민감도 또는 진양성률이라고도 하는 리콜은 이진 분류 작업에서 모델이 정확하게 식별한 실제 양성 사례의 비율을 측정하는 데 사용되는 지표입니다.이는 데이터셋의 모든 관련 사례를 탐지하는 모델의 능력을 반영합니다.리콜의 의미는 의료 진단, 사기 탐지 또는 정보 검색 시스템에서 관련 문서를 식별하는 것과 같이 모든 양성 사례를 식별하는 것이 중요한 응용 분야에서 특히 중요합니다.
리콜은 분류 모델의 성능을 평가하는 데 사용되는 주요 지표 중 하나입니다. 특히 긍정적인 사례를 놓치면 심각한 결과를 초래할 수 있는 상황에서 더욱 그렇습니다.부정적 사례 (위음성) 로 잘못 분류된 사례를 포함하여 실제 양성 사례의 총 수 대비 정확하게 예측된 양성 사례 (참양성) 의 비율로 정의됩니다.
리콜은 긍정적인 사례를 놓치면 중대한 결과를 초래할 수 있는 시나리오에서 모델의 효율성에 직접적인 영향을 미치기 때문에 기업에 중요합니다.응용 분야에 따라 리콜이 높으면 손실을 예방하고 고객 만족도를 높이며 의사 결정을 개선할 수 있습니다.
금융 분야에서는 사기 탐지 모델의 높은 리콜을 통해 발견되지 않은 부정 행위의 위험을 최소화하고 재정적 손실로부터 기업을 보호하고 고객 신뢰를 유지할 수 있습니다.
마케팅에서 리콜은 고객 세분화 및 타겟팅에서 중요하며, 이를 통해 특정 캠페인과 관련된 모든 고객을 식별할 수 있습니다.이를 통해 마케팅 활동의 효과를 극대화하고 투자 수익률 (ROI) 을 개선할 수 있습니다.
고객 관계 관리 (CRM) 에서 리콜은 기업이 잠재적 이탈자를 모두 식별하여 사전 예방적 유지 전략을 수립하는 데 도움이 됩니다.이를 통해 고객 이탈이 줄어들고 장기 수익이 증가합니다.
재현율은 중요한 지표이긴 하지만 모델이 긍정적인 요소에 민감하고 잘못된 경보가 발생하기 쉽지 않도록 정확도 (모든 사례 중 양성으로 식별된 사례 중 올바르게 식별된 양성 사례의 비율) 와 균형을 이루는 경우가 많습니다.재현율과 정밀도를 종합한 F1 점수는 일반적으로 이러한 균형을 평가하는 데 사용됩니다.
요약하자면, 리콜의 의미는 데이터 세트의 모든 긍정적인 인스턴스를 정확하게 식별하는 모델의 능력을 측정하는 성능 메트릭을 의미합니다.기업의 경우 의료, 사기 탐지, 고객 유지와 같은 애플리케이션에서 리콜은 매우 중요하며, 긍정적인 사례를 놓치면 비용이 많이 들 수 있으므로 모델 평가 및 의사 결정의 핵심 요소가 됩니다.
Sapien의 데이터 라벨링 및 데이터 수집 서비스가 음성-텍스트 AI 모델을 어떻게 발전시킬 수 있는지 알아보려면 당사 팀과 상담을 예약하세요.