이제 우리는 컴퓨터 덕분에 우주의 넓이와 아원자 입자의 미세한 복잡성을 계산할 수 있습니다.
컴퓨터는 회로를 통해 빛의 속도로 이동하는 전자 덕분에 계산 및 계산은 물론 논리적 예/아니오 프로세스를 따를 때 인간을 능가합니다.
그러나 과거에 컴퓨터는 인간의 가르침(프로그래밍) 없이는 아무 것도 수행할 수 없었기 때문에 우리는 그것들을 "지능적"이라고 자주 보지 않습니다.
딥 러닝을 포함한 머신 러닝 및 인공 지능, 과학 및 기술 헤드라인에서 유행어가 되었습니다.
기계 학습은 어디에나 있는 것처럼 보이지만 이 단어를 사용하는 많은 사람들은 기계 학습이 무엇인지, 무엇을 하는지, 무엇에 가장 잘 사용되는지를 적절하게 정의하는 데 어려움을 겪을 것입니다.
이 기사는 기계 학습을 명확히 하는 동시에 기술이 왜 그렇게 유익한지 설명하기 위해 기술이 작동하는 방식에 대한 구체적이고 실제적인 예를 제공하려고 합니다.
그런 다음 다양한 기계 학습 방법론을 살펴보고 비즈니스 과제를 해결하는 데 어떻게 사용되고 있는지 알아보겠습니다.
마지막으로 기계 학습의 미래에 대한 몇 가지 빠른 예측을 위해 수정 구슬을 참조합니다.
머신 러닝이란 무엇입니까?
머신 러닝은 컴퓨터가 패턴이 무엇인지 명시적으로 배우지 않고도 데이터에서 패턴을 추론할 수 있도록 하는 컴퓨터 과학의 한 분야입니다.
이러한 결론은 종종 알고리즘을 사용하여 데이터의 통계적 특징을 자동으로 평가하고 다양한 값 간의 관계를 묘사하는 수학적 모델을 개발하는 데 기반을 두고 있습니다.
이것을 컴퓨터가 특정 작업을 수행하기 위해 따라야 할 일련의 규칙을 명시적으로 제공하는 결정론적 시스템을 기반으로 하는 고전적 컴퓨팅과 대조됩니다.
이러한 방식의 컴퓨터 프로그래밍을 규칙 기반 프로그래밍이라고 합니다. 머신 러닝은 자체적으로 이러한 규칙을 추론할 수 있다는 점에서 규칙 기반 프로그래밍과 다르며 성능이 뛰어납니다.
귀하가 대출 신청이 대출에 실패할 것인지 확인하려는 은행 관리자라고 가정해 보겠습니다.
규칙 기반 방식에서는 은행 관리자(또는 기타 전문가)가 컴퓨터에 신청자의 신용 점수가 일정 수준 미만인 경우 신청을 거부해야 한다고 명시적으로 알립니다.
그러나 기계 학습 프로그램은 단순히 고객 신용 등급 및 대출 결과에 대한 이전 데이터를 분석하고 이 임계값을 자체적으로 결정합니다.
머신은 이러한 방식으로 이전 데이터를 학습하고 자체 규칙을 생성합니다. 물론 이것은 기계 학습에 대한 입문서일 뿐입니다. 실제 기계 학습 모델은 기본 임계값보다 훨씬 더 복잡합니다.
그럼에도 불구하고 머신 러닝의 잠재력을 보여주는 훌륭한 사례입니다.
어떻게 기계 배우다?
일을 단순하게 유지하기 위해 기계는 비교 가능한 데이터에서 패턴을 감지하여 "학습"합니다. 데이터를 외부 세계에서 수집하는 정보로 간주하십시오. 기계에 더 많은 데이터가 제공될수록 기계는 "더 똑똑해집니다".
그러나 모든 데이터가 동일한 것은 아닙니다. 당신이 섬에 묻힌 재물을 밝히려는 삶의 목적을 가진 해적이라고 가정해 보십시오. 당신은 상품을 찾기 위해 상당한 양의 지식을 원할 것입니다.
이 지식은 데이터와 마찬가지로 올바른 방향으로 또는 잘못된 방향으로 안내할 수 있습니다.
수집된 정보/데이터가 클수록 모호성이 줄어들고 그 반대의 경우도 마찬가지입니다. 결과적으로 학습을 위해 기계에 제공할 데이터의 종류를 고려하는 것이 중요합니다.
그러나 일단 상당한 양의 데이터가 제공되면 컴퓨터는 예측을 할 수 있습니다. 기계는 과거에서 크게 벗어나지 않는 한 미래를 예측할 수 있습니다.
기계는 과거 데이터를 분석하여 일어날 가능성이 있는 일을 결정함으로써 "학습"합니다.
이전 데이터가 새 데이터와 유사하면 이전 데이터에 대해 말할 수 있는 내용이 새 데이터에 적용될 가능성이 높습니다. 앞을 보기 위해 뒤를 돌아보는 것과 같습니다.
머신 러닝의 유형은 무엇입니까?
기계 학습을 위한 알고리즘은 자주 세 가지 유형으로 분류됩니다(다른 분류 체계도 사용됨).
- 감독 학습
- 감독되지 않은 학습
- 강화 학습
감독 학습
지도 머신 러닝은 머신 러닝 모델에 관심 수량에 대한 명시적 레이블이 있는 데이터 모음이 제공되는 기술을 나타냅니다(이 수량은 종종 응답 또는 목표라고 함).
AI 모델을 훈련하기 위해 semi-supervised learning은 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 혼합하여 사용합니다.
레이블이 지정되지 않은 데이터로 작업하는 경우 데이터 레이블 지정을 수행해야 합니다.
라벨링은 샘플에 라벨을 붙이는 과정입니다. 기계 학습 훈련 모델. 라벨링은 주로 사람이 수행하므로 비용과 시간이 많이 소요될 수 있습니다. 그러나 레이블 지정 프로세스를 자동화하는 기술이 있습니다.
우리가 이전에 논의한 대출 신청 상황은 지도 학습의 훌륭한 예입니다. 우리는 이전 대출 신청자의 신용 등급(및 아마도 소득 수준, 연령 등)에 관한 과거 데이터와 문제의 사람이 대출을 불이행했는지 여부를 알려주는 특정 레이블을 가지고 있었습니다.
회귀 및 분류는 지도 학습 기술의 두 가지 하위 집합입니다.
- 분류 – 알고리즘을 사용하여 데이터를 올바르게 분류합니다. 스팸 필터가 한 가지 예입니다. "스팸"은 주관적인 범주일 수 있습니다. 스팸과 비스팸 커뮤니케이션의 경계가 모호합니다. 스팸 필터 알고리즘은 사용자의 피드백(사람이 스팸으로 표시하는 이메일을 의미)에 따라 지속적으로 개선됩니다.
- 리그레션 – 종속변수와 독립변수의 관계를 이해하는 데 도움이 됩니다. 회귀 모델은 특정 회사의 판매 수익 추정과 같은 여러 데이터 소스를 기반으로 숫자 값을 예측할 수 있습니다. 선형 회귀, 로지스틱 회귀 및 다항식 회귀는 몇 가지 두드러진 회귀 기술입니다.
감독되지 않은 학습
비지도 학습에서는 레이블이 지정되지 않은 데이터가 제공되고 패턴만 찾습니다. 당신이 아마존이라고 가정해 봅시다. 클라이언트 구매 내역을 기반으로 클러스터(유사한 소비자 그룹)를 찾을 수 있습니까?
개인의 선호도에 대한 명확하고 결정적인 데이터는 없지만 이 경우 특정 소비자 집합이 비교 가능한 상품을 구매한다는 사실을 아는 것만으로도 클러스터의 다른 개인이 구매한 것을 기반으로 구매 제안을 할 수 있습니다.
Amazon의 "당신도 관심을 가질 만한 내용" 캐러셀은 유사한 기술로 구동됩니다.
비지도 학습은 그룹화하려는 항목에 따라 클러스터링 또는 연관을 통해 데이터를 그룹화할 수 있습니다.
- 클러스터링 – 비지도 학습은 데이터에서 패턴을 검색하여 이 문제를 극복하려고 시도합니다. 유사한 클러스터 또는 그룹이 있는 경우 알고리즘은 특정 방식으로 분류합니다. 이전 구매 내역을 기반으로 고객을 분류하는 것이 그 예입니다.
- 협회 – 비지도 학습은 다양한 그룹의 기저에 깔린 규칙과 의미를 이해하려고 시도함으로써 이 문제를 해결하려고 시도합니다. 연관 문제의 빈번한 예는 고객 구매 간의 연결을 결정하는 것입니다. 상점은 어떤 상품을 함께 구매했는지 알고 싶어할 수 있으며 이 정보를 사용하여 쉽게 접근할 수 있도록 이러한 상품의 위치를 조정할 수 있습니다.
강화 학습
강화 학습은 기계 학습 모델이 대화형 환경에서 일련의 목표 지향적인 결정을 내리도록 가르치는 기술입니다. 위에서 언급한 게임 사용 사례는 이에 대한 훌륭한 예시입니다.
각각 "좋은" 또는 "나쁜" 움직임이 표시된 수천 개의 이전 체스 게임을 AlphaZero에 입력할 필요가 없습니다. 게임의 규칙과 목표를 가르치고 무작위 행동을 시도하게 하십시오.
프로그램을 목표에 더 가깝게 만드는 활동(예: 확고한 폰 위치 개발)에 긍정적인 강화가 제공됩니다. 행위가 반대 효과를 가질 때(예: 왕을 조기에 이동시키는 경우) 부정적인 강화를 얻습니다.
소프트웨어는 궁극적으로 이 방법을 사용하여 게임을 마스터할 수 있습니다.
강화 학습 복잡하고 엔지니어링하기 어려운 작업을 위해 로봇을 가르치는 로봇 공학에서 널리 사용됩니다. 때때로 교통 흐름을 개선하기 위해 교통 신호와 같은 도로 기반 시설과 함께 활용됩니다.
기계 학습으로 무엇을 할 수 있습니까?
사회와 산업에서 기계 학습의 사용은 인간의 광범위한 노력을 발전시키고 있습니다.
일상 생활에서 기계 학습은 이제 Google의 검색 및 이미지 알고리즘을 제어하므로 필요할 때 필요한 정보와 더 정확하게 일치시킬 수 있습니다.
예를 들어 의학에서 기계 학습은 유전 데이터에 적용되어 의사가 암이 어떻게 퍼지는지 이해하고 예측하는 데 도움이 되며, 이를 통해 보다 효과적인 치료법을 개발할 수 있습니다.
심우주의 데이터는 거대한 전파 망원경을 통해 여기 지구에서 수집되고 있으며 기계 학습으로 분석된 후 블랙홀의 미스터리를 푸는 데 도움이 됩니다.
소매업의 머신 러닝은 구매자와 온라인 구매를 원하는 제품을 연결하고 매장 직원이 오프라인 세상에서 고객에게 제공하는 서비스를 맞춤화하는 데 도움이 됩니다.
기계 학습은 무고한 사람을 다치게 하려는 사람들의 행동을 예측하기 위해 테러 및 극단주의와의 전쟁에서 사용됩니다.
자연어 처리(NLP)는 기계 학습을 통해 컴퓨터가 인간의 언어로 우리와 이해하고 의사 소통할 수 있도록 하는 과정을 말하며, 번역 기술과 우리가 매일 점점 더 많이 사용하는 음성 제어 장치(예: Alexa, Google dot, Siri 및 Google 어시스턴트.
의문의 여지 없이 머신 러닝은 그것이 변혁적 기술임을 입증하고 있습니다.
우리와 함께 일하고 결점 없는 논리와 초인적인 속도로 우리 자신의 독창성과 상상력을 높일 수 있는 로봇은 더 이상 공상 과학 소설의 환상이 아니라 많은 분야에서 현실이 되고 있습니다.
머신 러닝 사용 사례
1. 사이버 보안
네트워크가 더욱 복잡해짐에 따라 사이버 보안 전문가들은 끊임없이 확장되는 보안 위협에 적응하기 위해 끊임없이 노력했습니다.
빠르게 진화하는 악성코드와 해킹 전술에 대응하는 것은 충분히 어려운 일이지만, 사물인터넷(IoT) 기기의 확산은 사이버 보안 환경을 근본적으로 변화시켰습니다.
공격은 언제 어디서나 발생할 수 있습니다.
고맙게도 머신 러닝 알고리즘을 통해 사이버 보안 운영은 이러한 빠른 발전을 따라갈 수 있었습니다.
예측 분석 머신 러닝은 네트워크 내부의 활동을 분석하여 기존 보안 메커니즘의 이상과 약점을 감지하는 동안 공격을 더 빠르게 감지하고 완화할 수 있습니다.
2. 고객 서비스 자동화
증가하는 온라인 고객 연락처를 관리하는 것은 많은 조직에 부담을 줍니다.
그들은 받는 문의량을 처리할 수 있는 고객 서비스 인력이 충분하지 않으며 문제를 아웃소싱하는 전통적인 접근 방식은 연락 센터 오늘날의 많은 고객에게 허용되지 않습니다.
챗봇 및 기타 자동화 시스템은 기계 학습 기술의 발전 덕분에 이제 이러한 요구 사항을 해결할 수 있습니다. 회사는 일상적이고 우선 순위가 낮은 활동을 자동화하여 직원이 더 높은 수준의 고객 지원을 수행할 수 있도록 할 수 있습니다.
비즈니스에서 머신 러닝을 올바르게 사용하면 문제 해결을 간소화하고 소비자를 헌신적인 브랜드 챔피언으로 전환하는 유용한 지원 유형을 제공할 수 있습니다.
3. 통신
오류와 오해를 피하는 것은 모든 유형의 커뮤니케이션에서 중요하지만 오늘날의 비즈니스 커뮤니케이션에서는 더욱 그렇습니다.
간단한 문법 오류, 잘못된 어조 또는 잘못된 번역은 이메일 연락, 고객 평가, 화상 회의, 또는 다양한 형태의 텍스트 기반 문서.
기계 학습 시스템은 Microsoft의 Clippy의 전성기보다 훨씬 더 발전된 커뮤니케이션을 제공합니다.
이러한 머신 러닝 예제는 개인이 자연어 처리, 실시간 언어 번역 및 음성 인식을 사용하여 간단하고 정확하게 의사 소통하는 데 도움이 되었습니다.
많은 사람들이 자동 수정 기능을 싫어하지만 난처한 실수와 부적절한 어조로부터 보호받는 것도 중요하게 생각합니다.
4. 객체 인식
데이터를 수집하고 해석하는 기술은 한동안 존재했지만 컴퓨터 시스템이 보고 있는 것을 이해하도록 가르치는 것은 믿을 수 없을 정도로 어려운 작업임이 입증되었습니다.
기계 학습 애플리케이션으로 인해 점점 더 많은 장치에 객체 인식 기능이 추가되고 있습니다.
예를 들어, 자율주행 자동차는 프로그래머가 참조용으로 사용할 자동차의 정확한 예를 제공하지 않더라도 다른 자동차를 보면 인식합니다.
이 기술은 현재 소매업에서 결제 프로세스의 속도를 높이는 데 사용됩니다. 카메라는 소비자의 장바구니에 있는 제품을 식별하고 소비자가 매장을 떠날 때 자동으로 계정에 청구할 수 있습니다.
5. 디지털 마케팅
오늘날 마케팅의 대부분은 다양한 디지털 플랫폼과 소프트웨어 프로그램을 사용하여 온라인으로 이루어집니다.
기업이 소비자와 구매 행동에 대한 정보를 수집함에 따라 마케팅 팀은 해당 정보를 사용하여 대상 고객에 대한 자세한 그림을 만들고 제품과 서비스를 찾는 경향이 있는 사람들을 찾을 수 있습니다.
머신 러닝 알고리즘은 마케팅 담당자가 모든 데이터를 이해하고 가능성을 엄격하게 분류할 수 있는 중요한 패턴과 속성을 발견하도록 지원합니다.
동일한 기술로 대규모 디지털 마케팅 자동화가 가능합니다. 새로운 잠재 소비자를 동적으로 발견하고 적절한 시간과 장소에서 관련 마케팅 콘텐츠를 제공하도록 광고 시스템을 설정할 수 있습니다.
머신 러닝의 미래
더 많은 기업과 대규모 조직이 특정 문제를 해결하거나 혁신을 촉진하기 위해 이 기술을 사용함에 따라 기계 학습은 확실히 인기를 얻고 있습니다.
이 지속적인 투자는 특히 위에서 언급한 확립되고 재현 가능한 사용 사례 중 일부를 통해 기계 학습이 ROI를 생성하고 있다는 것을 이해하고 있음을 보여줍니다.
결국 기술이 Netflix, Facebook, Amazon, Google Maps 등에 충분히 적합하다면 회사에서 데이터를 최대한 활용하는 데에도 도움이 될 수 있습니다.
새로운 기계 학습 모델이 개발 및 출시되면 산업 전반에 걸쳐 사용될 애플리케이션 수가 증가하는 것을 목격하게 될 것입니다.
이것은 이미 일어나고 있습니다 얼굴 인식, 한때 iPhone의 새로운 기능이었지만 현재는 특히 공공 보안과 관련된 다양한 프로그램 및 응용 프로그램에 구현되고 있습니다.
머신 러닝을 시작하려는 대부분의 조직에서 핵심은 밝은 미래 비전을 살펴보고 기술이 도움이 될 수 있는 실제 비즈니스 과제를 발견하는 것입니다.
결론
탈산업화 시대에 과학자와 전문가들은 인간과 비슷하게 행동하는 컴퓨터를 만들기 위해 노력해 왔습니다.
생각하는 기계는 AI가 인류에 가장 크게 기여한 부분입니다. 이 자주식 기계의 경이로운 등장은 기업 운영 규정을 빠르게 변화시켰습니다.
자율 주행 차량, 자동 보조 장치, 자율 제조 직원 및 스마트 도시는 최근 스마트 기계의 실행 가능성을 보여주었습니다. 머신 러닝 혁명과 머신 러닝의 미래는 오랫동안 우리와 함께할 것입니다.
댓글을 남겨주세요.