![[2018 한-미-중 컨퍼런스] 세션2_ Seismic Shift of the Korean Peninsula](https://i.ytimg.com/vi/HLAcZydE_m8/hqdefault.jpg)
콘텐츠
출처 : Agsandrew / Dreamstime.com
테이크 아웃 :
머신 러닝은 큰 잠재력을 가지고 있지만 유용하게 사용하려면 올바르게 구현해야합니다.
기계 학습은 데이터에서 학습하고 예측할 수있는 특수한 유형의 알고리즘입니다. 다양한 소스에서 더 많은 데이터를 수집함에 따라 머신 러닝은 예측을보다 적절하게 만들 수 있습니다. 그러나주의 깊게 검사해야 할 함정이 있습니다.
머신 러닝이란 무엇입니까?
주제에 너무 깊이 들어가기 전에 실제로 머신 러닝이 무엇인지 아는 것이 매우 중요합니다. 계산을 통한 학습과 제공된 데이터의 패턴을 인식함으로써 학습에 중점을 둔 인공 지능의 한 지점입니다. 이제 많은 정교한 알고리즘의 도움으로 스스로 결정을 내릴 수있는 머신을 만드는 데 사용됩니다.
머신 러닝 알고리즘을 사용하여 머신은 지식을 획득하고, 실세계를 탐색하여 다른 것을 알고, 획득 한 지식 등에 관한 질문을 할 수 있습니다. 이러한 기능을 통해 기계는 생각, 이해 및 마찬가지로 주변 환경에서 배우고 모든 개념의 논리를 찾고 예측하고 그에 따라 예측할 수 있습니다.
머신 러닝 작동 방식
이 개념은 실제로 새로운 것은 아닙니다. 기계 학습은 주어진 데이터 풀에서 학습하고이를 기반으로 예측할 수있는 일련의 알고리즘에 지나지 않습니다. 데이터와 예측의 정확성은 밀접한 관계가 있으므로 더 많은 데이터를 사용하면 더 정확한 예측을 얻을 수 있습니다.
따라서 운영을 관리하기 위해 사전 정의 된 규칙이 필요하지 않습니다. 이 개념은 지속적으로 작동합니다. 더 나은 결과를 얻기 위해 일련의 데이터에 다양한 유형의 정교한 알고리즘을 자동으로 적용합니다. 이 연속적이고 반복적 인주기는 주변 환경을주의 깊게 분석하여 특정 문제에 대한 올바른 솔루션을 예측하고 궁극적으로 올바른 결정을 내리는 데 도움이됩니다.
머신 러닝이 중요한 이유
이에 대한 답은이 개념을 성공시키는 주요 원인 인 몇 가지 요소에 있습니다. 다음과 같은 요소를 살펴 보겠습니다.
무어의 법칙에 따라 계산 기술도 점차 발전하고 있습니다. IBM, NVIDIA 및 다른 회사와 같은 다른 회사는 계산 방법을 개선하기 위해 몇 가지 혁신을 개발하고 있습니다. 이러한 발전은 더 나은 방식으로 데이터를 처리하기위한 계산 기술을 만드는 데 도움이됩니다.
알고리즘에 대한 몇 가지 접근 방식은 단일 데이터 포인트와 프로세스 이해에 따라 블랙 박스라고합니다. 일반적으로, 블랙 박스는 입력 된 입력 및 제공된 출력의 관점에서만 볼 수있는 시스템 또는 알고리즘입니다. 이러한 알고리즘 또는 시스템은 내부 작업이나 그 뒤에있는 논리를 볼 수 없으므로 불투명성 (검정색) 만 제공합니다. 이들은 조직에 기술적, 문화적 문제를 일으키는 것으로 알려져 있습니다.
데이터가 중대한 변화를 겪을 때 블랙 박스 접근 방식이 성능을 저하시키는 경우, 이해 부족으로 인해 시스템이 위험에 노출 될 수 있습니다. 모델이 실패한 이유를 설명하기가 매우 어렵고 조직의 성장을 실질적으로 되돌릴 수 있습니다.
프로그래밍과 관련하여 기술 부채는 단기적으로 구현하기 쉬운 코드가 최상의 전체 솔루션이 아닌 종종 선택되는 경우를 말합니다. 일반적으로 프로그래밍에 대한 접근 방식이 매우 좋지 않으며 나중에 이러한 코드가 더 깊은 문제를 개발할 수 있으므로 부채라고합니다.
이러한 시스템은 본질적으로 자체 최적화되지 않기 때문에 시간이 지남에 따라 기술적 부채를 축적 할 수 있습니다. 기술 부채는 파이프 라인의 정글, 얽힘, 선언되지 않은 고객, 숨겨진 피드백 루프, 사용되지 않는 데이터 종속성 등과 같은 여러 가지 방식으로 표시 될 수 있습니다. 이로 인해 난독 화와 의도하지 않은 결과가 발생할 수 있으며 시스템 성능이 크게 저하 될 수 있습니다. 수학자와 엔지니어를 균형있게 고용하여 이러한 부채를 줄이는 방식으로 알고리즘을 계획함으로써이를 해결할 수 있습니다. (머신 러닝을 구현하는 전문가에 대한 자세한 내용은 데이터 과학자 : 기술 세계의 새로운 록 스타를 참조하십시오.)
인간의 Biases
알고리즘의 선택은 인간에 의해 수행되므로 편향 될 수 있습니다. 이로 인해 부적절한 알고리즘이 선택되는 상황이 발생할 수 있습니다.
예를 들어, 같은 학교를 졸업 한 멤버가 모두 같은 알고리즘을 선택하는 경향이 있습니다. 따라서 팀에 다양한 종류의 알고리즘을 주입하거나 여러 가지 알고리즘을 함께 사용하는 것이 가장 좋습니다.
미래는 무엇입니까?
우리의 세계는 새롭고 진화하는 기술의 도움으로 천천히 변화하고 있습니다. 머신 러닝은 의사 결정 과정에서 충분한 지원을 제공하여 목적지까지 드라이브를 안내하는 데 도움이됩니다. 또한 회사 비용을 줄이는 데 도움이 될뿐만 아니라 모든 설문 조사 및 데이터를 고려하여 비즈니스 품질을 향상시키는 올바른 방법을 보여줍니다. 앞으로 더 나은 솔루션을 제공한다는 유망한 특성을 보여줍니다.
요약
기계 학습은 많은 관심을 모으고 모든 과대 광고에 부응 할 수있는 개념입니다. 매우 혁신적이므로 모든 비즈니스의 모든 워크 플로에서 작업 할 수 있습니다. 이 서비스를 올바른 방식으로 통합하는 모든 조직에는 상당한 이점이 있습니다. 그러나 동전을 제대로 통합하려면 동전의 양면에 대해 알아야합니다.