[스크랩/인공지능/딥러닝] 왜 '머신러닝'은 이토록 중요한가

머신러닝(Machine learning=기계 학습)이 몇년 전부터 알려지기 시작했습니다. 심지어 개발자가 아닌 일반 소비자들도 머신러닝에 대해 알 정도죠. 우리가 아마존에서 어떤 물건을 장바구니에 담았을 때 관련 상품을 추천하는 것 등이 머신러닝의 가장 보편적인 예입니다. 머신러닝의 기본 개념은 데이터를 기반으로 스스로 학습하고 자신만의 룰을 만드는 컴퓨터 프로그램의 산물입니다.
  
머신러닝 애플리케이션 개발은 일반적인 애플리케이션 개발과는 다릅니다. 머신러닝 개발자는 코딩이나 특정 문제를 해결하는 대신 알고리즘을 짜고 데이터를 기반으로 고유한 로직을 만듭니다. 아마존의 예와 같이 소비자의 행동과 판매에 관한 데이터는 사람들이 좋아하거나 관심 있어 하는 제품이 무엇인지 파악하는 데 사용되곤 합니다. 이것은 단순히 사용자의 카트에 담긴 물건과 마케터나 판매 담당자가 추천하는 제품과의 1:1 관계를 찾는 것이 아닙니다. 모든 방문자와 판매된 모든 제품 등으로부터 발생되는 모든 데이터를 계산해 예측하고, 다음 행동과 결정에 도움을 주는 것이죠. 새로운 제품 과 새로운 데이터는 항상 유입되고, 그에 따른 추천 결과는 지속적으로 변경되고 개선됩니다.

왜 머신러닝에 이토록 관심을 가질까요? 최근 사물인터넷(IoT)의 부상으로 연결되는 장비가 증가하면서, 또 많은 양의 데이터에 쉽게 접근할 수 있게 되면서 데이터를 관리하고 데이터가 의미하는 것이 무엇인지 이해하고자 하는 요구가 증가했습니다.

또한 다양한 산업에서 머신러닝을 활용하기 시작했습니다. 그 덕분에 개발자들은 머신러닝을 어떻게 활용할 것인지 그리고 이 기술이 제품에 어떤 가치를 가져다 줄 것인지 학습하는 아주 좋은 기회를 가질 수 있게 됐죠.

머신 러닝 알고리즘의 종류

감독(Supervised) 학습
훈련용 데이터는 라벨이 지정되거나 결과가 알려진 데이터로 구성되는데요. 기계는 라벨을 스스로 적용할 수 있을 때 까지 학습합니다. 예를 들어, 얼굴 인식 알고리즘을 만들기 위해서는 사람이 풍경, 인물, 동물, 빌딩 등과 같은 라벨이 입력된 사진을 제공하고, 기계가  라벨이 돼 있지 않은 사진에서 얼굴을 인식할 때까지 지속하는 것이죠.

비감독(Unsupervised) 학습
기계는 라벨이 지정되지 않은 데이터를 분석하고 비슷한 것끼리 분류해 식별합니다. 그렇기 때문에 위의 예처럼 라벨이 없는 같은 사진들을 제공하면 기계가 이미 공유된 특징들(도시 경관의 날카로운 라인과 얼굴의 둥근 모양 같은)을 기반으로 이미지를 수집합니다. 그러나 둥근 모양이 '얼굴'이라고 말할 수 없습니다. 이 프로그램들은 데이터 셋 내에서 그룹을 정의하는데요. 그 과정을 사람에게 보여주기는 매우 어렵거나 불가능합니다.

세미-감독(Semi-supervised) 학습
위 예를 합친 방법인데요. 많은 양의 데이터가 있지만, 라벨링 된 데이터는 적을 때 사용하는 방법입니다. 비감독학습 기술은 그룹이나 라벨링되지 않은 클러스터를 주로 사용하는데, 감독 학습 기술은 라벨을 예측할 수 있죠.
     
강화(Reinforcement) 학습
특정한 맥락 안에서 이상적인 행동을 선택하고 그에 대해 단순한 보상을 주는 방법입니다.

사람의 손보다 훨씬 빠릅니다

머신러닝의 가장 큰 이점은  사람이 하는 것보다 더 빠르게 일을 처리한다는 것입니다.  문제가 발생했을 때 사람처럼 해결할 수는 없지만 많은 양의 데이터를 근간으로 빠른 연결과 예측은 가능하죠. 사물인터넷(IoT)과 연결된 장비 덕분에 수집할 수 있는 데이터의 양이 많아지면서 머신러닝이 굉장히 중요해 졌습니다. 스마트 기기나 만보기 같은 걸 생각해보십시오. 실제로 우리 삶의 모든 것들이 데이터를 생성하죠. 얼마나 많은 데이터가 하루에 생성될 지 생각해 보십시오. 그리고 그러한 제품을 가진 모든 사람의 수에 데이터를 곱한다고 생각해 보십시오. 우리가 더 연결될수록 가치는 더 커집니다. 머신러닝은 우리가 삶의 패턴에 중요한 통찰력을 가질 수 있도록 돕습니다. 사람이 이 속도를 따라잡기는 쉽지 않을 것입니다.

머신러닝 시장

데이터를 다루는 산업은 데이터가 의미하는 바를 이해함으로써 큰 이득을 볼 수 있습니다. 가령 제조 공장은 수리 시점을 예측할 수 있고, 무인 자동차 같은 것도 머신러닝의 결과라고 할 수 있죠. 다음은 머신러닝을 사용하는 산업군들입니다.

새로운 트렌드로 떠오르는 '챗봇(Chatbot)'

올해 페이스북 메신저가 챗봇을 발표했는데요. 이는 회사와 컨슈머로부터 엔게이지를 끌어낼 수 있는 가능성을 만듭니다. 고객이 페이스북 페이지로 메시지를 직접 보낼 경우 인공 지능(AI)이 고객과의 상호작용을 통해 의사 결정이나 제품 학습에 도움을 줍니다. 이러한 모든 상호작용은 챗봇의 기능을 더욱 향상시킵니다. 특정 트랜잭션은 메신저 내에서 어떤 특정 기능도 수행할 수 있는데요. 가령 자동차 아이콘을 클릭하면 우버(Uber)에 콜을 보낼 수도 있습니다.
     
챗봇은 텍스트를 보내는 단순 기능에서 이미지나 콜-투-엑션(call-to-action) 버튼에 이르는 자동화된 고객 서비스, e커머스 비서, 심지어 콘텐츠 서비스 등도 가능합니다. 정확도는 지속적으로 업그레이드되고 있으며, 이는 자동화된 컨시어지(concierge)와 비슷하죠. 고객이 더 쉽고 빠르게 자신이 원하는 정보와 서비스를 얻을 수 있게 된 셈입니다. 이 부분은 가장 큰 트렌드이며 '대화형 커머스'로 불리기도 합니다. 모바일 메신저 앱과 인공지능의 힘을 키우는 기회인 것이죠. 미래 쇼핑은 채팅 창 안에서 이뤄질 것입니다.

머신러닝 첫걸음

머신 러닝을 배우는 최고의 방법은 자신의 주변에서 관련 커뮤니티를 찾아보는 것입니다. 또 몇 가지 온라인 자원을 활용해 보는 것도 좋습니다. 다음은 머신러닝에 관해 공부할 수 있는 커뮤니티 및 웹사이트입니다.

- Machine Learning Glossary 
- Facebook DataMining / Machine Learning / AI Group  
- Reddit/Machine Learning 
- Quora Machine Learning 

출처: http://m.blog.naver.com/intelbiz/220859379249