소량 실험 데이터 → 다음 실험 결정
실험 수십 건으로
무엇이 중요한지, 다음에 뭘 할지
정직하게 계산합니다.
엑셀 실험표를 붙여넣으면 변수별 기여도·다음 실험 후보·예측 신뢰도를 자동으로 냅니다. 데이터가 부족하면 부족하다고 정직하게 표기합니다.
무엇을 하나
소량 실험 데이터로 무엇이 중요한지와 다음 실험을 정하는 의사결정 보조 도구.
작동 방식
① TabPFN — 작은 실험표를 보고 결과를 예측하는 AI 모델
보통의 AI(머신러닝)는 데이터가 수백~수천 건 있어야 학습됩니다. TabPFN은 수십 건짜리 작은 표에서도 잘 맞히도록 미리 학습돼 있어, 여러분 데이터로 따로 학습시킬 필요 없이 붙여넣으면 즉시 예측합니다. 2025년 국제 학술지 Nature에 실린, 소량 데이터 예측의 최신 표준 모델입니다. 여기선 "이 조건이면 결과가 얼마일지"와 "그 예측이 얼마나 불확실한지"를 계산합니다.
② AI Scientist 에이전트 — 연구원의 판단을 대신하는 AI 도우미들
숫자 예측만으론 부족합니다. "다음엔 뭘 측정할까 · 이 결론이 말이 되나 · 정리해서 보고" 같은 연구원의 판단을, 역할이 다른 여러 AI 도우미(에이전트)가 나눠 맡습니다. 2024년 Sakana AI의 'AI Scientist'(아이디어 제안부터 논문 작성까지 자동화)로 널리 알려진 방식을, 이 도구에 맞게 구현했습니다.
③ 가설 세우기 → 검증 → 반증 (자동 루프)
에이전트는 한 번 답하고 끝나지 않습니다. 데이터에서 가설을 스스로 세우고(예: "온도와 함량이 함께 작용한다", "고함량 구간에선 지배 변수가 바뀐다", "이 변수는 임계점이 있다"), 검증한 뒤 일부러 반증을 시도해 우연·착각을 걸러냅니다. 통과한 것만 확증, 애매하면 경계, 떨어지면 기각으로 정직하게 표시하고 새 발견이 없을 때까지 반복합니다(자율 탐사). "이 변수를 더 재면 정확도가 오른다"는 제안도 같은 방식으로 검증해 다음 실험으로 제시합니다.
왜 이렇게 — TabPFN이 정확한 숫자를, 에이전트가 그 숫자의 해석·가설·다음 행동을 맡아, 적은 실험으로도 "다음 실험"을 정하는 하나의 자동 흐름이 됩니다.
쓰인 핵심 기법: TabPFN 예측 · LOO 교차검증(신뢰도) · SHAP/순열(기여도) · 베이지안 최적화/정보가치(다음 실험) · 순열·부트스트랩(가설 반증).
결과로 무엇을 주나
- 변수 기여도 — 어떤 입력(예: 온도·함량)이 결과를 얼마나 좌우했는지 %로. 즉 "무엇이 중요한가"
- 예측 신뢰도 — 이 예측을 얼마나 믿어도 되는지. 데이터가 적으면 낮게 표시
- 다음 실험 제안 — 다음에 어떤 조건을 시험하면 가장 가치 있는지
- 추가 측정 권장 — 정확도를 더 올리려면 어떤 변수를 더 재면 좋은지
- 자가 검증 — AI가 스스로 결론의 허점을 점검(과신 차단)
- 자율 탐사 결과 — ③에서 확증/경계/기각으로 분류된 가설들
사용 3단계
- 아래에 엑셀 실험표를 붙여넣기 — 각 행이 실험 하나. 앞 열들은 바꾼 조건(변수), 마지막 열은 목표값. 한글 헤더·단위·결측치 자동 처리. ※ 목표값 = 최적화하려는 측정 결과(단위 포함 그 숫자). 예: 굴곡강도 68.2(MPa) · 수율 92(%) · 수명 1200(h). 이 값을 크게(또는 작게) 만드는 게 목표입니다.
- 분석 클릭 — 수십 초~수 분(데이터 크기에 따라). 진행 상황이 실시간 표시됩니다.
- 결과 읽기 — 위 "결과로 무엇을 주나" 항목들 + 요약 보고서. (입력칸 위 자율 탐사 루프를 켜면 가설→검증→반증을 스스로 반복 · 고급: 안전범위 · 다목표 파레토)
실험 데이터
＋ 고급 옵션 — 안전범위 · 다목표(비용 절충)
정직성 원칙
모르면 모른다고 표기합니다
데이터가 적거나 신호가 약하면 신뢰도를 낮춰 표시하고, 확신의 한계를 함께 보고합니다. 그럴듯한 결론보다 정직한 결론을 우선합니다.
판독 결과
데이터가 말하는 것을, 가감 없이 펼칩니다.