머신러닝이란 무엇인가?

머신러닝이란?

머신 러닝(ML)은 데이터의 패턴과 관계를 식별하는 알고리즘 모델을 구축하는 인공 지능(AI)의 하위 범주입니다. 여기서 기계라는 단어는 컴퓨터 프로그램의 동의어이고, 학습이라는 단어는 ML 알고리즘이 추가 데이터를 받을수록 더 정확해지는 방법을 설명합니다.

머신러닝의 개념이 새로운 것은 아니지만, 인터넷이 등장하고 최근 빅데이터 분석과 클라우드 컴퓨팅이 발전하기 전까지는 비즈니스에 적용하는 것이 경제적으로 실현할 수 있지 않았습니다. 머신러닝 알고리즘을 훈련하여 데이터에서 패턴을 찾는 것은 많은 컴퓨팅 자원과 빅데이터에 접근해야 하기 때문입니다.

인공지능과 머신러닝이라는 용어는 때때로 동의어로 사용되는데, 최근까지 대부분의 인공지능 이니셔티브가 협소했지만, 대부분의 머신러닝 모델은 단일 작업을 수행하도록 구축되어 지도 학습을 사용하고 학습을 위해 레이블이 지정된 대규모 데이터 세트가 필요했기 때문입니다. 오늘날 로봇 프로세스 자동화(RPA)는 데이터 전처리 프로세스를 자동화하고 머신러닝 알고리즘을 훨씬 더 빠르게 훈련하는 데 사용될 수 있습니다.

테크허브가 설명하는 머신러닝

고품질 머신러닝 모델은 주어진 비즈니스 목표와 가장 관련성이 높은 특징을 추출하고 의미 있는 관련성을 식별하기 위해 고품질 교육 데이터와 대규모 데이터 세트에 액세스해야 합니다.

머신러닝 모델이란 무엇입니까?

머신러닝 모델은 단순히 데이터에 실행된 ML 알고리즘의 결과입니다. 머신러닝 모델을 구축하는 단계는 다음과 같습니다:

• 학습 데이터를 수집합니다.
• 교육자료 작성.
• 사용할 학습 알고리즘을 결정합니다.
• 학습 알고리즘을 훈련합니다.
• 학습 알고리즘의 결과를 평가합니다.
• 필요한 경우 학습 성과를 향상하기 위해 학습 과정을 조절하는 변수(hyperparameter)를 조정합니다.

일반적인 머신러닝 환경에서 지도 머신러닝 알고리즘은 각 예제가 입력과 출력으로 구성된 예제로 구성된 데이터 세트가 필요합니다. 이러한 환경에서 ML 알고리즘 학습의 일반적인 목표는 모델의 의사 결정 트리가 원하는 결과를 일관되게 생성하도록 예측 모델의 매개 변수를 업데이트하는 것입니다. 이때 엔트로피가 필요합니다.

엔트로피는 닫힌계에서 무질서와 무작위성을 측정하는 수학 공식입니다. 머신러닝 프로젝트에서 중요한 목표는 엔트로피를 최대한 낮게 유지하는 것입니다. 왜냐하면 모델의 의사결정 나무가 데이터를 어떻게 나눌지 결정하기 때문입니다.

머신러닝을 훈련하는 방법

머신러닝 모델을 훈련하는 데 사용되는 알고리즘에는 지도 학습, 비지도 학습 및 강화 학습의 세 가지 주요 유형이 있습니다.

• 지도 학습 알고리즘에 레이블이 지정된 학습 데이터(입력)를 주고 정답(출력)이 표시됩니다. 이 유형의 학습 알고리즘은 들어오는 데이터의 출력값을 예측하기 위해 과거 데이터 세트의 결과를 사용합니다.
• 비지도 학습 알고리즘에는 레이블이 지정되지 않은 학습 데이터가 제공됩니다. 이러한 유형의 학습 알고리즘은 올바른 출력을 예측하라는 요청을 받는 대신 학습 데이터를 사용하여 패턴을 감지한 다음 유사한 동작을 보이는 다른 데이터 그룹에 적용할 수 있습니다. 일부 상황에서는 학습 중에 소량의 레이블이 지정된 데이터와 더 많은 양의 레이블이 지정되지 않은 데이터를 사용해야 할 수도 있습니다. 이러한 유형의 학습은 종종 준지도 머신러닝이라고 불립니다.
• 강화 학습 알고리즘은 훈련 데이터를 받는 대신 보상 신호를 받고 데이터에서 보상할 수 있는 패턴을 찾습니다. 이러한 유형의 훈련 알고리즘의 입력은 종종 훈련 알고리즘과 물리적 또는 디지털 환경 사이의 상호 작용에서 파생됩니다.

머신러닝의 편향을 일으키는 원인은 무엇입니까?

인공지능, 특히 머신러닝 알고리즘의 투명성에 대한 설명과 공개에 대한 대중의 요구가 증가하고 있지만, 머신러닝 알고리즘의 투명성은 특정 예측에 사용된 알고리즘을 단순히 공유하는 것보다 더 복잡한 경우가 많습니다.

기계학습을 처음 접하는 많은 사람들은 수학적 알고리즘 자체가 비밀이 아니라는 사실에 놀랍니다. 실제로 오늘날 사용되는 대부분의 기계학습 알고리즘은 무료로 사용할 수 있습니다. 사용되는 알고리즘이 아니라 학습 데이터에만 독점적인 가치가 있습니다.

불행히도 학습 알고리즘을 훈련하는 데 사용되는 데이터는 사람이 선택하기 때문에 구축 중인 ML 모델에 의도하지 않은 편향을 일으킬 수 있습니다. 또한 학습 알고리즘의 반복적인 특성으로 인해 ML 엔지니어가 특정 예측의 배후에 있는 논리를 추적하는 것이 어려울 수 있습니다.

데이터 과학자나 ML 엔지니어가 특정 예측이 어떻게 이루어졌는지 설명할 수 있을 때 ML 모델을 설명할 수 있는 AI라고 부르기도 합니다. ML 모델은 수학이 너무 복잡해지거나 훈련 데이터가 너무 독점적이어서 특정 예측이 어떻게 이루어졌는지 밝힐 수 없을 때 블랙박스 AI라고 부를 수 있습니다.

MLops

머신러닝 프로젝트는 일반적으로 데이터 과학자와 머신러닝 엔지니어가 감독합니다. 데이터 과학자의 작업은 일반적으로 가설을 만들고 가설이 사실임을 증명할 수 있는 코드를 작성하는 것입니다. 머신러닝 엔지니어의 작업은 머신러닝 작업(MLOps)에 중점을 둡니다.

머신 러닝 작업은 학습, 튜닝, 생산 환경에서의 일상 사용, 머신 러닝 모델의 최종 폐기 등 전체 라이프 사이클을 관리하는 접근 방식입니다. 그렇기 때문에 머신 러닝 엔지니어는 데이터 모델링, 기능 공학 및 프로그래밍에 대한 실용적인 지식뿐만 아니라 수학 및 통계학에 대한 탄탄한 배경지식을 가지고 있어야 합니다.

특정 비즈니스 문제를 해결하는 데 가장 적합한 학습 알고리즘 유형을 결정할 때 동일한 조직에 속한 데이터 과학자와 ML 엔지니어가 협력하는 것이 이상적이지만, 일부 산업에서는 ML 엔지니어의 작업이 학습에 사용할 데이터를 결정하고 머신러닝 모델 결과를 확인하는 방법에 국한됩니다.