머신 러닝

머신 러닝(ML)은 컴퓨터 시스템이 엄청난 양의 데이터에서 패턴을 찾을 수 있도록 알고리즘과 통계 모델을 사용한 다음, 이러한 패턴을 인식하는 모델을 사용하여 새로운 데이터를 토대로 예측 또는 설명을 생성합니다.

간단히 말해, 머신 러닝은 학습 방법이 명시적으로 프로그래밍되지 않아도 학습할 수 있도록 머신을 훈련시키는 것입니다. AI의 하위 집합인 머신 러닝의 가장 기본적인 형태는 알고리즘을 사용하여 데이터를 파싱하고 이를 토대로 학습한 다음, 실제 세계의 어떤 것에 대해 예측이나 결정을 생성하는 것이라 할 수 있습니다.

다시 말해, 머신 러닝은 알고리즘을 사용하여 머신 러닝 플랫폼에 공급되는 데이터에서 자율적으로 모델을 생성합니다. 일반적인 프로그래밍 또는 규칙 기반 시스템은 프로그래밍된 규칙에서 전문가의 지식을 캡처하지만, 데이터가 변경될 때 이러한 규칙을 업데이트하고 유지 관리하기가 어려울 수 있습니다. 머신 러닝은 알고리즘에 공급되는 증가하는 데이터를 토대로 학습할 수 있다는 이점이 있으며, 데이터 기반의 확률 예측을 제공할 수 있습니다. 오늘날의 빅데이터 애플리케이션에 매우 복잡한 알고리즘을 빠르고 효과적으로 활용하고 적용할 수 있는 기능은 비교적 최근에 개발된 것입니다.

머신 러닝을 사용하면 데이터 정의 패턴이나 일련의 규칙으로 수행할 수 있는 거의 모든 개별 작업을 자동화하여 훨씬 더 효율적으로 만들 수 있습니다. 이를 통해 기업은 고객 서비스 전화 라우팅, 이력서 검토 등 이전에는 사람만이 처리할 수 있었던 프로세스를 혁신할 수 있습니다.

머신 러닝 시스템의 성능은 데이터 세트를 모델로 변환하는 몇 가지 알고리즘의 기능에 의존합니다. 문제와 작업마다 다른 알고리즘이 필요하며, 문제의 해결 여부는 입력 데이터의 품질과 컴퓨팅 리소스의 성능에 따라 달라집니다.

머신 러닝 알고리즘의 사용 사례는 두 가지 주요 기법을 중심으로 지도형, 비지도형, 이 두 가지의 혼합형 등 다양한 유형으로 나뉩니다. 지도 학습 알고리즘은 레이블이 지정된 데이터를 사용하고, 비지도 학습 알고리즘은 레이블이 지정되지 않은 데이터에서 패턴을 찾습니다. 준지도 학습은 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 혼합하여 사용합니다. 강화 학습은 피드백을 기반으로 보상을 극대화하도록 알고리즘을 훈련시킵니다.

예측 분석이라고도 하는 지도 머신 러닝은 알고리즘을 사용하여 레이블과 특징이 있는 데이터 세트에서 패턴을 찾도록 모델을 훈련시킵니다. 그런 다음 훈련된 모델을 사용하여 새로운 데이터 세트의 특징을 토대로 레이블을 예측합니다.

지도 학습은 분류와 회귀로 더욱 세분화될 수 있습니다.

분류

분류는 레이블이 지정된 예제의 알려진 항목을 바탕으로 항목이 어떤 범주에 속하는지 식별합니다. 아래의 간단한 예제에서는 로지스틱 회귀를 사용하여 사기 또는 사기가 아니라고 알려진 거래의 특성(거래 금액, 시간, 마지막 거래 위치)을 토대로 신용카드 거래가 사기 또는 사기가 아닐 확률(레이블)을 추정합니다.

분류의 다른 예로는 다음과 같은 것이 있습니다.

• 스팸 탐지
• 텍스트 감성 분석(Sentiment Analysis)
• 환자의 위험, 패혈증 또는 암 예측

회귀

회귀는 타깃 결과 레이블과 한 개 이상의 특징 변수 간의 관계를 추정하여 연속적인 숫자 값을 예측합니다. 아래의 간단한 예제에서는, 집의 크기(특징)에 따라 집값(레이블)을 추정하는 데 선형 회귀를 사용합니다.

회귀의 다른 예로는 다음과 같은 것이 있습니다.

• 이상 거래 금액 예측
• 매출 예측

지도 학습 알고리즘에는 다음이 포함됩니다.

• 로지스틱 회귀
• 선형 회귀
• 서포트 벡터 머신
• 결정 트리
• 랜덤 포레스트(Random Forest)
• 그래디언트 부스팅 결정 트리

서술적 분석이라고도 하는 비지도 학습에는 레이블이 지정된 데이터가 사전 제공되지 않습니다. 데이터 사이언티스트가 데이터에서 이전에 알려지지 않은 패턴을 찾는 데 도움이 될 수 있습니다. 이러한 알고리즘은 입력 데이터에 내재된 구조를 '학습'하여 유사성 또는 규칙성을 발견하려고 시도합니다. 일반적인 비지도 작업에는 클러스터링과 연관 규칙 학습이 포함됩니다.

클러스터링

클러스터링에서 알고리즘은 입력 예제 간의 유사성을 분석하여 입력을 범주화합니다. 클러스터링의 한 예로는, 제품 및 서비스를 더 잘 맞춤화하기 위해 고객을 세분화하려는 회사를 들 수 있습니다. 고객은 인구 통계, 구매 기록 같은 특징에 따라 그룹화될 수 있습니다. 비지도 학습 기반 클러스터링은 더 가치 있는 결과를 얻기 위해 지도 학습과 결합되는 경우가 많습니다.

클러스터링의 다른 예에는 다음이 포함됩니다.

• 검색 결과 그룹화
• 유사한 환자 그룹화
• 텍스트 분류
• 이상 탐지(유사하지 않은 것, 즉 클러스터에서 벗어난 이상치를 탐지)

연관 규칙 학습

연관 규칙 또는 빈발 패턴 마이닝은 대규모 데이터 항목 집합에서 동시출현 빈도가 높은 연관 규칙(관계, 종속성)을 찾는 것입니다. 동시출현 연관 규칙의 한 예로는 유명한 맥주와 기저귀의 사례처럼 함께 자주 구매하는 제품 조합을 들 수 있습니다. 식료품 쇼핑객의 행동을 분석한 결과, 기저귀를 사는 남성은 맥주도 함께 구매하는 경우가 많다는 사실이 밝혀졌습니다.

비지도 학습 알고리즘에는 다음이 포함됩니다.

• K-평균
• 잠재 디리클레 할당(LDA)
• 가우시안 혼합 모델(GMM)
• 교대최소제곱법(ALS)
• 빈발 패턴 성장(FP-Growth)

머신 러닝은 다음을 포함한 다양하고 광범위한 이점을 비즈니스에 제공합니다.

• 기업은 신속한 분석 예측 및 적시 처리를 통해 데이터 기반의 신속한 결정을 내릴 수 있습니다.
• 고위험 환자를 신속하게 식별하고, 다양한 의약품을 추천하고, 재입원을 예측함으로써 정확한 의료 예측 및 진단을 촉진합니다.
• 데이터 중복 및 기타 부정확성으로 인한 오류를 크게 줄임으로써 데이터 입력 시 시간이 많이 걸리는 문서 작업을 간소화하는 동시에 단순 데이터 입력 작업으로부터 근로자를 해방시킵니다.
• 금융 규칙과 모델의 정밀도를 개선하여 포트폴리오 운용을 향상하고, 알고리즘 트레이딩, 대출 심사를 지원하며, 중요한 사기 탐지 기능을 강화합니다.
• 효율적이고 예측적인 유지 관리 계획을 수립하여 예측적 유지 관리의 효율성을 높입니다.
• 고객 세분화 및 생애 가치 예측을 개선하고, 마케터에게 유용한 정보를 제공하여 리드를 최적화하고, 웹 트래픽을 극대화하고, 우편 및 이메일 캠페인의 수익을 제고합니다.

가속 컴퓨팅과 ML이 의료용 지능형 컴퓨팅를 강화하고 있습니다. 임베디드에서 엣지, 모든 클라우드에 이르기까지 어디에든 배포할 수 있는 이미징, 유전체학, 환자 모니터링, 신약 개발용 단일 플랫폼을 제공하는 NVIDIA Clara™는 정밀 의학으로의 여정을 혁신하고 가속화할 수 있도록 의료업계를 지원합니다.

최고의 소매업체들은 ML을 활용해 재고손실을 줄이고 예측을 개선하고 창고 물류를 자동화하고 매장 내 프로모션을 결정하고 실시간으로 가격을 책정하고 고객 맞춤화 및 추천 서비스를 제공하여 매장에서든 온라인에서든 더 나은 쇼핑 경험을 지원합니다.

소비자 행동을 이해하는 것이 소매업체에게 그 어느 때보다 중요해졌습니다. 성장을 촉진하기 위해 지능형 추천이 맞춤형 마케팅에 활용되고 있습니다. 온라인 소매업체는 수익을 개선하기 위해 GPU 기반 머신 러닝(ML) 및 딥 러닝(DL) 알고리즘을 사용하여 더 빠르고 정확한 추천 엔진을 구축하고 있습니다. 쇼핑객의 구매 및 웹 활동 기록에서 머신 러닝 모델로 공급된 데이터는 분석을 거쳐 추천을 생성하고 소매업체의 상향 판매 노력을 지원하는 데 사용됩니다.

금융기관에서는 ML을 채택하여 더 스마트하고 안전한 서비스를 제공하고 있습니다. GPU 기반 ML 솔루션은 방대한 양의 데이터에서 주요 인사이트를 식별한 다음, 자동화를 통해 직원의 반복 과제를 줄이고, 위험 계산과 사기 탐지를 가속화하고, 더 정확한 추천 시스템으로 고객 서비스를 개선할 수 있습니다.

NVIDIA는 사전 훈련된 모델과 소프트웨어 솔루션을 제공하여 ML 적용 과정을 크게 간소화합니다. 예를 들어, NVIDIA의 Metropolis 플랫폼을 통해 개발자는 소매 재고 관리를 개선하고, 손실 방지 노력을 강화하고, 소비자의 결제 경험을 간소화하는 ML 애플리케이션을 구축할 수 있습니다.

실제 사례로, Walmart는 직원 워크플로를 관리하고 특정 매장에서 고기와 농산물의 신선도를 보장하기 위해 NVIDIA의 기술을 사용하고 있습니다. 마찬가지로, BMW는 NVIDIA의 엣지 AI 솔루션을 사용하여 제조 시설에서 광학 검사를 자동화하고 있습니다. 세계 최대의 무선 네트워크를 운영 중인 China Mobile은 NVIDIA의 플랫폼을 사용하여 5G 네트워크에서 AI 기능을 제공하고 있습니다.