기계 학습, 설명

기계 학습, 설명

중요한 이유

이처럼 널리 보급되고 강력한 형태의 인공 지능은 모든 산업을 변화시키고 있습니다. 다음은 기계 학습의 잠재력과 한계, 사용 방법에 대해 알아야 할 사항입니다.

기계 학습은 챗봇과 예측 텍스트, 언어 번역 앱, Netflix에서 제안하는 프로그램, 소셜 미디어 피드가 표시되는 방식 뒤에 있습니다. 이미지를 기반으로 의료 상태를 진단할 수 있는 자율 차량 및 기계에 전력을 공급합니다.

.

오늘날 기업에서 인공 지능 프로그램을 배포할 때 기계 학습을 사용할 가능성이 가장 높기 때문에 용어는 종종 같은 의미로, 때로는 모호하게 사용됩니다. 머신 러닝은 컴퓨터에 명시적으로 프로그래밍하지 않고도 학습할 수 있는 능력을 제공하는 인공 지능의 하위 분야입니다.

,

MIT 슬론(MIT Sloan) 교수는 "지난 5~10년 사이에 머신 러닝은 AI의 대부분의 부분이 수행되는 가장 중요한 방법인 중요한 방법이 되었습니다."라고 말했습니다. 토마스 W. 말론, 집단 지성을 위한 MIT 센터의 창립 이사. "그래서 일부 사람들은 AI와 머신 러닝이라는 용어를 거의 동의어로 사용합니다. 현재 AI의 발전 대부분은 머신 러닝과 관련되어 있습니다."

기계 학습의 편재성이 커짐에 따라 비즈니스의 모든 사람이 기계 학습을 접할 가능성이 높으며 이 분야에 대한 약간의 실무 지식이 필요합니다. 2020년 Deloitte 설문조사 에 따르면 기업의 67%가 기계 학습을 사용하고 있으며 97%가 기계 학습을 사용 중이거나 내년에 사용할 계획입니다.

.

제조에서 소매, 은행, 제과점에 이르기까지 기존 회사에서도 기계 학습을 사용하여 새로운 가치를 창출하거나 효율성을 높이고 있습니다. MIT 컴퓨터 과학 교수인 Aleksander Madry는 "머신 러닝은 모든 산업을 변화시키고 있거나 변화할 것이며 리더는 기본 원칙, 잠재력 및 한계를 이해해야 합니다."라고 MIT 배포 가능한 머신 러닝 센터 소장은 말했습니다.

,

모든 사람이 기술적인 세부 사항을 알아야 하는 것은 아니지만 기술이 무엇을 하고 무엇을 할 수 있고 할 수 없는지 이해해야 한다고 Madry는 덧붙였습니다. 누구도 무슨 일이 일어나고 있는지 모르고 있을 여유가 없다고 생각합니다. 여기에는 기계 학습의 사회적, 사회적, 윤리적 의미를 인식하는 것이 포함됩니다. 이러한 도구에 참여하고 이해하기 시작한 다음 이를 잘 사용할 방법에 대해 생각하는 것이 중요합니다. 우리는 모두의 이익을 위해 이러한 [도구]를 사용해야 합니다.라고 비영리단체 Virtue Foundation의 공동 설립자인 Joan LaRovere 박사( 소아 심장 집중 치료 의사이자 MBA '16)가 말했습니다.

AI는 선한 일을 할 수 있는 잠재력이 매우 많으며 이에 대해 생각할 때 이를 렌즈에 담아둘 필요가 있습니다. 더 나은 세상을 만들기 위해 이것을 어떻게 사용합니까? 머신 러닝이란 무엇입니까?

,

기계 학습은 인공 지능의 하위 분야로, 지능적인 인간 행동을 모방하는 기계의 능력으로 광범위하게 정의됩니다. 인공 지능 시스템은 인간이 문제를 해결하는 방식과 유사한 방식으로 복잡한 작업을 수행하는 데 사용됩니다.

'

CSAIL의 수석 연구 과학자이자 InfoLab 그룹의 책임자인 Boris Katz에 따르면 AI의 목표는 인간과 같은 "지능적인 행동"을 나타내는 컴퓨터 모델을 만드는 것입니다. 이것은 시각적 장면을 인식하고, 자연어로 작성된 텍스트를 이해하거나, 물리적 세계에서 작업을 수행할 수 있는 기계를 의미합니다.

.

머신 러닝은 AI를 사용하는 한 가지 방법입니다. 1950년대 AI의 선구자인 아서 사무엘 (Arthur Samuel )은 이를 "명시적으로 프로그래밍하지 않고도 컴퓨터에 학습 능력을 부여하는 연구 분야"로 정의했습니다.

에 따르면 정의는 사실입니다. 마이키 슐먼, MIT Sloan의 강사이자 금융 및 미국 정보 커뮤니티를 위한 인공 지능을 전문으로 하는 Kensho의 기계 학습 책임자입니다. 그는 컴퓨터를 프로그래밍하는 전통적인 방식인 "소프트웨어 1.0"을 베이킹에 비유했습니다. 레시피에서는 정확한 양의 재료를 요구하고 제빵사에게 정확한 시간 동안 섞으라고 지시합니다. 전통적인 프로그래밍도 마찬가지로 컴퓨터가 따를 수 있는 자세한 지침을 작성해야 합니다.

그러나 어떤 경우에는 다른 사람의 사진을 인식하도록 컴퓨터를 훈련시키는 것과 같이 기계가 따라갈 프로그램을 작성하는 것이 시간이 많이 걸리거나 불가능합니다. 인간은 이 작업을 쉽게 수행할 수 있지만 컴퓨터에게 수행 방법을 알려주기는 어렵습니다. 기계 학습은 컴퓨터가 경험을 통해 스스로 프로그래밍하는 방법을 배우도록 하는 접근 방식을 취합니다.

.

기계 학습은 은행 거래, 사람 사진 또는 빵집 항목과 같은 숫자, 사진 또는 텍스트, 수리 기록, 센서의 시계열 데이터 또는 판매 보고서와 같은 데이터로 시작합니다. 데이터를 수집하여 훈련 데이터로 사용하거나 기계 학습 모델을 훈련할 정보로 준비합니다. 데이터가 많을수록 프로그램이 더 좋습니다.

,

거기에서 프로그래머는 사용할 기계 학습 모델을 선택하고 데이터를 제공하며 컴퓨터 모델이 패턴을 찾거나 예측을 하도록 스스로 학습하게 합니다. 시간이 지남에 따라 인간 프로그래머는 매개변수 변경을 포함하여 모델을 조정하여 보다 정확한 결과를 도출할 수 있습니다. (연구 과학자 Janelle Shane의 웹사이트 AI Weirdness는 알고리즘 이 레시피를 생성하려고 시도하고 초콜릿 치킨 치킨 케이크를 만들 때 발생한 것처럼 기계 학습 알고리즘이 어떻게 학습하고 어떻게 문제를 일으킬 수 있는지에 대한 재미있는 모습입니다.) 학습 데이터에서 일부 데이터를 뽑아 평가 데이터로 사용하는데, 이는 새로운 데이터가 표시될 때 머신 러닝 모델이 얼마나 정확한지 테스트합니다. 결과는 미래에 다른 데이터 세트와 함께 사용할 수 있는 모델입니다.

,

Malone은 MIT 교수이자 CSAIL 소장인 Daniela Rus와 MIT 집단 지능 센터의 부소장인 Robert Laubacher가 공동 저술한 AI와 작업의 미래에 대한 최근 연구 보고서에서 성공적인 기계 학습 알고리즘은 다른 일을 할 수 있다고 말했습니다..

.

"머신 러닝 시스템의 기능은 설명 적일 수 있습니다. 즉, 시스템이 데이터를 사용하여 발생한 일을 설명합니다. 예측 , 시스템이 데이터를 사용하여 일어날 일을 예측함을 의미합니다. 또는 규범적 , 즉 시스템이 데이터를 사용하여 취해야 할 조치에 대한 제안을 할 것입니다.라고 연구원은 썼습니다.

기계 학습에는 세 가지 하위 범주가 있습니다.

지도 머신 러닝 모델은 레이블이 지정된 데이터 세트로 훈련되어 모델이 시간이 지남에 따라 더 정확하게 학습하고 성장할 수 있습니다. 예를 들어, 알고리즘은 모두 사람이 라벨을 붙인 개 및 기타 사물의 사진으로 훈련되고 기계는 자체적으로 개 사진을 식별하는 방법을 학습합니다. 지도 머신 러닝은 오늘날 가장 일반적으로 사용되는 유형입니다.

.

비지 도 머신 러닝에서 프로그램은 레이블이 지정되지 않은 데이터에서 패턴을 찾습니다. 비지도 머신 러닝은 사람들이 명시적으로 찾고 있지 않은 패턴이나 추세를 찾을 수 있습니다. 예를 들어, 감독되지 않은 기계 학습 프로그램은 온라인 판매 데이터를 살펴보고 구매를 하는 다양한 유형의 고객을 식별할 수 있습니다.

,

강화 머신 러닝은 시행착오를 통해 기계를 훈련시켜 보상 시스템을 구축하여 최선의 조치를 취하도록 합니다. 강화 학습은 머신이 올바른 결정을 내린 시점을 알려줌으로써 게임을 하도록 모델을 훈련시키거나 자율 차량이 운전하도록 훈련할 수 있으며, 이는 시간이 지나면서 어떤 조치를 취해야 하는지 학습하는 데 도움이 됩니다.

 

Work of the Future 브리프에서 Malone은 머신 러닝이 고객과의 이전 대화 녹음, 기계의 센서 로그 또는 ATM 거래와 같은 수천 또는 수백만 개의 데이터가 있는 상황에 가장 적합하다고 언급했습니다. 예를 들어 Google 번역은 웹에 있는 방대한 양의 정보를 다양한 언어로 "훈련"했기 때문에 가능했습니다.

.

어떤 경우에는 기계 학습이 통찰력을 얻거나 인간이 할 수 없는 경우 의사 결정을 자동화할 수 있다고 Madry는 말했습니다. 그는 "알고리즘이 이 작업을 수행하는 것이 더 효율적이고 비용이 적게 들뿐만 아니라 때로는 인간이 문자 그대로 수행할 수 없는 경우가 있습니다."라고 말했습니다.

,

말론은 구글 검색은 인간이 할 수 있는 일의 한 예이지만 구글 모델이 검색어를 입력할 때마다 잠재적인 답변을 보여줄 수 있는 규모와 속도로는 결코 그렇지 않다고 말했다. “그것은 컴퓨터가 사람들을 직장에서 내보내는 예가 아닙니다. 인간이 해야 한다면 경제적으로 실현 가능하지 않았을 일을 컴퓨터가 수행하는 예입니다. 기계 학습은 또한 여러 다른 인공 지능 하위 분야와 관련이 있습니다.

자연어 처리

자연어 처리는 기계가 컴퓨터를 프로그래밍하는 데 일반적으로 사용되는 데이터와 숫자 대신 인간이 말하고 쓰는 자연어를 이해하는 방법을 배우는 기계 학습 분야입니다. 이를 통해 기계는 언어를 인식하고, 이해하고, 응답할 수 있을 뿐만 아니라 새 텍스트를 만들고 언어 간에 번역할 수 있습니다. 자연어 처리를 통해 챗봇과 같은 친숙한 기술과 Siri 또는 Alexa와 같은 디지털 비서가 가능합니다.

신경망

신경망은 일반적으로 사용되는 기계 학습 알고리즘의 특정 클래스입니다. 인공 신경망은 수천 또는 수백만 개의 처리 노드가 상호 연결되고 계층으로 구성되는 인간의 뇌를 모델로 합니다.

.

인공 신경망에서는 세포 또는 노드가 연결되어 각 세포가 입력을 처리하고 다른 뉴런으로 전송되는 출력을 생성합니다. 레이블이 지정된 데이터는 노드 또는 셀을 통해 이동하며 각 셀은 서로 다른 기능을 수행합니다.

.

사진에 고양이가 포함되어 있는지 여부를 식별하도록 훈련된 신경망에서 다른 노드는 정보를 평가하고 사진에 고양이가 있는지 여부를 나타내는 출력에 도달합니다.

딥러닝

딥 러닝 네트워크는 많은 레이어가 있는 신경망입니다. 계층화된 네트워크는 방대한 양의 데이터를 처리하고 네트워크에 있는 각 링크의 "가중치"를 결정할 수 있습니다. 예를 들어, 이미지 인식 시스템에서 신경망의 일부 계층은 눈, 코, 또는 입, 다른 레이어는 이러한 특징이 얼굴을 나타내는 방식으로 나타나는지 여부를 알 수 있습니다.

.

신경망과 마찬가지로 딥 러닝은 인간의 두뇌가 작동하는 방식을 모델로 하고 자율 차량, 챗봇 및 의료 진단과 같은 많은 기계 학습 사용을 지원합니다.

,

Malone은 "레이어가 많을수록 복잡한 작업을 잘 수행할 수 있는 가능성이 커집니다."라고 말했습니다.

딥 러닝은 엄청난 컴퓨팅 성능을 필요로 하므로 경제적 및 환경적 지속 가능성에 대한 우려 가 제기됩니다.

기업에서 머신 러닝을 사용하는 방법

기계 학습은 Netflix의 제안 알고리즘이나 Google의 검색 엔진과 같은 일부 기업의 비즈니스 모델의 핵심입니다. 다른 회사들은 머신 러닝이 주요 비즈니스 제안은 아니지만 머신 러닝에 깊이 관여하고 있습니다.

,

다른 사람들은 여전히 ​​유익한 방식으로 기계 학습을 사용하는 방법을 결정하려고 노력하고 있습니다. Shulman은 "제 생각에 머신 러닝에서 가장 어려운 문제 중 하나는 머신 러닝으로 해결할 수 있는 문제를 파악하는 것입니다."라고 말했습니다. 아직 이해의 격차가 있습니다. 2018년 논문에서 디지털 경제에 관한 MIT 이니셔티브의 연구원들은 작업이 기계 학습에 적합한지 여부를 결정하기 위해 21개의 질문으로 구성된 루브릭을 요약했습니다.

.연구원들은 어떤 직업도 기계 학습에 의해 영향을 받지 않을 것이지만 어떤 직업도 기계 학습에 의해 완전히 인수될 가능성은 없다는 것을 발견했습니다. 연구원들은 기계 학습의 성공을 이끌어내는 방법은 작업을 개별 작업으로 재구성하는 것이라고 밝혔습니다. 일부는 기계 학습으로 수행할 수 있고 나머지는 사람이 필요합니다.

기업은 이미 다음과 같은 여러 가지 방법으로 기계 학습을 사용하고 있습니다.

추천 알고리즘. Netflix 및 YouTube 제안 뒤에 있는 추천 엔진 , Facebook 피드에 표시되는 정보, 제품 추천 은 머신 러닝을 기반으로 합니다. Madry는 [알고리즘]은 우리의 선호도를 배우려고 합니다. "그들은 Twitter에서와 같이 Facebook에서 어떤 트윗을 보여주고 싶은지, 어떤 광고를 표시할지, 어떤 게시물이나 우리와 공유하고 싶은 콘텐츠를 좋아하는지 알고 싶어 합니다."

.

이미지 분석 및 물체 감지. 얼굴 인식 알고리즘은 논란의 여지가 있지만 머신 러닝은 사람을 식별하고 구별하는 학습과 같이 다양한 정보에 대한 이미지를 분석할 수 있습니다. 이에 대한 비즈니스 용도는 다양합니다. Shulman은 헤지 펀드가 머신 러닝을 사용하여 주차장의 차량 수를 분석하는 것으로 유명하며, 이는 회사의 실적을 파악하고 좋은 베팅을 하는 데 도움이 된다고 말했습니다.

,

사기 탐지. 기계는 잠재적으로 사기성 신용 카드 거래 , 로그인 시도 또는 스팸 이메일을 식별하기 위해 사람들이 일반적으로 소비하는 방식이나 일반적으로 쇼핑하는 장소와 같은 패턴을 분석할 수 있습니다.

자동 헬프라인 또는 챗봇. 많은 회사에서 고객이나 클라이언트가 사람과 대화하지 않고 기계와 상호 작용하는 온라인 챗봇을 배포하고 있습니다. 이러한 알고리즘은 기계 학습 및 자연어 처리를 사용하며 봇은 과거 대화 기록에서 학습하여 적절한 응답을 제공합니다.

.

자율주행 자동차. 자율주행 자동차의 이면에 있는 기술의 대부분은 머신 러닝, 특히 딥 러닝을 기반으로 합니다.

의료 영상 및 진단. 머신 러닝 프로그램은 의료 이미지 또는 기타 정보를 검사하고 유방 조영술을 기반으로 암 위험을 예측할 수 있는 도구와 같이 질병의 특정 마커를 찾도록 훈련될 수 있습니다.

기계 학습 작동 방식: 약속과 과제

머신 러닝은 근로자를 돕거나 비즈니스에 새로운 가능성을 열어줄 수 있는 기술에 연료를 공급하고 있지만 비즈니스 리더가 머신 러닝과 그 한계에 대해 알아야 할 몇 가지 사항이 있습니다.

설명 가능성

한 가지 우려되는 영역은 일부 전문가가 설명 가능성 또는 기계 학습 모델이 수행하는 작업과 결정 방법에 대해 명확하게 설명하는 능력입니다. Madry는 "모델이 하는 일을 왜 하는지 이해하는 것은 실제로 매우 어려운 질문이며 항상 스스로에게 질문해야 합니다."라고 말했습니다. "당신은 이것을 블랙박스로 취급해서는 안 됩니다. 그것은 단지 신탁으로 오는 것입니다... 예, 당신은 그것을 사용해야 합니다. 그러나 그다음에 그것이 만들어낸 경험적 규칙이 무엇인지 느낌을 얻으려고 노력해야 합니까? 그런 다음 확인하십시오. 이는 시스템이 속아 손상될 수 있거나 특정 작업에 실패할 수 있기 때문에 특히 중요합니다. 인간도 쉽게 수행할 수 있습니다. 예를 들어, 이미지의 메타데이터를 조정하면 컴퓨터가 혼동될 수 있습니다. 몇 가지 조정만 하면 기계 가 개의 사진을 타조로 식별합니다.

,

Madry는 X선을 검사하는 기계 학습 알고리즘이 의사를 능가하는 또 다른 예를 지적했습니다. 그러나 알고리즘이 반드시 이미지 자체가 아니라 이미지를 가져온 기계와 결과를 연관시키는 것으로 밝혀졌습니다. 결핵은 오래된 기계를 사용하는 경향이 있는 개발도상국에서 더 흔합니다. 기계 학습 프로그램은 엑스레이를 구형 기계로 촬영하면 환자가 결핵에 걸릴 가능성이 더 높다는 것을 배웠습니다. 작업을 완료했지만 프로그래머가 의도했거나 유용하다고 생각하는 방식이 아닙니다.

'

Shulman은 모델이 어떻게 작동하는지 설명하는 것의 중요성과 정확성은 모델이 어떻게 사용되는지에 따라 달라질 수 있다고 말했습니다. 그는 대부분의 잘 제기된 문제는 기계 학습을 통해 해결할 수 있지만 사람들은 모델이 인간 정확도의 약 95%만 수행한다고 가정해야 한다고 말했습니다. 영화를 추천하는 알고리즘이 95% 정확하다면 프로그래머와 시청자 모두는 괜찮을지 모르지만, 그 정확도 수준은 자율주행차나 기계의 심각한 결함을 찾기 위해 설계된 프로그램에는 충분하지 않습니다.

편견과 의도하지 않은 결과

기계는 인간에 의해 훈련되며 인간의 편향은 알고리즘에 통합될 수 있습니다. 편향된 정보 또는 기존 불평등을 반영하는 데이터가 기계 학습 프로그램에 제공되면 프로그램은 이를 복제하고 차별 형태를 영속시키는 방법을 학습합니다. 예를 들어 트위터에서 사람들이 대화하는 방식에 대해 훈련된 챗봇 은 공격적이고 인종 차별적인 언어를 선택할 수 있습니다.

.

어떤 경우에는 기계 학습 모델이 사회 문제를 일으키거나 악화시킵니다. 예를 들어, Facebook은 사용자의 관심과 참여를 유도하는 광고와 콘텐츠를 보여주는 도구로 기계 학습을 사용했습니다. 이로 인해 사람들이 선동적이고 당파적일 때 음모론의 확산과 양극화로 이어지는 극단적인 콘텐츠를 보여주는 모델 이 탄생했습니다. , 또는 부정확한 콘텐츠.

교육 데이터를 신중하게 검토하고 조직 이 인간 중심 AI를 수용하도록 하는 것과 같은 윤리적 인공 지능 노력 뒤에 조직 지원을 포함하는 기계 학습의 편견에 맞서 싸우는 방법 AI 시스템을 설계합니다. 이 문제에 대한 이니셔티브에는 Algorithmic Justice League와 The Moral Machine 프로젝트가 포함됩니다.

머신 러닝 활용하기

Shulman은 경영진이 기계 학습이 실제로 회사에 가치를 더할 수 있는 부분을 이해하는 데 어려움을 겪는 경향이 있다고 말했습니다. 한 회사의 기믹은 다른 회사의 핵심이며, 기업은 트렌드를 피하고 자신에게 적합한 비즈니스 사용 사례를 찾아야 합니다.

.

Amazon에서 기계 학습이 작동하는 방식은 자동차 회사에서 번역되지 않을 것이라고 Shulman은 말했습니다. Amazon은 음성 비서 및 음성 작동 스피커로 성공을 거두었지만 자동차 회사가 자동차에 스피커를 추가하는 것을 우선시해야 한다는 의미는 아닙니다. 그는 자동차 회사가 공장 라인에서 기계 학습을 사용하여 많은 돈을 절약하거나 벌 수 있는 방법을 찾을 가능성이 더 높다고 말했습니다.

'

Shulman은 "이 분야는 매우 빠르게 움직이고 있고 그것은 굉장하지만 경영진이 이에 대해 결정을 내리고 여기에 투입할 리소스의 양을 결정하는 것을 어렵게 만듭니다."라고 말했습니다.

.

Shulman은 또한 기계 학습을 문제를 찾는 설루션으로 보지 않는 것이 가장 좋습니다. 일부 회사는 기계 학습을 비즈니스 용도로 백포팅하려고 할 수 있습니다. 기업은 기술에 초점을 맞추는 대신 기계 학습으로 충족될 수 있는 비즈니스 문제 또는 고객 요구에 초점을 맞춰 시작해야 합니다.

,

LaRovere는 기계 학습에 대한 기본적인 이해가 중요하지만 올바른 기계 학습 사용을 찾는 것은 궁극적으로 서로 다른 전문 지식을 가진 사람들이 함께 작업하는 데 달려 있다고 말했습니다. 저는 데이터 과학자가 아닙니다. 저는 실제 데이터 엔지니어링 작업(머신 러닝 애플리케이션을 활성화하기 위한 모든 데이터 수집, 처리 및 랭글 링)을 하고 있지는 않지만 필요한 답변을 얻고 영향을 미치기 위해 해당 팀과 협력할 수 있을 만큼 충분히 이해합니다. 필요하다"라고 말했다. "정말 팀에서 일해야 합니다."