기본 콘텐츠로 건너뛰기

[생성형 AI 모델(Gemini Advanced, Claude 3 Opus, GPT-4o)들에 대한 스프레드시트 데이터 분석 능력 비교]

생성형 AI 모델 (Gemini Advanced, Claude 3 Opus, GPT-4o) 데이터 분석 능력 비교

1930년부터 2014년까지의 월드컵 경기 데이터 (아래 시트) 를 3가지 생성형 AI 모델 (Claude AI, GPT-4o, Gemini Advanced)을 사용하여 분석하고, 그 결과를 비교 분석해보았습니다. 각 모델별로 스프레드시트 데이터를 어떻게 분석하고 시각화하여 월드컵 경기의 추세와 특징을 어떻게 설명을 하고 있는지 비교 평가 해보았습니다.

테스트용 스프레드시트 데이터는 1930년부터 2014년까지 월드컵 경기에 대한 데이터 (개최연도, 개최지, 승리국가, 준우승 국가, 평균 관중 수, 총 경기수, 골 수, 평균 골 수) 입니다.


Google Spreadsheet 데이터 원본 링크

월드컵

연도

개최지

승리국

준우승

평군관중

참가팀

경기수

골 스코어

평균 골수

1930 World Cup Uruguay

1930

Uruguay

Uruguay

Argentina

32,808

13

18

70

3.9

1934 World Cup Italy

1934

Italy

Italy

Czechoslovakia

21,353

16

17

70

4.1

1938 World Cup France

1938

France

Italy

Hungary

20,872

15

18

84

4.7

1950 World Cup Brazil

1950

Brazil

Uruguay

Brazil

47,511

13

22

88

4

1954 World Cup Switzerland

1954

Switzerland

Germany

Hungary

29,562

16

26

140

5.4

1958 World Cup Sweden

1958

Sweden

Brazil

Sweden

23,423

16

35

126

3.6

1962 World Cup Chile

1962

Chile

Brazil

Czechoslovakia

27,912

16

32

89

2.8

1966 World Cup England

1966

England

England

Germany

48,848

16

32

89

2.8

1970 World Cup Mexico

1970

Mexico

Brazil

Italy

50,124

16

32

95

3

1974 World Cup Germany

1974

Germany

Germany

Netherlands

49,099

16

38

97

2.6

1978 World Cup Argentina

1978

Argentina

Argentina

Netherlands

40,679

16

38

102

2.7

1982 World Cup Spain

1982

Spain

Italy

Germany

40,572

24

52

146

2.8

1986 World Cup Mexico

1986

Mexico

Argentina

Germany

46,039

24

52

132

2.5

1990 World Cup Italy

1990

Italy

Germany

Argentina

48,389

24

52

115

2.2

1994 World Cup United States

1994

United States

Brazil

Italy

68,991

24

52

141

2.7

1998 World Cup France

1998

France

France

Brazil

43,517

32

64

171

2.7

2002 World Cup Korea & Japan

2002

Korea & Japan

Brazil

Germany

42,269

32

64

161

2.5

2006 World Cup Germany

2006

Germany

Italy

France

52,491

32

64

147

2.3

2010 World Cup South Africa

2010

South Africa

Spain

Netherlands

49,670

32

64

145

2.3

2014 World Cup Brazil

2014

Brazil

Germany

Argentina

53,592

32

64

171

2.7

2018 World Cup Russia

2018

Russia

France

Croatia

47,371

32

64

169

2.6

(** 이 통계는 https://en.wikipedia.org/wiki/FIFA_World_Cup 에서 발췌한 것입니다 **)

각 모델별 질문 “질문: 평균 관중수 추이 분석해주세요. 필요하면 차트도 그려서 설명” 에 대한 각 모델별 분석 결과 요약

  • Claude AI: 표 형태로 데이터를 제시하고, 시대별 특징을 요약하는 텍스트 설명을 제공했습니다. 하지만 시각적인 자료가 없고, 설명이 다소 장황하다는 단점이 있었습니다.
  • GPT-4o: 차트를 통해 연도별 평균 관중 수 변화를 시각적으로 보여주고, 간결한 텍스트 설명을 제공했습니다. 하지만 차트의 시각적인 요소가 부족하고, 1994년 이후 감소 추세에 대한 설명이 없었습니다.
  • Gemini Advanced: Altair 라이브러리를 사용하여 인터랙티브한 시각화를 제공하고, 상세한 텍스트 설명과 함께 상관계수를 제시하여 통계적인 근거를 뒷받침했습니다. 

종합 평가

세 가지 모델 중 Gemini Advanced가 가장 우수한 분석 결과를 제공했습니다. 시각적인 자료와 텍스트 설명의 조화, 구체적인 수치 언급, 분석 결과에 대한 근거 제시 등이 균형 있게 이루어져 사용자가 정보를 쉽게 이해하고 해석할 수 있도록 했습니다. 다만, 

결론


이번 비교 분석을 통해 생성형 AI 모델이 월드컵 경기 데이터와 같은 스포츠 데이터 분석에 유용하게 활용될 수 있음을 확인했습니다. 특히, Gemini Advanced 모델은 뛰어난 분석 능력과 시각화 기능을 바탕으로 데이터에 대한 깊이 있는 이해를 돕는 결과를 제공했습니다.

여기서 한가지 놀라웠던 점은, Gemini Advanced 가 분석한 결과 내용중에는 2002년 한일 월드컵때에 관중수가 1994년 대비 거의 반토막 나고 1998년 보다 다소 감소한 결과에 대해서 다음과 같이 분석 설명을 했다는 사실에 놀라울 따름입니다.

‘다만, 2002년 한일 월드컵에서는 평균 관중 수가 다소 감소하는 모습을 보였는데, 이는 개최국의 지리적 위치나 경기 시간 등이 현지 관중의 참여에 영향을 미쳤을 수 있습니다.”

이 결과로 인하여 모든 스프레드시트 데이터 분석에서 Gemini Advanced 가 가장 우수한 것으로 일반화할 수는 없습니다. 단편적인 월드컵 경기 데이터만으로 평가한 결과임을 참고하여 주시기 바랍니다. 

—---------------------------------------------------------------------------------------

Claude 3 Opus :

질문: 평균 관중수 추이 분석해주세요. 필요하면 차트도 그려서 설명

답변:

평균 관중수 추이를 분석해 보겠습니다. 데이터를 연도순으로 정렬하고, 평균 관중수의 변화를 살펴보면 다음과 같습니다.

이를 그래프로 나타내면 다음과 같습니다:

분석 결과:

  • 1930년대부터 1950년대까지 평균 관중수는 2-3만 명 수준이었습니다.
  • 1950년 브라질 월드컵에서 평균 관중수가 크게 증가한 후, 1960년대부터 1980년대 중반까지 4-5만 명 수준을 유지했습니다.
  • 1994년 미국 월드컵에서 평균 관중수가 약 69,000명으로 크게 증가했지만, 이후 다시 4-5만 명 수준으로 감소했습니다.
  • 2000년대 들어 평균 관중수는 소폭 증가하는 추세를 보이며, 2014년 브라질 월드컵에서는 약 53,600명을 기록했습니다.

전반적으로 평균 관중수는 1950년대 이후 꾸준히 증가해 왔으며, 1994년 미국 월드컵에서 정점을 찍은 후 다소 감소했지만, 최근 다시 증가 추세에 있습니다. 이는 월드컵의 인기와 규모가 지속적으로 성장해 왔음을 보여줍니다. 다만 개최국의 스타디움 규모, 경제 상황, 축구 인기도 등 다양한 요인에 따라 평균 관중수에는 등락이 있었던 것으로 보입니다.

GPT-4o

연도별 월드컵 평균 관중수 추이를 분석한 결과입니다. 아래 차트는 각 대회가 열린 연도에 따른 평균 관중수의 변화를 시각적으로 나타냅니다.

분석 결과 요약:

  • 1930-1960년대: 초기 월드컵 대회에서는 평균 관중수가 비교적 낮았으나, 1950년 브라질 월드컵에서 관중수가 급증한 것을 볼 수 있습니다.
  • 1970-1990년대: 이 시기 동안 평균 관중수는 지속적으로 증가했으며, 특히 1994년 미국 월드컵에서 가장 높은 관중수를 기록했습니다.
  • 2000년대 이후: 최근 월드컵 대회에서도 여전히 높은 관중수를 유지하고 있으며, 2014년 브라질 월드컵과 2010년 남아프리카 공화국 월드컵에서도 많은 관중이 경기를 관람했습니다.

이러한 추이는 월드컵의 인기가 지속적으로 증가하고 있으며, 전 세계적으로 많은 팬들이 경기를 관람하러 온다는 것을 보여줍니다. 추가적으로 궁금한 사항이나 다른 분석이 필요하시면 말씀해 주세요. ​​

—---------------------------------------------------------------------------------

Gemini Advanced (Gemini 1.5 Pro)

월드컵 개최 연도(Year)별 평균 관중 수(Average attendance)의 추이를 분석하고 시각화하여 보여드리겠습니다.

이미지로 표시된 차트



연도별 월드컵 평균 관중 수 추이를 나타내는 그래프를 보면, 대체로 시간이 지남에 따라 평균 관중 수가 증가하는 추세를 보입니다. 특히 1994년 미국 월드컵에서 크게 증가한 이후로 높은 수준을 유지하고 있습니다.

이는 월드컵이 전 세계적으로 인기를 얻으면서 더 많은 사람들이 경기장을 찾게 된 것으로 해석할 수 있습니다. 또한, 경기 수와 참가 팀 수의 증가 또한 평균 관중 수 증가에 영향을 미쳤을 가능성이 있습니다.

다만, 2002년 한일 월드컵에서는 평균 관중 수가 다소 감소하는 모습을 보였는데, 이는 개최국의 지리적 위치나 경기 시간 등이 현지 관중의 참여에 영향을 미쳤을 수 있습니다.

전반적으로 월드컵은 시간이 지남에 따라 더 많은 관중을 끌어모으는 스포츠 행사로 성장해왔으며, 이는 월드컵의 세계적인 인기와 위상을 반영한다고 볼 수 있습니다.

참고로 연도와 평균 관중 수 간의 상관계수는 0.708로, 비교적 강한 양의 상관관계를 나타냅니다. 즉, 연도가 증가함에 따라 평균 관중 수도 증가하는 경향이 통계적으로 유의미하다는 것을 의미합니다.

댓글

이 블로그의 인기 게시물

AI 바이브코딩 운영 가이드 (프롬프트 25종 첨부)

  AX컨설팅 동료용 실무 가이드 AI 바이브코딩 80% 벽 을 넘는 운영 가이드 AI로 웹사이트, 업무 자동화, 데이터 분석, 제안서 보조 도구, 내부 업무 시스템을 만들어보려는 컨설턴트를 위한 문서입니다. 바이브코딩은 “AI에게 코딩을 맡기는 일”이 아니라, AI 개발팀을 운영하는 일 입니다. 빠르게 되는 구간 ◀ 80% 벽 운영으로 넘는 구간 95% 80%까지는 AI가 데려다줍니다. 나머지 15%는 코딩 실력이 아니라 운영 방식 으로 넘습니다. 목차 1. 왜 80%에서 막히는가 2. 자주 나오는 네 가지 증상 3. 반드시 박아둘 검증 원칙 4. 상황별 실전 프롬프트 8종 5. 운영 4원칙 6. 컨설팅 현장 시나리오 7. 현장 체크리스트 18 8. 복사해서 쓰는 프롬프트 9. 최종 정리 01 · 진단 처음엔 날아가는데, 왜 80%에서 멈출까 요즘 AI로 개발을 해보면 처음에는 정말 빠릅니다. 로그인 화면이 금방 만들어지고, 버튼도 생기고, 데이터 입력 폼도 나오고, 간단한 대시보드도 몇 분 만에 완성됩니다. “이제 코딩은 AI가 다 해주는구나.” 그런데 실제 프로젝트에서는 이상한 일이 생깁니다. 처음 70~80%까지는 빠르게 가는데, 그 다음부터 갑자기 진도가 안 나갑니다. 증상 80% 지점에서 벌어지는 일 버튼 하나 고쳤더니 다른 버튼이 망가집니다. 오류를 고쳐달라고 했더니 디자인이 깨집니다. AI는 “수정 완료했습니다”라고 하는데 실행해보면 그대로입니다. 이전에 정한 요구사항을 잊어버립니다. 새 기능을 붙일수록 코드가 점점 복잡해집니다. 결국 처음부터 다시 만드는 것이 더 빠른 상황이 됩니다. 한 줄 결론 80% 벽은 AI의 코딩 실력만의 문제가 아닙니다. 대부분은 검증 없는 지시, 오염된 컨텍스트, 롤백 없는 작업 방식, 모호한 완료 기준 때문에 생깁니다. AI에게 코딩을 맡긴다는 것은 개발자를 없애는 일이 아닙니다. 오히려 우리의 역할이 바뀝니다. 기존 방식 AI 바이브코딩 방식 내가 직접 코드를 작성한다 AI에게 작업을 나누어 맡긴다 개발...

[알아두면 쓸모 있는 구글 문서 팁] 문서 공유시- 사용자 이름 대신에 익명의 동물이 표시 되는 이유와 동물 종류

구글 드라이브에는 다른 유사 서비스에서는 제공하지 않는 구글 만의 유니크한 기능들이 있다 구글 문서를  불특정 다수에게 전체 공개로 공유할 수 있습니다. 불특정인이 구글 문서에 접속한 경우 익명의 동물로 표시됩니다.  ' 웹에 공개' 또는 '링크가 있는 사용자' 공유 설정을 선택하면 인식할 수 없는 이름이나 익명의 동물이 표시될 수 있습니다. 파일에서 인식할 수 없는 이름을 볼 수 있는 몇 가지 이유는 다음과 같습니다. 메일링 리스트와 파일을 공유합니다. Google 계정이 없는 사용자와 파일을 공유하며, 그 사용자가 다른 사용자에게 공유 초대를 전달했습니다. 내 파일을 수정할 수 있는 누군가가 파일을 다른 사용자와 공유했습니다. 다른 사용자가 자신의 Google 계정 이름을 변경했습니다. 공유 설정 페이지에서 해당 사용자 이름 위로 마우스를 이동하여 이메일 주소를 확인하세요. 익명의 동물 다른 사용자에게 개별적으로 보기 또는 수정 권한을 부여하거나 메일링 리스트에 속해 있는 경우에만 사용자 이름이 표시됩니다. 파일 권한을 '링크가 있는 사용자'로 설정하면 파일을 보고 있는 사용자의 이름이 표시되지 않습니다. 대신 다른 사용자가 익명으로 라벨이 지정되어 표시되고 각 익명 사용자는 다양한 익명의 동물로 나열됩니다. 파일 권한을 '링크가 있는 사용자'로 설정했지만 특정 사용자와 파일을 공유하는 경우 파일을 공유한 사용자의 이름이 표시됩니다. 그 외 다른 사용자가 파일을 볼 때는 익명으로 나타납니다. 비공개 파일의 익명 동물 파일 권한을 '링크가 있는 사용자'로 설정한 다음 이를 '특정 사용자'로 변경하면 다음과 같은 경우 여러 익명의 동물이 표시될 수 있습니다. 누군가 파일을 여러 번 여는 경우에는 익명의 동물 목록에서 오래되고 연결이 끊긴 세션을 강제 종료하는 데 조금 시간이 걸릴 수 있습니다. 누군가 온...

[팁] Google Slide 프리젠테이션시 모든 한글폰트가 '굴림체' 로 바뀌는 현상을 해결한 크롬 확장 프로그램 소개

구글 문서도구인 구글 슬라이드를 이용하여 프리젠테이션을 많이 하는 분들을 위한 희소식 현재 구글 슬라이드에서는 슬라이드 편집시 사용한 고유 한글 폰트들은 프리젠테이션 모드로 전환할 경우는 모두 '굴림체' 로 바뀌어 표시가 되는 불편함이 있었습니다. 예). 슬라이드 편집에서 사용한 '궁서체' 한글 폰트는, 프리젠테이션 모드에서는 '굴림체'로 바뀌어 디스플레이됨 예). 슬라이드 편집 모드 - '궁서체' 폰트 사용 프리젠테이션 모드에서 '굴림체' 로 변경됨    따라서, 이러한 현상을 해결하는 크롬 확장 프로그램이 개발 되었습니다.  크롬 확장 프로그램 명 - ShowAsis 입니다. 크 롬 웹스토어 링크 -  https://goo.gl/PVPkZz 이 확장 프로그램을 사용하여 슬라이드 프리젠테이션을 하면, 편집 모드의 폰트 그대로 프리젠테이션시에도 그대로 한글 폰트로 디스플레이 됩니다. 단, 단점은 슬라이드가 애니메이션 슬라이드가 있는 경우는 애니메이션이 동작하지 않습니다. ----------------------- G Suite/Google Apps 전문 블로그 -  charlychoi.blogspot.kr 도서 '기업과 학교를 위한 구글크롬북'

Uber의 Software Factory에서 배울 점: AI 에이전트는 ‘비용’이 아니라 ‘운영 설계’의 문제다

Uber의 Software Factory에서 배울 점: AI 에이전트는 ‘비용’이 아니라 ‘운영 설계’의 문제다 Uber Engineering이 공개한 “Running a Software Factory Efficiently at Uber Scale” 글은 단순한 AI 코딩 도구 소개가 아닙니다. 핵심은 AI 에이전트를 개발 현장에 많이 쓰면서도 비용을 통제하기 위한 운영 구조 입니다. 저는 이 글을 보면서 개인용 AI 오케스트레이션, 특히 제가 정리하고 있는 CPAO(Cost-aware Personal Agentic Orchestration) 와 매우 가까운 문제의식을 느꼈습니다. 규모는 Uber처럼 크지 않더라도, 개인·소규모 조직도 이제 AI를 “가끔 쓰는 도구”가 아니라 “반복 업무를 맡기는 업무팀”으로 운영해야 하는 단계에 들어섰기 때문입니다. 1. Uber가 말하는 AI Software Factory Uber는 AI 도구가 소프트웨어 개발 전 과정에 들어와 있다고 설명합니다. 코드 작성, 코드 리뷰, CI 실패 복구, 버그 분석, 온콜 알림 처리, 유지보수 PR 생성 등 여러 업무가 에이전트 기반으로 움직이고 있습니다. 인상적인 것은 사용량 증가입니다. Uber에 따르면 2026년 2월부터 8월까지 주간 활성 사용자는 7배, 주간 에이전트 요청은 9.4배 증가했습니다. 그런데 총 AI 비용은 4월 이후 비교적 안정화됐다고 합니다. 동일 모델 기준으로 보면 1,000개 요청당 비용은 피크 대비 약 34%, 세션당 비용은 6월 피크 대비 52% 낮아졌다고 합니다. 즉, Uber의 방향은 “AI를 덜 쓰자”가 아닙니다. 오히려 더 많이 쓰되, 낭비되는 턴·요청·토큰을 줄이는 방식 입니다. 2. 핵심은 비용 방정식이다 Uber는 AI 에이전트 비용을 다음과 같은 식으로 분해합니다. 총비용 = 사용자 수 × 세션/사용자 × 턴/세션 × 요청/턴 × 토큰/요청 × 토큰당 가격 이 식이 중요한 이유는 AI 비용을 막연한 “...

Claude Fable 5.1 프롬프트 가이드: 쉽게 쓰는 AI 지시문 작성법

Claude Prompting Guide Claude Fable 5.1 프롬프트 가이드: 쉽게 쓰는 AI 지시문 작성법 Anthropic의 공식 문서는 Claude Fable 5.1을 더 잘 쓰기 위한 프롬프트 작성법을 설명합니다. 개발자용 문서라 조금 어렵지만, 핵심은 간단합니다. AI에게 “무엇을, 어느 정도로, 어떤 방식으로 끝낼지”를 더 분명히 알려주라는 것입니다. 출처: Anthropic Claude Platform Docs 한눈에 보는 핵심 작업 난이도에 맞게 AI의 “생각하는 정도”를 조절한다. 긴 작업에서는 중간 진행 상황을 사용자에게 알려달라고 요청한다. 독립적인 도구 호출은 한 번에 묶어서 처리하게 한다. 대화 기록은 중간에 고치지 말고 계속 뒤에 붙이는 방식이 안전하다. 글이 너무 길거나 딱딱하면 쉬운 문장과 구조를 요청한다. 작업을 시켰다면 끝까지 완료하고 검증하게 한다. 1. “생각하는 정도”를 작업에 맞게 정하라 Claude Fable 5.1에는 작업에 얼마나 많은 추론을 쓸지 정하는 effort 개념이 있습니다. 쉽게 말하면 AI에게 “빨리 대답할지, 더 깊게 생각할지”를 조절하는 장치입니다. 낮은 effort 간단한 요약, 분류, 짧은 답변처럼 빠른 처리가 중요한 작업 중간 effort 품질과 비용의 균형이 필요한 일반 업무 높은 effort 코딩, 분석, 복잡한 문서 작성처럼 실수가 비싼 작업 매우 높은 effort 긴 산출물이나 중요한 의사결정 보조 작업 문서의 조언은 명확합니다. 무조건 가장 높은 설정을 쓰지 말고, 실제 업무에서 품질·속도·비용을 비교해보라는 것입니다. AX 컨설팅 관점에서는 이 부분이 중요합니다. AI도 직원처럼 업무 난이도에 맞는 투입 시간이 필요합니다. 2. 오래 걸...