차례:
비디오: 20081215-ë°ì ëê° ì¤ë¹í ì민.AVI (십월 2024)
자연 언어 처리 (NLP)에서 딥 러닝 (deep learning)까지, 머신 러닝 (ML)은 가장 널리 사용되는 비즈니스 기술의 여러 측면에 진입했습니다. ML은 인공 지능 (AI) 혁명의 한 요소 일 뿐이지 만 중요한 요소입니다. ML 알고리즘은 우리가 사용하는 제품에 적용되는 필수 인텔리전스 레이어이며 앞으로 더 많은 사용 사례로 들어올 것입니다.
ML 알고리즘은 우리가 매일 사용하는 많은 기술의 패브릭에 내장되어 있습니다. 컴퓨터 비전, 딥 러닝, NLP 등을 포함한 ML 혁신은 실제 AI에 대한 더 큰 혁명의 일부입니다. 자율 로봇이나 지각있는 존재가 아니라 AI 알고리즘과 빅 데이터를 결합한 앱, 소프트웨어 및 클라우드 서비스에 통합 된 인텔리전스 유형입니다.
이 추세는 사업에서 더욱 두드러집니다. ML은 더 이상 데이터 과학자 팀이 수행하는 전문 연구 프로젝트에만 사용되지 않습니다. 기업은 이제 ML을 사용하여 점점 더 많은 양의 데이터에서 실행 가능한 비즈니스 인텔리전스 (BI) 및 예측 분석을 얻습니다. 따라서 ML이 무엇인지 아는 것뿐만 아니라 ML을 실질적인 가치로 사용하는 방법에 대한 가장 효과적인 전략을 배우는 것이 그 어느 때보 다 중요합니다.
실제적인 정의
ML의 간단한 정의는 시스템에 명시적인 프로그래밍 없이도 행동하고 반복적으로 학습하고 조정할 수있는 기능을 제공합니다. Dunning은 ML이 통계의 분기이지만 매우 실용적인 분기라고 말했습니다. 그는 실제 비즈니스 환경에서 적용 방법에 대해 실용적이고 현실적이어야한다고 강조했습니다. ML의 핵심 작업은 반복 가능하고 안정적이며 실행 가능한 비즈니스 프로세스를 만드는 것입니다.
"기계 학습은 과학적 데이터를 되돌아보고 실행 가능한 결론을 결정하려는 것이 아닙니다."라고 Dunning은 말했습니다. "이것은 미래에 대해 예측할 수있는 것과 다양한 시나리오에서 어떤 일이 일어날 지 묻는 것입니다.이 데이터로 비즈니스를 수행 할 때 복제 가능성을 원하는 매우 제한된 상황에 대해 이야기하고 있습니다."
이미지 크레디트: Futurism.com의 Todd Jaquith. 전체 인포 그래픽을 확장하려면 클릭하십시오.
딥 러닝 vs. 저렴한 학습
기본 아이디어를 ML 내의 여러 다른 분야로 나눌 수 있지만 Dunning은 특히 스펙트럼의 양쪽 끝에서 두 가지를 지적했습니다. 딥 러닝과 "싼 학습". 딥 러닝은 더 복잡한 개념입니다.
"우리는 기계 학습이 더 깊이 들어가기를 원했습니다. 이것이 바로 용어의 원점입니다"라고 Dunning은 말했습니다. "지난 10 년 또는 15 년 동안 실제로 그것을 수행하는 기술이 개발되었습니다. 알고리즘에서 데이터의 관계를 볼 수있게하기 위해 많은 엔지니어링 작업이 필요했습니다. 이 맛좋은 데이터를 판에 알고리즘으로 넘겨 주어야했기 때문에 시스템이 지금하는 모든 기능을 직접 코딩했습니다."
딥 러닝은 신경망 주변의 많은 혁신이있는 곳입니다. 컴퓨터 비전 및 NLP와 같은 정교한 기술을 이미지 및 텍스트 인식과 같은 분야에서 큰 진전을 가져온 "더 깊은"학습 계층으로 결합합니다. 이는 복잡한 모델링에는 유용하지만 훨씬 적은 수의 매개 변수를 사용하여 기존 ML 프레임 워크 및 기술에 의존 할 수있는 더 단순하고 일상적인 비즈니스 용도에는 무리가 있습니다.
Dunning은 저렴한 학습은 기업이 바퀴를 재발 명하기 위해 고가의 자원을 투자 할 필요가없는 간단하고 효과적이며 검증 된 기술을 의미한다고 설명했다.
"컴퓨팅에서 우리는 결이 적은 과일에 대해 많이 이야기합니다. 데이터의 가용성과 계산 능력의 엄청난 증가는 전체 트리를 낮 췄음을 의미합니다." "간단한 기계 학습은 더 이상 데이터 과학자를위한 것이 아닙니다."
저렴한 학습은 어떻게 이루어 집니까?
기본 ML 알고리즘은 상관 관계를 식별하고 권장 사항을 만들거나보다 상황에 맞는 맞춤형 경험을 제공 할 수 있습니다. Dunning은 우리가 컴퓨터와 상호 작용하는 방법의 거의 모든 측면에서 저렴한 학습을 통해 일을 더 잘 수행 할 수있는 기회가 있다고 말했다.
실제로 저렴한 학습의 한 예는 사기 탐지입니다. 은행과 가맹점은 광범위한 사기를 다루지 만 종종 분산되어보고되지 않은 충분히 낮은 가치에 관한 것입니다. Dunning은 저렴한 학습 알고리즘 (이 특정 작업에 대해 프로그래밍 된 기존 ML 테스트)을 사용하여 판매자가 사용자를 위험에 빠뜨리는 일반적인 타협점을보다 쉽게 식별하고 그렇지 않은 사기 패턴을 포착 할 수 있다고 설명했습니다. 명백한.
"어떤 판매자가 사기로 이어지는 데이터를 유출하고있는 것으로 보이는지 확인하십시오. G 2 테스트를 사용하여 사기가없는 소비자와 사기가없는 소비자의 거래 내역에서 어느 판매자가 과장되어 있는지 간단히 찾을 수 있습니다." 말했다. "이것은 기계 학습이라고하기에는 너무 단순 해 보이지만 실제로는 나쁜 놈을 발견합니다.이 기술의 확장을 사용하면 간단한 학습 알고리즘이 실패 할 경우 성공할 수있는 좀 더 고급 기술을 강화할 수 있습니다."
저렴한 학습은 모든 종류의 다른 방식으로 사용될 수 있으므로 Dunning은 온라인 비즈니스가이를 어떻게 활용할 수 있는지에 대한 또 다른 예를 제시했습니다. 이 사례에서 그는 기존 ML 알고리즘이 간단한 댓글 순위 문제를 어떻게 해결할 수 있는지 설명했습니다.
"당신은 그것에 대해 많은 의견을 가진 기사를 제공하십시오. 어떤 순서로 배치해야합니까? 사람들이 얼마나 흥미를 느끼는가에 따라 의견을 주문하는 방법은 무엇입니까? 사람들이 의견을 읽는 횟수와 방법을 셀 수 있습니다. 그들은 여러 차례 그것을 찬성했지만 여전히 약간의 마법이 필요하다”고 말했다.
"한 독자의 의견 하나는 10 명의 독자 중 8 명보다 우수하지 않을 것"이라고 설명했다. "심지어, 초기 승자를 최우선으로한다면 다른 의견은 결코 빛을 보지 못하므로 결코 알지 못합니다. Thompson 샘플링이라는 작은 기계 학습은 새로운 의견에 대한 데이터를 수집하는 방식으로이 문제를 해결할 수 있습니다. 순위가 불확실하지만 일반적으로 사용자에게 최상의 경험을 제공하는 방식으로 순위를 정합니다."
Dunning은 또한 비즈니스에서 ML을 최대한 활용하는 방법에 대한 모범 사례를 제시했습니다. 물류, 데이터 및 다양한 알고리즘과 도구가 성공적인 비즈니스 전략에 어떻게 영향을 미치는지에 대한 자세한 내용은 7 가지 머신 러닝 성공 팁 스토리를 확인하십시오.
2018 년 이후: ML이 지금있는 곳
아마도 이것은 놀랄 일이 아니지만 빅 데이터 및 관련 데이터베이스 공간이 가장 빠르게 증가하고 있습니다. 기술 분석 회사 Wikibon Research의 최고 연구원 인 Peter Burris는 산호세에서 열린 BigData SV 2018 컨퍼런스에서 전 세계 빅 데이터 산업의 매출이 2017 년 350 억 달러에서 2018 년 420 억 달러로 증가 할 것으로 예상되는 결과를 발표했습니다. 또한 Burris는 2027 년까지 매출이 1, 010 억 달러에이를 것으로 예상하고 있습니다.
이 모든 데이터를 효과적으로 처리하려면 스마트 ML 솔루션이 현재보다 훨씬 더 필요할 것입니다. ML이 가까운 미래에 계속해서 화제가 될 것임이 분명합니다. 1 년 전에 MapR의 Dunning과 마지막으로 이야기했을 때, 그는 비즈니스를위한 ML에 대한 계산적이고 현실적인 접근을 강조했습니다. 그러나 1 년은 기술에 관해 이야기 할 때 오랜 시간입니다. 우리는 최근 Dunning을 따라 잡았으며, 그에 따르면, 마지막 대화 이후에도 거의 동일하게 유지되었습니다. 더닝은 "그 정도 높은 수준에서는 많은 변화가 없었다"고 말했다. "증거에 의한 추론의 기본 아이디어는 확실히 지난해 뉴스가 아니지만 일부 툴링이 변경되었습니다."
이를 염두에두고 Dunning은 1 년 전보다 필드에 선수가 더 많지만 그 사실이 반드시 좋은 것은 아니라고 말했다. "일어났던 일은 '매직'머신 러닝에 대해 이야기하는 불쾌한 말을하려는 점점 더 많은 벤더가 등장한 것입니다. "데이터를 제품에 던져 넣고 그로부터 아름다운 통찰을 얻을 수 있다는 오해가 있습니다."
- 머신 러닝이 미래인 이유 머신 러닝이 미래인 이유
- Comet.ml은 기계 학습과의 상호 작용 방식을 바꾸고 싶어합니다 Comet.ml은 기계 학습과의 상호 작용 방식을 바꾸고 싶어합니다
- SQL로 기계 학습을 단순화하는 Google SQL로 기계 학습을 단순화하는 Google
Dunning에 따르면 ML의 놀라운 결과를 기대하는 것은 "압도적"일 수 있습니다. "여전히 실제로 어떤 문제가 중요한지 생각해야합니다. 여전히 데이터를 수집해야하며 시스템 배포를 관리해야합니다." "이러한 실용적이고 물류적인 현실은 여전히 문제를 지배하고 있습니다."
독촉은 일부 소프트웨어 회사가 제공하는 많은 마케팅에서 문제를 일으 킵니다. "마법의 인공 지능 종류 중 어느 것도이를 해결하지 못한다"고 그는 말했다. 그는 사업체가 고려해야 할 조언이 있습니다. 그에 따르면 모범 사례를 보장하는 한 가지 방법은 특정 AI 비즈니스 분석가를 고용하여 회사의 누군가가 ML 기술을 사용하여 개선 할 수있는 비즈니스 측면을 식별하도록 할 수 있습니다.
"어떤 경우에는 비즈니스 기회를 새로운 기회로 확장 할 수 있습니다."라고 Dunning은 설명했습니다. 그러나 대부분의 경우, 조직의 요구를 이해하고 ML 정보를 안내하기 위해 해당 정보를 사용하도록 누군가를 고용하는 것이 중요하다고 강조했습니다.
