MIT 슬론 비즈니스 스쿨 사이트에서 읽어볼 수 있는 좋은 글이 있어 소개하려고 한다.
머신러닝이란 무엇인가?
머신러닝은 인공지능의 하위 분야로, 기계가 지능적인 인간의 행동을 모방하는 능력을 넓게 정의한 것입니다. 인공지능은 인간처럼 문제를 해결하는 방식으로 복잡한 작업을 수행하는 데 사용됩니다. 머신러닝의 목표는 명시적으로 프로그래밍되지 않아도 컴퓨터가 학습할 수 있게 하는 것입니다.
머신러닝은 데이터로 시작하여, 이 데이터를 학습 데이터로 사용하여 기계 학습 모델이 교육받게 됩니다. 프로그래머는 머신러닝 모델을 선택하고, 데이터를 제공하며, 컴퓨터 모델이 자체적으로 패턴을 찾거나 예측을 학습하도록 합니다.
머신러닝의 세 가지 하위 카테고리는 다음과 같습니다:
- 지도 학습은 라벨이 붙은 데이터 세트로 교육되며, 시간이 지남에 따라 정확도를 높입니다.
- 비지도 학습에서는 프로그램이 라벨이 없는 데이터에서 패턴을 찾습니다.
- 강화 학습은 보상 시스템을 설립하여 기계를 시행착오를 통해 최선의 행동을 취하도록 교육합니다.
또한, 머신러닝은 여러 인공지능 하위 분야와 관련이 있습니다:
- 자연어 처리는 기계가 데이터와 숫자 대신 인간이 사용하는 자연 언어를 이해하도록 학습하는 머신러닝 분야입니다.
- 신경망은 머신러닝 알고리즘의 특정 클래스로, 인공 신경망은 인간의 뇌를 모델로 합니다.
- 딥러닝 네트워크는 많은 계층을 가진 신경망입니다. 계층화된 네트워크는 대량의 데이터를 처리하고 네트워크 내의 각 링크의 "가중치"를 결정할 수 있습니다.
따라서, 머신러닝은 인공지능의 중요한 부분이며, 데이터를 학습하여 여러 작업을 수행하는 데 중요한 역할을 합니다.
기업은 머신러닝을 어떻게 사용하고 있는가?
머신러닝은 Netflix의 추천 알고리즘이나 Google의 검색 엔진처럼 일부 회사의 핵심 사업 모델의 중심입니다. 다른 회사들은 머신러닝을 깊게 활용하고 있지만, 그것이 그들의 주요 사업 제안은 아닙니다. 아직 머신러닝을 어떻게 유익하게 사용할 것인지 결정하려고 시도하는 회사도 있습니다.
MIT 디지털 경제에 대한 이니셔티브의 2018년 논문에서 연구자들은 어떤 작업이 머신러닝에 적합한지 결정하기 위한 21개의 질문 척도를 개발했습니다. 그들은 머신러닝이 미치는 영향을 받지 않는 직업은 없을 것이라고 발견했지만, 완전히 그것에 의해 장악될 직업도 있을 것 같지 않다고 합니다. 머신러닝의 성공을 펼치는 방법은 일부는 머신러닝으로 수행할 수 있고 다른 일부는 인간이 필요로 하는 구체적인 작업으로 직업을 재구성하는 것이었습니다.
기업들은 이미 다음과 같은 여러 방법으로 머신러닝을 사용하고 있습니다:
- 추천 알고리즘: Netflix와 YouTube의 추천, Facebook 피드의 정보, 제품 추천은 머신러닝에 의해 추진됩니다.
- 이미지 분석 및 객체 검출: 머신러닝은 사람들을 식별하고 구분하는 것처럼 다양한 정보에 대한 이미지를 분석할 수 있습니다.
- 사기 탐지: 기계는 누군가가 어떻게 보통 지출하는지 또는 어디에서 주로 쇼핑하는지와 같은 패턴을 분석하여 잠재적으로 사기성 있는 신용카드 거래나 로그인 시도, 스팸 이메일을 식별할 수 있습니다.
- 자동 헬프라인 또는 챗봇: 많은 회사들이 온라인 챗봇을 배포하고 있습니다.
- 자율주행 자동차: 자율주행 자동차 뒤의 대부분의 기술은 머신러닝, 특히 딥러닝을 기반으로 합니다.
- 의료 영상 및 진단: 머신러닝 프로그램은 의료 영상이나 다른 정보를 검사하고 특정 질병의 표시를 찾도록 교육받을 수 있습니다.
따라서, 머신러닝은 기업들이 다양한 방법으로 활용하는 중요한 도구가 되었습니다.
머신러닝은 어떻게 작동하는가? 약속 및 도전과제
머신러닝은 기술을 발전시키고 사업에 새로운 가능성을 제공하지만, 이를 이해하고 한계를 인식해야 합니다.
설명 가능성
- 전문가들은 머신러닝 모델이 어떻게 결정을 내리는지 명확하게 설명할 수 있는 '설명 가능성'을 걱정하고 있습니다. 시스템은 속일 수 있으며, 사람이 쉽게 수행할 수 있는 작업에서도 실패할 수 있습니다.
- 머신러닝 알고리즘의 작동 방식과 그 정확성을 설명하는 것의 중요성은 어떻게 사용되는지에 따라 다를 수 있습니다.
편향 및 의도하지 않은 결과
- 기계는 사람에 의해 훈련되므로 알고리즘에 인간의 편향이 포함될 수 있습니다.
- 편향된 정보나 기존의 불평등을 반영하는 데이터가 머신러닝 프로그램에 공급되면, 프로그램은 그것을 복제하고 차별의 형태를 계속 유지합니다.
- 머신러닝을 이용한 편향과 싸우는 방법 중 하나는 훈련 데이터를 주의 깊게 검토하고, 윤리적인 인공 지능 노력에 조직의 지원을 배치하는 것입니다.
머신러닝 활용
- 기업가들은 자신의 회사에 어떻게 가치를 더할 수 있는지를 이해하는 데 어려움을 겪는 경우가 많습니다.
- 기술에 중점을 둔 시작 대신에 머신러닝으로 만족시킬 수 있는 사업 문제나 고객의 필요에 중점을 둘 필요가 있습니다.
- 머신러닝에 대한 기본적인 이해는 중요하지만, 올바른 머신러닝 사용을 찾는 것은 다양한 전문 지식을 가진 사람들이 함께 작업함에 달려있습니다.
따라서, 머신러닝의 효과적인 활용을 위해서는 그 작동 방식과 한계를 정확히 이해하고, 팀으로 함께 협업하는 것이 중요합니다.
Machine learning, explained | MIT Sloan
Machine learning is a powerful form of artificial intelligence that is affecting every industry. Here’s what you need to know about its potential and limitations and how it’s being used.
mitsloan.mit.edu
'본업' 카테고리의 다른 글
| Few-shot Learning: 제한된 데이터로도 효과적인 학습이 가능하다! (0) | 2023.09.09 |
|---|---|
| Transformer와 Attention: 딥러닝의 혁신을 주도하는 핵심 기술 (0) | 2023.09.07 |
| Data Architect 시험 준비 - 프롤로그 (0) | 2023.08.09 |
| 지속적인 코딩 공부의 어려움 (0) | 2023.08.08 |
| 머신러닝의 기초 - 이해하고 시작하기 (0) | 2023.07.20 |