머신 러닝 모델은 크게 세 가지 범주로 나뉩니다.

지도형 머신 러닝            

지도형 머신 러닝이라고도 하는 지도 학습은 레이블이 지정된 데이터 세트를 사용하여 데이터를 분류하거나 결과를 정확하게 예측하는 알고리즘을 학습시키는 방식으로 정의할 수 있습니다. 입력 데이터가 모델에 입력되면 모델은 적절하게 맞춰질 때까지 가중치를 조정합니다. 이는 모델이 과적합 또는 과소적합을 방지하도록 하기 위한 교차 검증 프로세스의 일부로 수행됩니다. 지도 학습은 받은 편지함과 다른 별도의 폴더에 스팸 메일을 분류하는 것처럼 현실적인 문제를 대규모로 해결하는 데 도움이 됩니다. 지도 학습에 사용되는 방법에는 신경망, 나이브 베이즈, 선형 회귀, 로지스틱 회귀, 랜덤 포레스트, SVM(서포트 벡터 머신) 등이 있습니다.

비지도 머신 러닝

비지도 머신 러닝이라고도 알려진 비지도 학습은 머신 러닝 알고리즘을 사용하여 레이블이 없는 데이터 세트(클러스터라고 하는 하위 집합)를 분석하고 클러스터링합니다. 이러한 알고리즘은 사람의 개입 없이 숨겨진 패턴이나 데이터 그룹을 찾아냅니다. 이 방법은 정보의 유사점과 차이점을 발견하는 기능으로 탐색적 데이터 분석, 교차 판매 전략, 고객 세분화, 이미지 및 패턴 인식에 이상적입니다. 또한 차원 축소 프로세스를 통해 모델의 기능 수를 줄이는 데에도 사용됩니다. 주성분 분석(PCA)과 특이값 분해(SVD)는 이에 대한 두 가지 일반적인 접근 방식입니다. 비지도 학습에 사용되는 다른 알고리즘으로는 신경망, k-평균 클러스터링 및 확률적 클러스터링 방법이 있습니다.

준지도 학습 

반지도 학습은 지도 학습과 비지도 학습의 중간 형태를 제공합니다. 훈련 중에는 더 작은 레이블이 지정된 데이터 세트를 사용하여 레이블이 지정되지 않은 더 큰 데이터 세트에서 분류 및 특징 추출을 안내합니다. 준지도 학습은 지도 학습 알고리즘에 레이블이 지정된 데이터가 충분하지 않은 문제를 해결할 수 있습니다. 또한 충분한 데이터에 레이블을 지정하는 데 비용이 너무 많이 드는 경우에도 도움이 됩니다. 

이러한 접근 방식의 차이점에 대한 자세한 내용은 '지도 학습과 비지도 학습 비교: 차이점은 무엇인가요?'를 참조하세요.

강화 머신 러닝은 지도 학습과 유사한 머신 러닝 모델이지만 알고리즘은 샘플 데이터를 사용하여 훈련되지 않습니다. 이 모델은 시행착오를 거치면서 학습합니다. 주어진 문제에 대한 최상의 권장 사항이나 정책을 개발하기 위해 일련의 성공적인 결과가 강화됩니다.

2011년 Jeopardy! 챌린지에서 우승한 IBM Watson 시스템이좋은 예입니다. 시스템은 강화 학습을 사용하여 답변(또는 질문)을 시도할 시기, 보드에서 선택할 사각형, 특히 일일 복식에서 베팅할 금액을 학습했습니다.

강화 학습에 대해 자세히 알아보기      

여러 머신 러닝 알고리즘이 일반적으로 사용됩니다. 여기에는 다음이 포함됩니다.

• 신경망: 신경망은  수많은 연결된 처리 노드를 사용하여 인간의 두뇌가 작동하는 방식을 시뮬레이션합니다. 신경망은 패턴을 인식하는 데 능숙하며 자연어 번역, 이미지 인식, 음성 인식 및 이미지 생성을 포함한 응용 분야에서 중요한 역할을 합니다.

• 선형 회귀: 이 알고리즘은 서로 다른 값 간의 선형 관계를 기반으로 수치값을 예측하는 데 사용됩니다. 예를 들어, 이 기술은 해당 지역의 과거 데이터를 기반으로 주택 가격을 예측하는 데 사용할 수 있습니다.

• 로지스틱 회귀: 이 지도 학습 알고리즘은 질문에 대한 "예/아니요" 답변과 같은 범주형 응답 변수를 예측합니다. 스팸 분류 및 생산 라인의 품질 관리와 같은 응용 분야에 사용할 수 있습니다.

• 클러스터링: 클러스터링 알고리즘은 비지도 학습을 사용하여 데이터의 패턴을 식별하여 그룹화할 수 있습니다. 컴퓨터는 인간이 간과한 데이터 항목 간의 차이점을 식별하여 데이터 과학자를 도울 수 있습니다.

• 의사 결정 트리: 의사 결정 트리는 숫자 값 예측(회귀)과 데이터를 카테고리로 분류하는 데 모두 사용할 수 있습니다. 의사결정 트리는 트리 다이어그램으로 나타낼 수 있는 연결된 의사결정의 분기 시퀀스를 사용합니다. 의사 결정 트리의 장점 중 하나는 신경망의 블랙박스와 달리 검증 및 감사가 쉽다는 것입니다.

• 랜덤 포레스트: 랜덤 포레스트에서 머신 러닝 알고리즘이 여러 의사 결정 트리의 결과를 결합하여 값 또는 카테고리를 예측합니다.

예산, 필요한 속도 및 정밀도 요구 사항에 따라 각 알고리즘 유형(감독형, 비감독형, 준지도형 또는 강화형)에는 고유한 장점과 단점이 있습니다. 예를 들어 의사 결정 트리 알고리즘은 숫자 값 예측(회귀 문제)과 데이터를 카테고리로 분류하는 데 모두 사용됩니다. 의사 결정 트리는 트리 다이어그램으로 나타낼 수 있는 연결된 의사 결정의 분기 시퀀스를 사용합니다. 의사 결정 트리의 가장 큰 장점은 신경망보다 검증하고 감사하기가 더 쉽다는 것입니다. 나쁜 소식은 다른 의사 결정 예측 변수보다 더 불안정할 수 있습니다. 

전반적으로 머신 러닝에는 기업이 새로운 효율성을 위해 활용할 수 있는 많은 이점이 있습니다. 여기에는 인간이 전혀 발견하지 못할 수 있는 방대한 양의 데이터에서 패턴과 추세를 식별하는 머신 러닝이 포함됩니다. 그리고 이 분석에는 사람의 개입이 거의 필요하지 않으며, 관심 있는 데이터 세트를 입력하기만 하면 머신 러닝 시스템이 자체 알고리즘을 조합하고 개선하며, 시간이 지남에 따라 더 많은 데이터 입력으로 지속적으로 개선됩니다. 모델이 해당 사람에 대한 모든 경험을 통해 더 많이 학습함에 따라 고객과 사용자는 보다 개인화된 경험을 즐길 수 있습니다.

단점은 머신 러닝에는 정확하고 편향되지 않은 대규모 학습 데이터 세트가 필요하다는 것입니다. GIGO는 가비지 인/가비지 아웃이라는 작동 요소입니다. 충분한 데이터를 수집하고 이를 실행할 수 있을 만큼 강력한 시스템을 구축하는 것도 리소스를 낭비하는 일이 될 수 있습니다. 머신 러닝은 입력에 따라 오류가 발생할 수도 있습니다. 샘플이 너무 작으면 시스템이 완전히 잘못되거나 오해의 소지가 있는 완벽하게 논리적인 알고리즘을 생성할 수 있습니다. 예산을 낭비하거나 고객을 불쾌하게 하지 않으려면 조직은 결과에 대한 신뢰도가 높은 경우에만 답변에 따라 조치를 취해야 합니다.

다음은 매일 접할 수 있는 머신 러닝의 몇 가지 예입니다.

음성 인식: 자동 음성 인식(ASR), 컴퓨터 음성 인식 또는 음성 텍스트 변환이라고도 하며, 자연어 처리(NLP)를 사용하여 사람의 음성을 서면 형식으로 번역하는 기능입니다. 많은 모바일 기기가 시스템에 시리와 같은 음성 인식 기능을 통합하여 음성 검색을 수행하거나 문자 메시지에 대한 접근성을 개선할 수 있습니다.

고객 서비스:  온라인 챗봇은 고객 여정에서 인간 상담원을 대체하고 있으며, 웹사이트와 소셜 미디어 플랫폼 전반의 고객 참여에 대한 우리의 생각을 바꾸고 있습니다. 챗봇은 배송과 같은 주제에 대해 자주 묻는 질문(FAQ)에 답변하거나 사용자에게 맞춤형 조언, 제품 교차 판매 또는 사이즈 제안을 제공합니다. 전자상거래 사이트의 가상 에이전트, Slack과 Facebook Messenger를 사용하는 메시징 봇, 가상 어시스턴트와 음성 어시스턴트가 주로 수행하는 작업 등을 예로 들 수 있습니다.

컴퓨터 비전: 이 AI 기술을 통해 컴퓨터는 디지털 이미지, 비디오 및 기타 시각적 입력에서 의미 있는 정보를 도출한 다음 적절한 조치를 취할 수 있습니다. 콘볼루션 신경망으로 구동되는 컴퓨팅 비전은 소셜 미디어의 사진 태그 지정, 의료 분야의 방사선 영상, 자동차 산업의 자율 주행 차량 등에 적용되고 있습니다. 

추천 엔진: AI 알고리즘은 과거의 소비 행동 데이터를 사용하여 데이터 트렌드를 발견하는 데 도움을 주고, 이러한 트렌드를 활용해 보다 효과적인 교차 판매 전략을 개발할 수 있습니다. 추천 엔진은 온라인 소매업체가 결제 과정에서 고객에게 관련 제품을 추천하는 데 사용됩니다.

로보틱 프로세스 자동화(RPA): 소프트웨어 로봇공학이라고도 하는 RPA는 지능형 자동화 기술을 사용하여 반복적인 수작업을 수행합니다.

자동 주식 거래: 주식 포트폴리오를 최적화하도록 설계된 AI 기반 초단타 거래 플랫폼은 인간의 개입 없이 하루에 수천 또는 수백만 건의 거래를 처리합니다.

사기 탐지: 은행 및 기타 금융 기관은 머신 러닝을 사용하여 의심스러운 거래를 발견할 수 있습니다. 지도 학습은 알려진 사기 거래에 대한 정보를 사용하여 모델을 훈련할 수 있습니다. 이상 징후 탐지는 비정형적이고 추가 조사가 필요한 트랜잭션을 식별할 수 있습니다.

머신 러닝 기술이 발전하면서 우리의 삶은 확실히 더 편리해졌습니다. 그러나 비즈니스에서 머신 러닝을 구현하면서 AI 기술에 대한 윤리적 우려도 많이 제기되고 있습니다. 여기에는 다음이 포함됩니다.

기술적 특이점

이 주제는 대중의 많은 관심을 받고 있지만, 많은 연구자들은 가까운 미래에 AI가 인간의 지능을 능가할 것이라는 생각에 대해 우려하지 않습니다. 기술적 특이점은 강력한 AI 또는 초지능이라고도 합니다. 철학자 Nick Bostrum은 초지능을 "과학적 창의력, 일반적인 지혜, 사회적 기술 등 거의 모든 분야에서 최고의 인간 두뇌를 훨씬 능가하는 지성"이라고 정의합니다. 초지능이 우리 사회에 임박한 것은 아니지만, 자율주행차와 같은 자율 시스템의 사용을 고려할 때 초지능에 대한 생각은 몇 가지 흥미로운 질문을 제기합니다. 무인 자동차가 절대 사고가 나지 않을 것이라고 생각하는 것은 비현실적이지만, 그런 상황에서는 누가 책임과 의무를 져야 할까요? 자율주행차를 계속 개발해야 할까요, 아니면 이 기술을 사람들의 안전한 운전을 돕는 반자율주행차로 제한해야 할까요? 이에 대한 판단은 아직 내려지지 않았지만, 새롭고 혁신적인 AI 기술이 발전함에 따라 이러한 유형의 윤리적 논쟁이 일어나고 있습니다.

AI가 일자리에 미치는 영향

인공 지능에 대한 많은 대중의 인식이 일자리 감소에 집중되어 있지만, 이러한 우려는 아마도 재구성되어야 할 것입니다. 파괴적인 신기술이 등장할 때마다 특정 직무에 대한 시장 수요가 변화하고 있습니다. 예를 들어, 자동차 산업을 살펴보면 GM과 같은 많은 제조업체가 친환경 이니셔티브에 맞춰 전기 자동차 생산에 집중하는 방향으로 전환하고 있습니다. 에너지 산업은 사라지지 않지만 에너지원은 연비에서 전기로 바뀌고 있습니다.

비슷한 방식으로 인공 지능은 일자리에 대한 수요를 다른 영역으로 옮길 것입니다. AI 시스템을 관리하는 데 도움을 줄 사람이 필요합니다. 고객 서비스와 같은 직업 수요 변화의 영향을 받을 가능성이 가장 높은 산업 내에서 더 복잡한 문제를 해결하기 위해서는 여전히 인력이 필요합니다. 인공 지능과 인공 지능이 고용 시장에 미치는 영향의 가장 큰 과제는 사람들이 수요가 많은 새로운 직책으로 전환하도록 돕는 것입니다.

개인 정보 보호

개인정보 보호는 데이터 프라이버시, 데이터 보호 및 데이터 보안의 맥락에서 논의되는 경향이 있습니다. 이러한 우려로 인해 정책 입안자들은 최근 몇 년 동안 더 많은 진전을 이룰 수 있었습니다. 예를 들어, 2016년에는 유럽연합 및 유럽 경제 지역에 거주하는 사람들의 개인 데이터를 보호하기 위해 GDPR 법안이 제정되어 개인이 자신의 데이터를 더 잘 통제할 수 있게 되었습니다. 미국에서는 2018년에 도입된 캘리포니아 소비자 개인 정보 보호법(CCPA)과 같은 정책을 개별 주에서 개발하고 있으며, 이 법은 기업이 데이터 수집에 대해 소비자에게 알리도록 요구합니다. 이와 같은 법률로 인해 기업은 개인 식별 정보(PII)를 저장하고 사용하는 방법을 재고해야 했습니다. 그 결과, 보안에 대한 투자는 감시, 해킹 및 사이버 공격에 대한 취약성과 기회를 제거하려는 기업에서 점점 더 우선순위가 되고 있습니다.

편견과 차별

여러 머신 러닝 시스템에서 발생하는 편향과 차별로 인해 인공 지능 사용과 관련하여 많은 윤리적 문제가 제기되었습니다. 학습 데이터 자체가 편향된 인간 프로세스에 의해 생성될 수 있는 경우, 편향과 차별로부터 어떻게 보호할 수 있을까요? 일반적으로 기업의 자동화 노력은 좋은 의도를 가지고 있지만, Reuters(ibm.com 외부 링크)는 AI를 채용 관행에 통합할 때 예상치 못한 결과를 초래할 수 있다고 강조합니다. 프로세스를 자동화하고 간소화하기 위해 Amazon은 의도치 않게 기술 역할에 따라 채용 후보자를 성별로 차별했고, 결국 회사는 프로젝트를 폐기해야 했습니다. Harvard Business Review(ibm.com 외부 링크)에서는 채용 관행에서 AI를 사용하는 것과 관련하여 직무 후보자를 평가할 때 어떤 데이터를 사용할 수 있어야 하는지 등 여러 가지 중요한 질문을 제기했습니다.

편향과 차별은 인사 부서에만 국한되지 않습니다. 얼굴 인식 소프트웨어부터 소셜 미디어 알고리즘에 이르기까지 다양한 애플리케이션에서 찾을 수 있습니다.

기업들이 AI의 위험성에 대해 더 많이 인식하게 되면서 AI 윤리 및 가치에 대한 논의도 활발해졌습니다. 예를 들어, IBM은 범용 얼굴 인식 및 분석 제품을 중단했습니다. IBM CEO Arvind Krishna는 "IBM은 다른 공급업체가 제공하는 안면 인식 기술을 포함한 모든 기술을 대량 감시, 인종 프로파일링, 기본 인권과 자유 침해 또는 당사의 가치와 신뢰와 투명성 원칙에 부합하지 않는 목적으로 사용하는 것을 단호히 반대하며 이를 묵인하지 않을 것입니다."라고 언급했습니다.

책임

AI 관행을 규제하는 중요한 법률이 없기 때문에 윤리적 AI가 실행되도록 보장하는 실질적인 집행 메커니즘이 없습니다. 현재 기업들은 비윤리적인 AI 시스템이 수익에 부정적인 영향을 미칠 수 있다는 생각 때문에 윤리적 AI를 시행하려고 노력합니다. 이러한 격차를 해소하기 위해 윤리학자와 연구자 간의 협업의 일환으로 윤리 프레임워크가 등장하여 사회 내 AI 모델의 구축 및 배포를 관리하게 되었습니다. 그러나 이는 현재로서는 지침에 불과합니다. 일부 연구(ibm.com 외부 링크)에 따르면 책임 분산과 잠재적 결과에 대한 예측 부족이 결합되어 사회에 대한 피해를 예방하는 데 도움이 되지 않는 것으로 나타났습니다.

AI 윤리에 대한 IBM의 입장에 대해 자세히 알아보기

잘못된 시스템으로 인해 비용이 증가하거나 다른 유용한 도구 또는 기술의 사용이 제한될 수 있으므로 플랫폼을 선택하는 것은 어려운 프로세스가 될 수 있습니다. AI 플랫폼을 선택하기 위해 여러 공급업체를 검토할 때 기능이 많을수록 시스템이 더 좋다고 생각하는 경향이 있습니다. 그럴 수도 있지만, 검토자는 AI 플랫폼이 조직을 위해 무엇을 할 수 있을지에 대해 생각하는 것부터 시작해야 합니다. 어떤 머신 러닝 기능을 제공해야 하며, 이를 달성하기 위해 어떤 기능이 중요할까요? 한 가지 기능이 누락되면 전체 시스템의 유용성이 저하될 수 있습니다. 다음은 고려해야 할 몇 가지 기능입니다.

• MLOps 기능. 시스템에 다음이 포함되어 있나요?
  • 관리 용이성을 위한 통합 인터페이스
  • 로우코드 및 노코드 기능으로 더 빠른 모델 생성을 위한 자동화된 머신 러닝 도구
  • 최적화 모델의 선택 및 배포를 간소화하기 위한 의사 결정 최적화
  • 통합 데이터 및 AI 스튜디오에서 시각적 데이터 과학을 오픈 소스 라이브러리 및 노트북 기반 인터페이스와 결합하는 시각적 모델링
  • 초보자는 빠르게 시작할 수 있고 고급 데이터 과학자는 실험할 수 있는 자동화된 개발
  • 실제 데이터를 쉽게 사용할 수 없는 경우 실제 데이터의 대안 또는 보완책으로 사용할 수 있는 합성 데이터 생성기
     
• 생성형 AI 기능. 시스템에 다음이 포함되어 있나요?
  • 훈련된 데이터를 기반으로 텍스트, 이미지 및 기타 콘텐츠를 생성할 수 있는 콘텐츠 생성기
  • 고객 불만을 평가 및 정렬하거나 고객 피드백 감정을 검토하는 등 서면 입력을 읽고 분류하는 자동화된 분류
  • 고밀도 텍스트를 고품질 요약으로 변환하고, 재무 보고서의 핵심 사항을 캡처하고, 회의 내용을 녹취할 수 있는 요약 생성기
  • 복잡한 세부 정보를 분류하고 대용량 문서에서 필요한 정보를 빠르게 가져올 수 있는 데이터 추출 기능