모델을 프롬프트로 쓰는 추론이며 학습이 아님. "자기지도/학습"은 2단 GNN에만 해당.
· 보행속도 0.8~1.0 m/s, 신뢰도 임계값 0.8은 측정값이 아닌 설정 가정.
· 1단 VLM 진단은 소수 샘플 PoC로 구조화 JSON 출력 형식만 작동 확인(대규모 정량 검증·정확도 미입증). 단일 샘플 출력 예시(위험점수3·위험요인4·신뢰도0.8)는 형식 예시일 뿐 정확도 근거가 아님.

역량 평가서 (자기평가)

1차 자율학습에서 실제로 한 활동에만 근거. 아직 안 한 영역은 정직하게 '하' + 진행 예정/목표.

항목	현재 수준	근거 (실제 한 활동)	다음 목표
파이썬 기초	중	변수·리스트·딕셔너리·함수·반복문 학습, Colab에서 직접 작성·실행. 단 함수 인자/반환 흐름은 더 다듬는 중	딕셔너리로 VLM 구조화 JSON(위험점수·위험요인·신뢰도)을 다루는 코드 직접 작성
학습-추론 개념	중	가중치 갱신=학습 / 학습된 모델로 답만=추론 구분 이해, 내 연구에서 1단 VLM=추론·2단 GNN=학습으로 정확히 매핑	발표에서 두 용어를 섞지 않고 일관되게 설명·방어
VLM 원리	중	이미지 인코더+LLM(멀티모달) 개념·Qwen2.5-VL 개요 이해, 프롬프트·노인 페르소나 실습, 1단 VLM 코드 정독	구조화 출력·신뢰도·임계값(0.8 설정가정)까지 연결(Day7)
그래프·GNN 개념	하	1차(Day1~6)에서 아직 다루지 않음 = 진행 예정/목표	그래프 자료구조(노드·엣지)·메시지 패싱 직관·PyG 작은 예제(Day8~10), 유사라벨 자기지도(Day11)
디버깅	하	1차(Day1~6)에서 별도로 다루지 않음 = 진행 예정/목표 (Colab 실행 중 print로 입출력 확인한 수준에 그침)	에러 메시지 읽기·print/로그·차원/타입 점검·최소재현(Day13)

파이썬·학습추론·VLM
중

→

그래프·GNN·디버깅
하 · 진행 예정

자기평가 원칙
· 모든 '근거'는 1차에서 실제로 한 활동만 기재. 안 한 영역은 '하'로 정직 표기.
· 그래프·GNN·디버깅은 Day7 이후 로드맵에 배정된 목표이며 1차 미진행.
· 발표 가능한 기여는 평가·정직성 프레임워크와 음성·진단 결과이며, 미검증 위험점수는 정비 권고에 직접 쓰지 않는다. 2단 GNN은 '라벨 채우기'가 아니라 추론예산 하 능동감사로 재배치(계획).