기계 학습(ML) 이란?

1. 개요

기계 학습(ML, Machine Learning)은 컴퓨터 시스템이 패턴과 추론에 의존하여 명시적 지시 없이 태스크를 수행하는 데 사용하는 알고리즘과 통계 모델을 개발하는 과학입니다. 컴퓨터 시스템은 기계 학습 알고리즘을 사용하여 대량의 기록 데이터를 처리하고 데이터 패턴을 식별합니다. 이를 통해 지정된 입력 데이터 집합에서 더 정확하게 결과를 예측할 수 있습니다. 기계 학습(ML)은 인공지능(AI, Artificial Intelligence)을 만들어 가는데 기본 알고리즘이며, 사용자가 요구되는 목적을 달성하는 프로그램을 완성할 수 있습니다. 예를 들어, 데이터 사이언티스트는 수백만 개의 스캔 이미지(학습하기 위해서 데이터 라벨링된 입력자료)와 해당 진단(알고리즘)을 저장하여 X선 이미지로 암을 진단하도록 의료 애플리케이션을 훈련할 수 있습니다.

 

2. 기계 학습이 왜 중요한가요?

기계 학습은 인간의 생활과 산업의 성장을 이끌어 가며, 새로운 비즈니스와 수익원을 만들어 내고, 어려운 문제를 해결함으로써 인간의 활동을 돕습니다. 데이터는 기업의 의사 결정의 핵심 요소이지만 과거에 기업은 고객 의견, 직원 및 재무상태와 같은 다양한 원천의 데이터를 사용했습니다. 기계 학습 연구는 이 기업의 할동 프로세스를 자동화하고 최적화합니다. 그러므로 기업은 매우 많은 양의 데이터를 고속으로 분석하는 소프트웨어를 사용하여 더 빠르고 의사 결정에 필요한 정확하게 유용한 정보를 얻을 수 있습니다.

 

3. 기계 학습은 어디에 사용되나요?

다음과 같은 몇 가지 주요 산업의 기계 학습 애플리케이션을 살펴보겠습니다.

3.1. 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.

 

3.2. 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.

 

3.3. 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.

 

3.4. 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.

 

3.5. 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.

 

도서관은 책과 서류들에 아카이브

4. 기계 학습은 어떻게 작동하나요?

기계 학습의 핵심 아이디어는 모든 입력 및 출력 데이터 조합 간의 기존 수학적 관계입니다. 기계 학습 모델은 이 관계를 미리 알지 못하지만 충분한 데이터 집합이 주어지면 추측할 수 있습니다. 이는 모든 기계 학습 알고리즘이 수정 가능한 수학 함수를 중심으로 구축되었음을 의미합니다.

기본 원리는 다음과 같이 이해할 수 있습니다. (2,10), (5,19) 및 (9,31) 입출력(i,o) 조합을 제공하여 알고리즘을 '훈련'합니다. 알고리즘은 입력과 출력의 관계를 o=3*i+4로 계산합니다. 그런 다음 입력 7을 제공하고 출력을 예측하도록 요청합니다. 자동으로 출력을 25로 결정할 수 있습니다.

기계 학습의 기본적인 이해이지만 기계 학습은 모든 복잡한 데이터 요소가 해당 데이터를 처리할 수 있는 충분한 데이터와 컴퓨팅 파워가 있는 한 컴퓨터 시스템에 의해 수학적으로 연결될 수 있다는 원칙에 중점을 둡니다. 따라서 출력의 정확도는 주어진 입력의 크기와 직접적인 상관 관계가 있습니다.

 

5. 기계 학습 알고리즘에는 어떤 유형이 있나요?

알고리즘은 예상 출력과 입력 유형에 따라 4가지 고유한 학습 스타일로 분류할 수 있습니다. 지도 기계 학습, 비지도 기계 학습, 반지도 학습, 강화 기계 학습 등이 있습니다. 다음부터 각 학습에 유형에 대해서 설명드리겠습니다.