콘텐츠
출처 : Agsandrew / Dreamstime.com
테이크 아웃 :
딥 러닝은 비즈니스를 제공 할 것이 많지만 여전히 많은 사람들이이를 채택하는 것을 망설입니다. 여기서 우리는 가장 큰 어려움 중 일부를 살펴 봅니다.
딥 러닝은 기계 학습의 하위 영역으로, 일반적으로 말하면 인간 두뇌와 그 기능에서 영감을 얻은 기술입니다. 1950 년대에 처음 소개 된 머신 러닝은 인공 지능의 기초를 형성하는 수많은 상호 연결된 데이터 노드 인 인공 신경 네트워크라고 알려진 것에 의해 누적 정보를 얻습니다. (기계 학습의 기본 사항은 기계 학습 101을 확인하십시오.)
기계 학습은 본질적으로 컴퓨터 프로그램이 외부 데이터 나 프로그래밍에 의해 프롬프트 될 때 스스로 변경 될 수있게합니다. 본질적으로, 그것은 인간의 상호 작용없이 이것을 달성 할 수 있습니다. 데이터 마이닝과 유사한 기능을 공유하지만 인간이 아닌 기계가 채굴 한 결과를 처리합니다. 그것은 감독과 비지도 학습의 두 가지 주요 범주로 나뉩니다.
감독 머신 러닝에는 레이블이 지정된 교육 데이터를 통해 미리 결정된 작업의 유추가 포함됩니다. 다시 말해, 감독 된 결과는 (인간) 프로그래머가 미리 알고 있지만 결과를 추론하는 시스템은 결과를 "학습"하도록 훈련됩니다. 이와 대조적으로, 감독되지 않은 머신 러닝은 레이블이없는 입력 데이터로부터 추론을 이끌어냅니다. 종종 알려지지 않은 패턴을 탐지하기위한 수단입니다.
딥 러닝은 머신 러닝의 선형 알고리즘과 달리 계층 적 알고리즘을 통해 자체 학습하는 기능이 독특합니다. 딥 러닝 계층은 개발 (또는 "학습")되고 감독 된 논리에 의존하지 않음에 따라 점점 더 복잡하고 추상적입니다. 간단히 말해, 딥 러닝은 고도로 정확하고 자동화 된 기계 학습 형태이며 인공 지능 기술의 최전선에 있습니다.
딥 러닝의 비즈니스 애플리케이션
기계 학습은 이미 여러 산업에서 일반적으로 사용됩니다. 예를 들어 소셜 미디어는이를 사용하여 사용자 타임 라인에서 콘텐츠 피드를 선별합니다. Google Brain은 몇 년 전에 기술이 발전함에 따라 Google의 다양한 서비스에서 딥 러닝을 생산하려는 의도로 설립되었습니다.
예측 분석에 중점을 둔 마케팅 분야는 특히 딥 러닝 혁신에 투자됩니다. 또한 데이터 축적은 기술을 주도하는 요소이므로 이미 풍부하고 다양한 고객 데이터를 보유하고있는 영업 및 고객 지원과 같은 산업은이를지면에서 채택 할 수있는 유일한 위치에 있습니다.
딥 러닝에 대한 초기 적응은 특히 초기 단계에서 기술의 혜택을받는 특정 분야의 양을 결정하는 핵심 요소가 될 수 있습니다. 그럼에도 불구하고, 몇 가지 특정 문제는 많은 기업들이 딥 러닝 기술 투자에 뛰어 들지 못하게합니다.
빅 데이터와 딥 러닝의 V
2001 년 Doug Laney라는 META Group (현재 Gartner)의 분석가는 연구자들이 빅 데이터의 세 가지 주요 과제 인 볼륨, 다양성 및 속도로 인식 한 내용을 설명했습니다. 10 년 반이 지난 후 (대부분 모바일 장치의 확산과 IoT 기술의 증가로 인해) 인터넷 액세스 포인트의 급격한 증가는 이러한 문제를 주요 기술 회사와 소규모 비즈니스의 최전선으로 이끌었습니다. 스타트 업도 마찬가지입니다. 세 가지 v에 대한 자세한 내용은 볼륨 또는 속도가 아닌 다양한 종류의 오늘날의 빅 데이터 챌린지 스템을 참조하십시오.
버그 없음, 스트레스 없음-인생을 파괴하지 않고 인생을 바꾸는 소프트웨어를 만드는 단계별 가이드
아무도 소프트웨어 품질에 신경 쓰지 않으면 프로그래밍 기술을 향상시킬 수 없습니다.
글로벌 데이터 사용량에 대한 최근 통계는 엄청납니다. 연구에 따르면 전 세계 데이터의 약 90 %가 지난 몇 년 동안 만 만들어졌습니다. 한 추정치에 따르면, 전 세계 모바일 트래픽은 2016 년 한 달에 약 7 엑사 바이트에 달했으며 그 수치는 향후 반년 안에 약 7 배 증가 할 것으로 예상됩니다.
볼륨, 다양성 (새로운 미디어가 진화하고 확장함에 따라 데이터 유형의 다양성이 급격히 증가)과 속도 (전자 미디어가 데이터 센터 및 허브로 전송되는 속도)는 또한 비즈니스가 급성장하는 분야에 적응하는 데 중요한 요소입니다 딥 러닝 그리고 니모닉 장치를 확장하기 위해 최근 몇 년 동안 다음과 같은 몇 가지 다른 v- 워드가 빅 데이터 문제점 목록에 추가되었습니다.
- 유효성 : 빅 데이터 시스템에서 입력 데이터 정확도를 측정합니다. 감지되지 않은 잘못된 데이터는 머신 러닝 환경에서 연쇄 반응뿐만 아니라 심각한 문제를 일으킬 수 있습니다.
- 취약점 : 빅 데이터는 규모에 따라 당연히 보안 문제를 불러 일으 킵니다. 머신 러닝으로 구현되는 보안 시스템에는 큰 잠재력이 있지만, 현재의 화신에있는 시스템은 특히 잘못된 경보를 생성하는 경향으로 인해 효율성이 떨어지는 것으로 유명합니다.
- 가치 : 비즈니스 나 다른 장소에서 빅 데이터의 잠재적 가치를 입증하는 것은 여러 가지 이유로 중대한 도전이 될 수 있습니다. 이 목록의 다른 문제를 효과적으로 해결할 수 없다면 사실상 모든 시스템이나 조직에 부정적인 영향을 미칠 수 있습니다.
목록에 추가 된 다른 문맹 점에는 변동성, 진실성, 휘발성 및 시각화가 포함됩니다. 모두 빅 데이터 시스템에 대한 고유 한 과제를 제시합니다. 그리고 기존 목록 (아마도)이 시간이 지남에 따라 점점 줄어들면서 더 추가 될 수 있습니다. 이 용어는 일부 사람들에게 약간의 영향을 줄 것으로 보이지만 미래의 딥 러닝에서 중요한 역할을하는 빅 데이터와 관련된 심각한 문제를 포함합니다.
블랙 박스 딜레마
딥 러닝과 인공 지능의 가장 매력적인 기능 중 하나는 둘 다 인간이 할 수없는 문제를 해결하기위한 것입니다. 그러나이를 허용하는 것과 동일한 현상은 흥미로운 딜레마를 나타내며 이는“블랙 박스”의 형태로 나타납니다.
딥 러닝 과정을 통해 생성 된 신경망은 매우 광범위하고 복잡하여 복잡한 기능은 본질적으로 인간의 관찰에 필수적입니다. 데이터 과학자와 엔지니어는 딥 러닝 시스템에 들어가는 내용에 대해 철저히 이해하고 있지만 어떻게 그들이 완전히 결정되지 않은가에 따라 출력 결정에 더 자주 도달하는지 알 수 있습니다.
마케팅 담당자 나 영업 담당자 (마케팅 또는 판매 대상에 따라)에 중요한 문제는 아니지만 다른 산업에서는 결과를 활용하기 위해 일정량의 프로세스 유효성 검사 및 추론이 필요합니다. 예를 들어, 금융 서비스 회사는 딥 러닝을 사용하여 매우 효율적인 신용 점수 매커니즘을 설정할 수 있습니다. 그러나 신용 점수에는 종종 일종의 구두 또는 서면 설명이 포함되어야합니다. 실제 신용 점수 방정식이 완전히 불투명하고 설명 할 수없는 경우에는 작성하기가 어렵습니다.
이 문제는 특히 건강과 안전의 영역 내에서 다른 많은 분야에도 적용됩니다. 의약품과 교통 수단은 딥 러닝의 주요 방법으로 이익을 얻을 수있을뿐만 아니라 블랙 박스 형태로 심각한 장애에 직면 할 수 있습니다. 기본 알고리즘의 완전한 모호성으로 인해 아무리 유익한 결과가 나오더라도 해당 필드에 모든 결과를 버릴 수 있습니다. 이것은 아마도 가장 논란의 여지가있는 고통의 지점으로 우리를 데려옵니다…
규제
2016 년 봄, 유럽 연합은 일반 데이터 보호 규정 (GDPR)을 통과 시켰습니다.이 규정은 무엇보다도 시민들에게 "상당히 영향을 미치는"기계 학습 시스템에 의해 생성 된 자동 결정에 대한 "설명에 대한 권리"를 부여합니다. 2018 년에 시행 될 예정인이 규정은 뚫을 수없는 블랙 박스를 고려하여 딥 러닝에 투자하는 기술 회사들 사이에서 우려를 불러 일으켜 많은 경우 GDPR에 의해 규정 된 설명을 방해합니다.
GDPR이 제한하고자하는“자동화 된 개별 의사 결정”은 딥 러닝의 필수 기능입니다. 그러나이 기술에 대한 우려는 차별 가능성이 높고 투명성이 너무 낮을 때 불가피하다 (그리고 대부분 유효하다). 미국의 식품의 약국 (Food and Drug Administration)은 이와 같은 과정을 감사 할 수 있도록함으로써 의약품의 테스트 및 마케팅을 유사하게 규제합니다. 메사추세츠에 본사를 둔 바이오 테크놀로지 회사 인 바이오젠 (Biogen)은 FDA 규칙에 따라 해석 할 수없는 딥 러닝 방법을 사용하지 못하는 것으로보고 된 바있다.
딥 러닝 (도덕적, 실용적 및 그 이상)의 의미는 전례가 없으며 솔직히 심오합니다. 파괴적인 잠재력과 불투명 한 논리 및 기능의 조합으로 인해 기술에 많은 우려가 있습니다.기업이 딥 러닝 내에서 상상할 수있는 위협이나 위험을 초과하는 유형 가치의 존재를 입증 할 수 있다면, 다음 단계의 인공 지능의 중요한 단계를 통해 우리를 이끌 수 있습니다.