머신 러닝은 세상을 어떻게 변화시키고 있습니까?

유명한 맥주와 기저귀 이론 에 대해 들어본 적이 있습니까?

세계 최대 소매업체인 Walmart는 제품 간의 상관 관계를 이해하고 패턴을 식별하기 위해 이 이론을 "추정"했습니다.

금요일 오후 5시에서 7시 사이에 기저귀를 구매한 30-40대 남성은 트럭에 맥주를 싣는 경향이 있습니다. 이 이론은 식료품점에서 기저귀 옆에 맥주 캐럿을 보관하도록 동기를 부여하여 두 품목의 매출을 기하학적으로 증가시켰습니다.

이제 이 이론은 어떻게 작동합니까? 힘든 한 주를 보내고 나면 노동자 계급의 남성은 피곤해지기 마련입니다. 그들의 일상적인 책임과 함께 그들의 주말에는 종종 아기를 위한 기저귀를 사거나 인접한 통로에서 맥주를 ​​마시는 일이 포함됩니다.

이것은 상관 관계의 완벽한 예입니다. 이 이론은 대형 슈퍼마켓 체인이 제품을 연관시키는 방법을 설명합니다. 상관 관계는 기계 학습 모델을 구축하는 데 중요한 부분이 될 수 있습니다.

머신 러닝은 작업을 더 쉽게 만드는 모든 것입니다. 우리는 큰 작업에 대해서만 이야기하는 것이 아니라 흑백 이미지를 수동으로 색칠하고 소셜 미디어에서 수동으로 누군가를 찾는 것 또한 이야기하고 있습니다. 이제 작업 자체를 이해하고 새로운, 현재 및 과거 요구 사항에 따라 진화하는 기계를 상상해 보십시오.

머신 러닝이란 무엇입니까?

머신 러닝은 AI(인공 지능)의 하위 부분입니다. 스스로 학습할 수 있는 알고리즘을 만드는 학문입니다. 특정 프로그래밍을 적용하는 대신 데이터에서 패턴을 인식하여 작동합니다. 일단 설계되면 수동 조작이 필요하지 않습니다. 머신 러닝은 스스로 학습할 수 있을 만큼 충분히 지능적입니다. 통계 분석을 통해 원본 데이터에서 패턴을 찾고 미래의 패턴을 예측합니다.

더 나은 이해를 위해 다음은 몇 가지 예입니다.

1) Siri, Alexa 및 Google Assistant 는 기계 학습의 유명한 예 중 일부입니다. 가상 음성 도우미이며 음성으로 요청하면 정보를 찾는 데 도움이 되며 활성화하기만 하면 됩니다. 통합 가상 음성 도우미의 몇 가지 추가 예는 다음과 같습니다.

• 아마존 에코
• 삼성 빅스비
• 구글 알로

2) 이미지 인식

이미지 인식은 기계 학습의 가장 일반적인 예 중 하나입니다. 사물, 장소, 사람 등을 식별하는 기능입니다. 사람들은 앱, 소셜 미디어, 웹 사이트 등을 통해 많은 양의 데이터를 공유하며 Facebook은 98%의 정확도로 얼굴 인식을 수행하여 많은 양의 데이터를 위험에 빠뜨릴 수 있습니다. . 이미지 인식이 전 세계적으로 개인 정보 보호 및 보안에 어떤 영향을 미칠지에 대해 많은 논란 이 있습니다.

머신 러닝: 왜 중요한가요?

전통적으로 데이터 과학자 는 통찰력을 얻기 위해 컴퓨터를 훈련시키는 대신 완성된 모델을 구축했습니다 . 데이터가 풍부하고 이질적이기 때문에 지금은 불가능한 접근 방식으로 보입니다. 기계 학습은 엄청난 양의 데이터를 지능적으로 분해하고 의미 있는 솔루션을 제공하기 위해 스마트 알고리즘을 제안하기 때문에 여기에서 작동합니다.

Google은 하루에 20페타바이트(1페타바이트= 10^15바이트)의 데이터를 처리합니다. 거대한 검색 엔진에는 크롤링하는 모든 정보를 기록하는 데이터 센터가 있습니다. 2년 전에 Google에서 검색한 내용을 기억하지 못할 수도 있지만 Google은 기억합니다. 그것은 지구상의 거의 모든 데이터를 다루는 수십억 권의 책이 있는 광대한 도서관과 같습니다.

시장에는 매일 일정을 추적 하고 택시 예약, 집에 도착하기 전에 에어컨 켜기 또는 아침에 커피 메이커 켜기와 같은 일상 업무를 도와줄 수 있는 소프트웨어가 있습니다 .

원하든 원하지 않든 우리는 간단한 작업을 수행할 때마다 행동 패턴을 남깁니다. 이러한 패턴은 우리의 요구를 이해하고 기본 표준 프로세스에 대한 효율적인 대안을 찾기 위해 알고리즘에 의해 디코딩됩니다.

인공 지능, 머신 러닝 및 딥 러닝은 동일한가요?

아니요, 그렇지 않습니다. 서로 내포된 집합으로 생각할 수 있습니다. 이것을 이해하는 가장 쉬운 방법은 동심원으로 시각화하는 것입니다. 딥 러닝은 인공 지능의 하위 집합이기도 한 기계 학습의 하위 집합입니다.

서로 어떻게 다른지 살펴보겠습니다.

인공 지능 - John McCarthy에 따르면 인공 지능 은 기계, 로봇 제어 컴퓨터 기계 또는 인간처럼 지능적으로 생각하는 제품을 만드는 과정입니다. 인공 지능(Artificial Intelligence)은 인공(Artificial)과 지능(Intelligence)의 합성어로, 인공(AI)은 부자연스럽거나 인간이 만들어낸 것을 의미하고 지능(Intelligence)은 생각하고 이해할 수 있는 능력을 의미합니다.

인공 지능에 대한 몇 가지 핵심 사항:

• 주요 동기는 성공 가능성을 높이는 것입니다.
• 모든 스마트 작업을 수행하는 프로그램입니다.
• AI는 복잡한 문제를 해결할 수 있습니다.
• 상황에 따라 대응하기 위해 "인간과 같은" 시스템을 개발합니다.

머신 러닝 - 위에서 정의한 것처럼 머신 러닝은 스스로 학습할 수 있는 알고리즘을 만드는 과학입니다. 인공 지능의 하위 부분입니다.

기계 학습에 대한 몇 가지 핵심 사항:

• 주요 목표는 정확도를 높이는 것입니다.
• 데이터를 연구하고 학습합니다.
• 또한 처리된 정보에 대해 배웁니다.
• 최적인지 아닌지에 관계없이 하나의 솔루션에 적용됩니다.

딥 러닝 – 딥 러닝은 머신 러닝의 하위 부분입니다. 제공된 데이터에서 패턴을 추론하고 솔루션을 추출하는 데 도움이 됩니다. 패턴을 발견하는 데 수십 년이 걸릴 수 있는 구조화되지 않았거나 레이블이 지정되지 않은 데이터에서 학습할 수 있습니다.

딥 러닝에 대한 몇 가지 핵심 사항:

• 주요 목표는 주어진 데이터에서 패턴을 발견하는 것입니다.
• 패턴을 관찰하고 예측합니다.
• 인공 신경 시스템의 다단계 차원을 사용하여 기계 학습 절차를 완료합니다.

기계 학습의 영향

기계 학습은 기계가 인간의 지식을 만나는 차세대 기술로 우리의 삶을 변화시키는 데 매우 중요합니다. 기계 학습의 영향을 받는 일상 생활의 다양한 영역을 살펴보겠습니다.

• 집
  15년 전만 해도 우리는 미래에 통신이 얼마나 편리한지 생각해본 적이 없었을 것입니다. 그러나 이제 우리는 전 세계 모든 사람과 몇 초 만에 의사 소통을 할 수 있으며 우리 모두가 의존하고 있습니다. 우리는 의사 소통, 탐색, 정보 획득 등을 위해 컴퓨터에 너무 많이 의존합니다. 여기서 기계 학습이 작동하고 일상 활동을 돕습니다.
• 보건 의료
  공공의료의 기획과 마찬가지로 의료관리의 과정은 역사에 따른 분류에서 시작된다. 이는 향후 결과를 제공하기 위해 검사, 조사 및 모니터링하는 데 도움이 됩니다. 이러한 가정은 가장 필요한 영역에서 요구 사항을 찾는 데 도움이 됩니다.
• 수송
  우리는 이미 자율주행차나 AI가 운송 수단을 다른 수준으로 끌어올린 Tesla의 새로운 반자율 트럭과 같은 최근의 발전에 대해 알고 있습니다. 관찰자는 데이터를 분석하여 공공 안전과 같은 적절한 의사 결정을 예측하여 실시간으로 교통 관리 또는 범죄 세부 사항을 돕습니다. 또한 보행자와 자전거 이용자의 길을 찾는데 도움을 주어 교통사고 감소로 이어집니다.
• 교육
  예전에는 교사와 학생 사이의 학습 방법은 단 하나였습니다. 그러나 기계 학습이 추가되면서 많은 기관에서 교사-학생 상호 작용을 극대화하고 적절한 일정을 만들어 효율성을 높이는 방식으로 이를 활용하기 시작했습니다. 또한 개별 학습을 사용하여 각 학생에게 개별화된 관심을 제공함으로써 적응 학습을 제공함으로써 학생들의 도전에 도움이 되었습니다.

SEO 파트너로서의 머신 러닝

기계 학습과 SEO가 어떻게 손을 잡을 수 있는지 확신이 서지 않습니까?

탐색해 봅시다.

모든 검색 엔진은 더 나은 결과를 제공할 수 있도록 사물을 더 나은 방식으로 보는 방법을 배우고 있습니다.

기계 학습이 SEO의 세계를 어떻게 변화시키고 있는지에 대한 적절한 예는 이메일 필터링이 현재 수행되는 방식을 보는 것입니다. 이는 매우 중요합니다. 구글이 스팸을 걸러내는 성공률은 99.9% 로 미묘합니다. 특히 TensorFlow에서 스팸을 제거하기 위해 구글이 이 머신 러닝 프로세스를 채택했습니다. 이 전체 프로세스가 수년 동안 진행되었습니다.

이와 함께 Google은 명백한 스팸을 차단할 수 있는 규칙 기반 필터와 함께 인공 지능을 사용하고 있습니다. 이러한 패턴은 이러한 스팸이 링크된 사이트, 스팸이 받는 원치 않는 링크 유형 등에 의해 감지됩니다.

머신 러닝은 콘텐츠 SEO에도 영향을 미칩니다. 방법을 살펴보겠습니다.

Google은 10년 동안 구문을 일치시키고 결과를 추출하는 문제를 해결하기 위해 노력해 왔습니다. 이 문제를 해결하기 위해 2016년 9월 Google GNMT(신경 기계 번역 시스템)라는 기계 학습 시스템을 도입했습니다. 이를 통해 구문을 인코딩한 다음 필요한 결과를 표시하기 위해 디코딩하여 구문을 이해하는 데 효율성을 달성합니다.

머신 러닝: 미래에 왜 중요한가요?

머지 않아 인공 지능과 머신 러닝이 돌이킬 수 없는 돌이 남지 않게 될 것입니다. 몇 년 안에 사람들이 일하는 방식에 상당한 변화가 있을 것입니다. 의존성은 인간보다 컴퓨터에 더 많이 의존할 것입니다. 노동 에너지의 대부분은 컴퓨터에 의해 자동화될 것입니다.

기계 학습 및 인공 지능의 이러한 발전으로 인해 전 세계적으로 일자리가 사라질 수 있다고 생각할 수 있습니다. 그러나 그것은 사실이 아닙니다.

BBC에 따르면 인간이 작성한 알고리즘을 통해 일상적이고 반복적인 작업을 빠르고 효율적으로 수행할 수 있도록 머신 러닝이 자리를 잡고 있습니다. 노동 시장에 영향을 미칠 수 있지만 더 복잡하고 덜 일상적인 기술이 필요한 직업을 얻을 수 있습니다.

Mckinsey 의 연구 에 따르면 2030년까지 AI와 ML이 전 세계 노동력의 30%를 대체할 것이라고 합니다.

이러한 두려움에도 불구하고 모든 기술 혁명은 결국 분쇄된 것보다 더 많은 일자리를 창출하게 되었습니다.