기계 학습이란 무엇입니까?

다음과 같은 몇 가지 주요 산업의 기계 학습 애플리케이션을 살펴보겠습니다.

제조

기계 학습은 제조 부문에서 예측 유지 관리, 품질 관리 및 혁신적 연구를 지원할 수 있습니다. 기계 학습 기술은 또한 기업이 자산, 공급망 및 인벤토리 관리를 포함한 물류 솔루션을 개선하는 데 도움이 됩니다. 예를 들어 제조 대기업인 3M은 AWS Machine Learning을 사용하여 새로운 사포를 만들어냅니다. 3M 연구원은 기계 학습 알고리즘을 활용하여 모양, 크기, 방향의 사소한 변화가 어떻게 연마력과 지속성을 개선하는지 분석할 수 있습니다. 이러한 제안은 제조 공정을 알려줍니다.

의료 및 생명 과학

웨어러블 센서 및 디바이스의 확산으로 상당한 양의 건강 데이터가 생성되었습니다. 기계 학습 프로그램은 이 정보를 분석하고 의사의 실시간 진단 및 치료를 지원할 수 있습니다. 기계 학습 연구원은 악성 종양을 감지하고 안과 질환을 진단하여 인간의 건강 결과에 중대한 영향을 미치는 솔루션을 개발하고 있습니다. 예를 들어 Cambia Health Solutions는 AWS Machine Learning을 사용하여 임산부 치료를 자동화하고 사용자 지정할 수 있는 의료 스타트업을 지원했습니다.

금융 서비스

금융 기계 학습 프로젝트는 위험 분석 및 규제를 개선합니다. 기계 학습 기술을 통해 투자자는 주식 시장 움직임을 분석하고, 헤지 펀드를 평가하거나, 금융 포트폴리오를 보정하여 새로운 기회를 식별할 수 있습니다. 또한 고위험 대출 고객을 식별하고 사기 징후를 완화하는 데 도움이 될 수 있습니다.  금융 소프트웨어 리더인 Intuit는 AWS Machine Learning 시스템인 Amazon Textract를 사용하여 보다 개인화된 재무 관리를 생성하고 최종 사용자가 재무 상태를 개선할 수 있도록 지원합니다.

소매

소매업은 기계 학습을 사용하여 고객 서비스, 재고 관리, 상향 판매 및 교차 채널 마케팅을 개선할 수 있습니다. 예를 들어 Amazon Fulfillment(AFT)는 기계 학습 모델로 잘못 배치된 재고를 식별하여 인프라 비용을 40% 절감합니다. 이를 통해 연간 수백만 건의 전 세계 배송을 처리함에도 불구하고 고객이 물품을 언제든지 구매할 수 있고 물품이 정시에 도착한다는 Amazon의 약속을 이행할 수 있습니다.

미디어 및 엔터테인먼트

엔터테인먼트 회사는 대상 고객을 더 잘 이해하고 개인화된 몰입형 온디맨드 콘텐츠를 제공하기 위해 기계 학습을 사용합니다. 기계 학습 알고리즘은 예고편 및 기타 광고 디자인을 지원하고 소비자에게 맞춤형 콘텐츠 권장 사항을 제공하고 제작을 간소화하기 위해 배포됩니다. 

예를 들어 Disney는 AWS Deep Learning을 사용하여 미디어 라이브러리를 아카이브하고 있습니다. AWS Machine Learning 도구는 미디어 콘텐츠를 자동으로 태깅, 설명 및 정렬하므로 Disney 작가와 애니메이터가 Disney 캐릭터를 빠르게 검색하고 익힐 수 있습니다.

알고리즘은 예상 출력과 입력 유형에 따라 4가지 고유한 학습 스타일로 분류할 수 있습니다.

1. 지도 기계 학습
2. 비지도 기계 학습
3. 반지도 학습
4. 강화 기계 학습

1. 지도 기계 학습

데이터 사이언티스트는 상관 관계를 평가하기 위해 레이블이 지정되고 정의된 훈련 데이터가 있는 알고리즘을 제공합니다. 샘플 데이터는 알고리즘의 입력과 출력을 모두 지정합니다. 예를 들어, 손으로 쓴 그림의 이미지에는 해당 숫자를 나타내기는 주석이 달려 있습니다. 지도 학습 시스템은 충분한 예가 주어지면 각 숫자와 관련된 픽셀 및 셰이프의 클러스터를 인식할 수 있습니다. 결국 손으로 쓴 숫자를 인식하여 숫자 9와 4 또는 6과 8을 확실하게 구별합니다. 

지도 학습의 장점은 단순성과 설계 용이성입니다. 이는 가능한 제한된 결과 집합을 예측하거나, 데이터를 범주로 나누거나, 다른 두 기계 학습 알고리즘의 결과를 결합할 때 유용합니다. 그러나 레이블이 지정되지 않은 수백만 개의 데이터 집합에 레이블을 지정하는 것은 어렵습니다. 이에 대해 더 자세히 살펴보겠습니다.

데이터 레이블 지정이란 무엇인가요?

데이터 레이블 지정은 입력 데이터를 해당하는 정의된 출력 값으로 분류하는 프로세스입니다. 지도 학습에는 레이블이 지정된 훈련 데이터가 필요합니다. 예를 들어 수백만 개의 사과 및 바나나 이미지에 "사과" 또는 "바나나"라는 단어를 태그로 지정해야 합니다. 그런 다음 기계 학습 애플리케이션은 이 훈련 데이터를 사용하여 과일 이미지가 주어졌을 때 과일 이름을 추측할 수 있습니다. 그러나 수백만 개의 새로운 데이터에 레이블을 지정하는 것은 시간이 많이 걸리고 어려운 태스크가 될 수 있습니다. Amazon Mechanical Turk와 같은 크라우드 워킹 서비스는 지도 학습 알고리즘의 이러한 한계를 어느 정도 극복할 수 있습니다. 이러한 서비스는 전 세계에 분산되어 있는 대규모의 저렴한 노동력 풀에 대한 액세스를 제공하여 데이터 수집을 덜 어렵게 만듭니다.

2. 비지도 기계 학습

비지도 학습 알고리즘은 레이블이 지정되지 않은 데이터에 대해 훈련하며, 입력과 미리 결정된 출력 사이에 의미 있는 연결을 설정하기 위해 새로운 데이터를 검색합니다. 이 알고리즘은 패턴을 발견하고 데이터를 분류할 수 있습니다. 예를 들어 비지도 알고리즘은 다양한 뉴스 사이트의 뉴스 기사를 스포츠, 범죄 등의 일반적인 범주로 그룹화할 수 있습니다. 비지도 알고리즘은 자연어 처리를 사용하여 기사의 의미와 감정을 파악할 수 있습니다. 소매에서 비지도 학습은 고객 구매 패턴을 찾고 다음과 같은 데이터 분석 결과를 제공할 수 있습니다. 고객은 버터도 구매하는 경우 빵을 구매할 가능성이 가장 큽니다.

비지도 학습은 패턴 인식, 이상 감지, 범주로 데이터 자동 그룹화에 유용합니다. 훈련 데이터에 레이블 지정이 필요하지 않으므로 설정이 쉽습니다. 추가 모델링을 위해 자동으로 데이터를 정리하고 처리하는 데 이러한 알고리즘을 사용할 수도 있습니다. 이 방법의 한계는 정확한 예측을 할 수 없다는 것입니다. 또한 특정 유형의 데이터 결과를 독립적으로 골라낼 수 없습니다.

3. 반지도 학습

이름에서 알 수 있듯이 이 방법은 지도 학습과 비지도 학습을 결합합니다. 이 기술은 소량의 레이블이 지정된 데이터와 레이블이 지정되지 않은 대량의 데이터를 사용하여 시스템을 훈련하는 데 의존합니다. 먼저 레이블이 지정된 데이터는 기계 학습 알고리즘을 부분적으로 훈련하는 데 사용됩니다. 그런 다음 부분적으로 훈련된 알고리즘 자체가 레이블이 지정되지 않은 데이터에 레이블을 지정합니다. 이 프로세스를 의사 레이블 지정이라고 합니다. 그런 다음 명시적으로 프로그래밍하지 않고 결과 데이터 조합에 대해 모델을 다시 훈련합니다.

이 방법의 장점은 레이블이 지정된 데이터가 많이 필요하지 않다는 것입니다. 이는 사람이 읽고 레이블을 지정하기에는 너무 많은 시간이 소요되는 긴 문서와 같은 데이터로 작업할 때 편리합니다.

4. 강화 학습

강화 학습은 알고리즘이 거쳐야 하는 여러 단계에 보상 값이 연결된 방법입니다. 따라서 모델의 목표는 가능한 한 많은 보상 포인트를 축적하여 최종 목표에 도달하는 것입니다. 지난 10년 동안 강화 학습이 실제로 적용된 영역은 대부분 비디오 게임이었습니다. 최첨단 강화 학습 알고리즘은 고전 및 현대 비디오 게임에서 인상적인 결과를 얻었으며 실제 경기를 크게 능가하는 경우가 많습니다. 

이 방법은 불확실하고 복잡한 데이터 환경에서 가장 잘 작동하지만 비즈니스 상황에서는 거의 실행되지 않습니다. 잘 정의된 태스크에는 효율적이지 않으며 개발자 편향이 결과에 영향을 줄 수 있습니다. 데이터 사이언티스트가 보상을 설계할 때 강화 학습 알고리즘이 결과에 영향을 미칠 수 있습니다.

결정론적 접근 방식은 정확성과 수집된 데이터의 양에 초점을 맞추므로 효율성이 불확실성보다 우선시됩니다. 반면에 비결정적 또는 확률론적 프로세스는 우연성을 관리하도록 설계되었습니다. 기본 제공 도구는 학습 및 관찰 중 불확실성을 정량화, 식별 및 측정하는 데 도움이 되도록 기계 학습 알고리즘에 통합됩니다.

기계 학습이 할 수 있는 일과 할 수 없는 일을 살펴보겠습니다.

기계 학습 모델의 장점:

• 인간이 놓칠 수 있는 데이터 추세와 패턴을 식별할 수 있습니다.
• 설정 후 사람의 개입 없이 작업할 수 있습니다. 예를 들어 사이버 보안 소프트웨어의 기계 학습은 관리자 입력 없이 네트워크 트래픽의 불규칙성을 지속적으로 모니터링하고 식별할 수 있습니다.
• 결과는 시간이 지남에 따라 더 정확해질 수 있습니다.
• 동적, 대용량 및 복잡한 데이터 환경에서 다양한 데이터 형식을 처리할 수 있습니다.

기계 학습 모델의 단점:

• 초기 훈련은 비용과 시간이 많이 소요되는 과정입니다. 충분한 데이터를 사용할 수 없으면 구현이 어려울 수 있습니다.
• 사내에 하드웨어를 설치하는 경우 막대한 초기 투자가 필요한 컴퓨팅 집약적 프로세스입니다.
• 전문가의 도움 없이 결과를 정확하게 해석하고 불확실성을 없애기 어려울 수 있습니다.