머신 러닝

머신 러닝의 미래: 예측 분석 및 AI의 다음 단계

빅데이터를 통한 더 나은 예측 및 조치.

머신 러닝, 데이터 및 예측 분석의 미래

  • 조직은 머신 러닝 및 고급 분석을 통해 역방향 예측 설명 분석을 넘어 미래 지향적이고 자율적인 의사 결정 지원으로 나아갈 수 있습니다.

  • 거의 모든 산업에서 머신 러닝과 고급 분석의 이점을 누릴 수 있습니다. 대량의 데이터와 예측 모델을 정기적으로 조정해야 하는 경우 머신 러닝이 적합합니다.

  • 머신 러닝은 새로운 종류의 결정을 해결하기 위해 인간의 감지, 설명, 개입 또는 상호 작용에 의존하지 않는 기계를 개발함으로써 경쟁 우위를 제공합니다.

  • 역설적이게도, 새로운 유형의 통찰력에 대한 액세스가 가능함에도 불구하고 머신 러닝 응용 프로그램은 다른 유형의 고급 분석보다 실행 비용이 저렴합니다.

author-image

기준

1. 예측 분석의 새로운 차원

오늘날 경제에서는 모든 비즈니스가 데이터 비즈니스로 변모하고 있습니다. Forrester Consulting이 수행한 연구에 따르면, 조직의 98%가 비즈니스 우선 순위 추진에 분석이 중요한 역할을 하지만 고급 분석이나 인공 지능을 활용하는 워크로드는 40% 미만이라고 답변했습니다. 머신 러닝은 기업이 데이터에서 더 큰 가치를 추출하여 수익을 늘리고 경쟁 우위를 확보하며 비용을 절감할 수 있는 방법을 제공합니다.

머신 러닝은 과거에 초점을 맞춘 설명 분석에 대한 독점적 의존에서 미래 지향적이고 자율적인 의사 결정 지원을 포함하여 조직을 BI(비즈니스 인텔리전스) 성숙도 곡선 위로 발전시키는 예측 분석의 한 형태입니다. 이 기술은 수십 년 동안 존재해 왔지만 새로운 접근 방식과 제품에 대한 기대감으로 인해 많은 기업이 이를 새롭게 바라보게 되었습니다.

머신 러닝을 기반으로 한 분석 솔루션은 종종 실시간으로 작동하여 BI에 새로운 차원을 추가합니다. 기존 모델은 계속해서 고위 의사 결정자에게 주요 보고서와 분석을 제공하지만, 실시간 분석은 '최전선'에 있는 직원에게 정보를 제공하여 시간별로 성과를 향상시킵니다.

인공 지능의 한 분야인 머신 러닝에서 시스템은 전문적인 알고리즘을 사용하여 거대한 데이터 수집물로부터 연구, 학습, 예측 및 추천을 수행하도록 '훈련'됩니다. 새로운 데이터에 노출된 예측 모델은 사람의 개입 없이도 적응할 수 있으며, 이전 반복을 통해 학습하여 더욱 신뢰할 수 있고 반복 가능한 결정과 결과를 생성할 수 있습니다.

이러한 반복은 시간이 지남에 따라 시스템을 '더 스마트하게' 만들고 숨겨진 통찰력, 역사적 관계 및 추세를 점점 더 많이 밝혀내고 구매자 선호도부터 공급망 최적화, 석유 발견에 이르기까지 모든 분야에서 새로운 기회를 드러냅니다. 가장 중요한 것은 기업이 머신 러닝을 통해 빅 데이터로 더 많은 작업을 수행하고 IoT 분석과 같은 새로운 기능을 통합할 수 있다는 것입니다.

머신 러닝은 현재 사용 가능한 강력한 분석 기술입니다. 개발자를 위한 풍부한 에코시스템과 함께 머신 러닝을 위한 많은 새로운 상용 및 오픈 소스 솔루션을 사용할 수 있습니다. 조직에서 이미 스팸 필터링 등의 목적으로 이 접근 방식을 사용하고 있을 가능성이 높습니다. 머신 러닝 및 분석을 더 광범위하게 적용하면 역동적인 상황에 더 신속하게 대응하고 빠르게 증가하는 데이터로부터 더 큰 가치를 얻을 수 있습니다.

2. 예측 분석은 어디에나 있습니다

머신 러닝 기반 고급 분석의 인기가 높아지는 가장 큰 이유는 이것이 거의 모든 산업 분야에서 비즈니스 이점을 제공할 수 있기 때문입니다. 대량의 데이터와 예측 모델을 정기적으로 조정해야 하는 경우 머신 러닝이 적합합니다.

책, 영화, 의류 및 기타 수십 가지 카테고리에 대한 추천을 제공하는 것은 머신 러닝이 실제로 실행되는 친숙한 예시입니다. 그 이상의 것도 할 수 있습니다.

소매 제품에서는 머신 러닝과 RFID 태깅을 통해 재고 관리를 크게 향상할 수 있습니다. 단순히 제품의 위치를 추적하는 것은 실제 재고와 도서 재고를 일치시키는 것과 마찬가지로 큰 도전입니다. 머신 러닝을 통해 이러한 문제를 해결하는 데 사용되는 데이터는 제품 배치를 개선하고 고객 행동에 영향을 미칠 수도 있습니다. 예를 들어 시스템은 실제 매장에서 다른 재고를 검색하여 위치를 바꾸거나 잘 팔리는 제품을 식별하여 매장에서 더 눈에 띄는 위치로 이동할 수 있습니다.

머신 러닝이 언어 규칙과 결합되면 기업은 소셜미디어를 검색하여 고객이 자사 브랜드와 제품에 대해 말하는 내용을 확인할 수 있습니다. 특정 제품에 대한 흥분이나 좌절을 나타낼 수 있는 숨겨진 기본 패턴을 찾을 수도 있습니다.

이 기술은 이미 센서와 관련된 응용 분야에서 중요한 역할을 하고 있습니다. 머신 러닝은 안전한 결정을 내리기 위해 여러 센서의 데이터를 실시간으로 조정해야 하는 자율주행차에도 필수적입니다.

머신 러닝은 지리적 데이터를 분석하여 특정 장소가 풍력 또는 태양광 발전을 위한 올바른 위치일 가능성을 보다 정확하게 예측할 수 있는 패턴을 찾아내는 데 도움이 됩니다.

다음은 머신 러닝이 실제로 실행되는 수많은 예시 중 일부입니다. 지금 당장 가치 있는 결과를 제공하고 있는 검증된 기술입니다.

3. 뚜렷한 경쟁 우위

머신 러닝은 기존 분석보다 더 빠르고 쉽게 문제를 해결하고 인사이트를 발견함으로써 기업에 경쟁 우위를 제공할 수 있습니다. 특히 세 가지 유형의 상황에서 가치를 전달하는 데 좋습니다.

문제에 대한 솔루션은 시간이 지남에 따라 변합니다. 소셜미디어를 통해 브랜드 평판을 추적하는 것이 좋은 예시입니다. 개별 플랫폼의 인구 통계 변화와 새로운 플랫폼이 등장합니다. 이러한 변화는 규칙 기반 분석을 사용하여 올바른 메시지로 올바른 목표를 달성하기 위해 마케팅 담당자에게 혼란을 야기하고 지속적인 수정을 강요합니다. 반면, 머신 러닝 모델은 쉽게 적응하여 시간이 지남에 따라 신뢰할 수 있는 결과를 제공하고 리소스를 확보하여 다른 문제를 해결합니다.

솔루션은 상황에 따라 다릅니다. 예를 들어 의학의 경우, 환자의 개인 또는 가족력, 연령, 성별, 생활 방식, 특정 약물에 대한 알레르기 및 기타 여러 요인에 따라 모든 사례가 달라집니다. 머신 러닝은 이러한 모든 것을 고려하여 맞춤형 진단 및 치료를 제공하는 동시에 의료 리소스를 최적화할 수 있습니다.

솔루션은 인간의 능력을 뛰어넘습니다. 사람들은 음성, 친구의 얼굴, 특정 사물 등 다양한 것을 음성으로 인식할 수 있지만 그 이유를 설명하지 못할 수도 있습니다. 문제는? 변수가 너무 많다는 것입니다. 머신 러닝은 많은 예를 선별하고 분류함으로써 예를 들어 음성에 특성을 부여하는 특정 외부 변수를 인식하고 식별하는 방법을 객관적으로 학습할 수 있습니다. (피치, 볼륨, 고조파 오버톤 등)

경쟁 우위는 새로운 종류의 결정을 해결하기 위해 인간의 감지, 설명, 개입 또는 상호 작용에 의존하지 않는 기계를 개발하는 데서 비롯됩니다. 이 기능은 의학(암 검진), 제조(결함 평가), 운송(운전 안전을 위한 추가 단서로 소리 사용)을 비롯한 다양한 분야에서 새로운 기회를 열어줍니다.

4. 더 빠르고 저렴함

다른 분석 접근 방식과 비교하여 머신 러닝은 IT, 데이터 과학자, 다양한 비즈니스 그룹 및 해당 조직에 여러 가지 이점을 제공합니다.

머신 러닝은 새로운 데이터를 통해 민첩하고 유연해집니다. 규칙 기반 시스템은 정적인 상황에서 잘 작동하지만, 머신 러닝은 데이터가 지속적으로 변경되거나 추가될 때 탁월합니다. 원하는 결과를 얻기 위해 지속적으로 시스템을 조정하거나 규칙을 추가할 필요가 없기 때문입니다. 이를 통해 개발 시간이 절약되고 주요 변경의 필요성이 크게 줄어듭니다.

머신 러닝용 인건비는 일반적으로 기존 분석보다 장기적으로 저렴합니다. 물론 처음에는 기업이 확률, 통계, 머신 러닝 알고리즘, AI 교육 방법 등 분야에서 고도로 숙련된 전문가를 고용해야 합니다. 그러나 일단 머신 러닝이 실행되면 예측 모델을 스스로 조정할 수 있습니다. 즉, 정확성과 신뢰성을 위해 조정하는 데 필요한 사람의 수가 줄어듭니다.

또 다른 이점은 확장성입니다. 머신 러닝 알고리즘은 병렬성을 염두에 두고 구축되었으므로 확장성이 향상되어 궁극적으로 비즈니스 문제에 대한 더 빠른 답변을 의미합니다. 인간의 상호 작용에 의존하는 시스템 또한 배율되지 않습니다. 머신 러닝은 의사결정을 위해 지속적으로 사람들에게 문의해야 하는 필요성을 최소화합니다.

마지막으로, 머신 러닝 응용 프로그램은 다른 유형의 고급 분석보다 실행 비용이 저렴합니다. 많은 머신 러닝 기술은 값비싼 단일 고급 플랫폼 대신 여러 시스템으로 쉽게 확장됩니다.

5. 머신 러닝 시작하기

머신 러닝으로의 성공은 기술이 명확하고 측정 가능한 영향을 미칠 수 있는 비즈니스 문제를 식별하는 것에서부터 시작됩니다. 적합한 프로젝트가 식별되면 조직은 전문가를 배치하고 시스템에 사고하고 행동하는 방법을 가르치는 적절한 기술을 선택해야 합니다. 등급의 종류는 다음과 같습니다.

지도 학습: 시스템에는 예시적인 입력 및 출력이 제공되고 일반적인 행동 규칙을 형성하는 작업이 수행됩니다. 예시: 대부분의 주요 브랜드 추천 시스템은 지도 학습을 사용하여 제안의 관련성을 높이고 매출을 늘립니다.

준지도 학습: 시스템에는 일반적으로 소량의 라벨이 지정된 데이터('정답' 포함)가 제공되고 훨씬 더 많은 양의 라벨이 지정되지 않은 데이터가 제공됩니다. 이 모드는 지도 학습과 사용 사례가 동일하지만 데이터 비용이 낮아 비용이 더 저렴합니다. 예를 들어 상품 거래, 소셜미디어 또는 날씨 관련 상황과 같이 시간이 지남에 따라 입력 데이터가 변경될 것으로 예상되는 경우 보통 제일 좋은 선택입니다.

비지도 학습: 시스템은 여기에서 구조와 패턴을 찾기 위해 데이터를 검사합니다. 이 모드는 매출 증대를 위해 상품 배치의 변화를 유도할 수 있는 매장 내 구매 행동과 같이 발견되지 않은 패턴을 발견하는 데 사용할 수 있습니다.

강화 학습: 이 접근 방식에서 시스템은 상호작용적이고 변화하는 환경에 배치되며, 작업이 주어지고 '처벌' 및 '보상'의 형태로 피드백이 제공됩니다. 이 기술은 공장 로봇이 물체를 식별하도록 훈련시키는 데 큰 성공을 거두었습니다.

프로젝트에 관계없이 분석에서 머신 러닝을 효과적으로 활용하기 위한 조직의 발전은 이러한 기본 사례를 숙달하는 데 달려 있습니다.

6. 인텔: 강력한 프로세서는 시작에 불과합니다.

인텔은 기업이 고속 성능을 요구하는 실제 응용 프로그램에 머신 러닝을 적용할 수 있도록 지원합니다. 이는 프로세서, 최적화된 소프트웨어, 개발자 지원 및 업계 파트너의 거대한 에코시스템을 포함하는 시스템 접근 방식을 통해 이루어집니다.

머신 러닝에는 높은 컴퓨팅 성능이 필요합니다. 인텔® 제온® 프로세서는 스케일러블 베이스라인을 제공하며, 인텔® 제온 Phi™ 프로세서는 머신 러닝의 일반적인 고도의 병렬 워크로드는 물론 머신 러닝의 메모리 및 패브릭(네트워킹) 요구 사항을 위해 특별히 설계되었습니다. 인텔 하드웨어 기술에는 프로그래밍 가능 및 고정형 가속기, 메모리, 스토리지 및 네트워킹 기능도 통합되어 있습니다.

또한 인텔은 IT 조직이 비즈니스 문제에서 솔루션으로 효과적이고 효율적으로 이동할 수 있도록 소프트웨어 지원을 제공합니다. 이 지원에는 다음이 포함됩니다.

  • 인텔 제온 프로세서에 최적화된 구성 요소를 갖춘 라이브러리 및 언어. 여기에는 인텔® 수학 커널 라이브러리(인텔® MKL), 인텔® 데이터 분석 가속 라이브러리(인텔® DAAL), Python*용 인텔 배포판이 포함됩니다.
  • Apache Spark*, Caffe*, Torch* 및 TensorFlow*를 포함하여 개발을 단순화하기 위한 최적화된 프레임워크. 인텔은 기업이 최신 프로세서와 시스템 기능이 상용화되는 즉시 이를 활용할 수 있도록 하는 오픈 소스 및 상용 소프트웨어를 모두 지원합니다.
  • 인텔® Nervana™ 기술, TAP 및 인텔® Deep Learning SDK를 포함한 소프트웨어 개발 키트(SDK). 이는 개발자가 최고의 머신 러닝 알고리즘을 즉시 활용할 수 있는 일련의 응용 프로그램 인터페이스를 제공합니다.

인텔은 최적화와 관련하여 다양한 접근 방식을 취합니다. 인텔 하드웨어에서 머신 러닝 코드를 더 빠르게 실행하는 방법에 대해 고객 및 공급업체 파트너에게 코칭하고, 항상 더 빠른 실리콘에서 일부 학습 기능을 구현하는 것이 포함됩니다.

마지막으로, 인텔 엔지니어는 현장에서 지속적으로 IT 및 LOB 관리자와 대화하여 머신 러닝을 기반으로 한 예측 분석이 실제 비즈니스 문제를 해결할 수 있는 방법에 대한 인사이트를 얻습니다.