머신러닝이란?
머신러닝 정리
ML(머신러닝)은 사용하는 데이터를 기반으로 학습 또는 성능 향상을 지원하는 시스템을 구축하는 데 초점을 맞추는 인공 지능(AI)의 하위 집합입니다. 인공 지능은 인간 지능을 모방하는 시스템 또는 머신을 나타내는 광범위한 용어입니다. 머신러닝과 AI에 대해 함께 논의되는 경우가 많고 서로 바꿔서 사용되기도 하지만 동일한 것을 의미하지는 않습니다. 모든 머신러닝이 AI이지만 모든 AI가 머신러닝은 아닙니다.
오늘날 머신러닝은 우리 일상생활 저변에서 사용되고 있습니다. 은행 업무를 보거나, 온라인 쇼핑을 하거나, 소셜 미디어를 사용할 때 머신러닝 알고리즘이 작동하여 우리의 경험을 효율적이고 매끄럽고 안전하게 만듭니다. 머신러닝 및 관련 기술은 빠르게 발전하고 있으며 성장 가능성은 무궁무진합니다.
ML(머신러닝) 유형: 두 가지 학습 방법
알고리즘이란 머신러닝에 동력을 공급하는 엔진과 같습니다. 오늘날에는 지도 학습과 비지도 학습이라는 두 가지 주요 머신러닝 알고리즘이 사용됩니다. 이 둘의 차이점은 예측하기 위해 데이터를 학습하는 방법에 있습니다.
| 지도 머신러닝 | 지도 머신러닝 알고리즘이 가장 일반적으로 사용됩니다. 이 모델을 사용하면 데이터 사이언티스트가 가이드 역할을 하며 알고리즘에 어떤 결론을 내릴지 알려 줍니다. 어린이가 그림책에서 과일 사진을 보고 과일을 식별하는 방법을 학습하는 것과 마찬가지로, 알고리즘은 라벨이 이미 지정되어 있고 사전 정의된 출력이 있는 데이터 세트를 통해 학습합니다. 감독된 머신러닝의 예에는 선형 및 논리적 회귀, 멀티 클래스 분류, 지원 벡터 머신과 같은 알고리즘이 포함됩니다. |
| 비지도 머신러닝 | 비지도 머신러닝은 보다 독립적인 접근 방식으로서, 인간이 밀접하고 지속적인 지침을 제공하지 않고도 컴퓨터가 복잡한 프로세스와 패턴을 식별하는 방법을 학습합니다. 예약되지 않은 머신러닝은 레이블 또는 정의된 특정 출력이 없는 데이터를 기반으로 하는 교육을 포함합니다. 다시 아동의 학습 방식과 유사하게, 비지도 머신러닝은 강사의 도움을 통해 이름을 기억하는 것보다 색상과 패턴을 관찰하여 과일을 식별하는 방법을 배우는 아이의 학습입니다. 어린이는 이미지 간의 유사점을 찾아 그룹으로 분리하여 각 그룹에 고유한 새 레이블을 할당합니다. 비지도 머신러닝 알고리즘의 예로는 k- 평균 클러스터링, 주성분 분석 및 독립 성분 분석, 연관 규칙이 있습니다. |
| 접근 방식 선택 | 귀하의 요구에 가장 적합한 접근법은 무엇일까요? 일반적으로 데이터의 구조 및 볼륨과 관련된 요인, 그리고 이를 적용하려는 사용 사례에 따라 지도 혹은 비지도 머신러닝 알고리즘 중 하나를 선택합니다. 머신러닝은 다음과 같은 다양한 비즈니스 목표와 사용 사례를 지원하는 광범위한 산업 분야에 흩어져 있습니다.
|
ML(머신러닝) 및 개발자
머신러닝을 시작할 때 개발자는 통계, 가능성 및 계산 지식을 기반으로 시간이 지남에 따라 가장 성공적인 모델을 생성할 수 있습니다. 이러한 분야에는 풍부한 기술이 사용되므로 개발자는 최신 ML 알고리즘 교육을 위해 다른 개발자들이 사용하는 툴을 배우는 데 문제가 없어야 합니다. 개발자들은 또한 알고리즘을 감독할지 여부를 결정할 수 있습니다. 개발자는 프로젝트에서 결정을 내리고 모델을 조기에 설정할 수 있으며, 이후 개발자의 개입 없이도 모델을 학습할 수 있습니다.
개발자와 데이터 과학자 사이의 구분이 흐릿한 경우가 많습니다. 때로 개발자는 머신러닝 모델에서 데이터를 통합하고 데이터 과학자는 최종 사용자를 위한 솔루션을 개발할 수 있습니다. 이러한 두 원칙 간의 협업을 통해 ML 프로젝트를 더 가치 있게 만들 수 있습니다.
머신러닝 비즈니스 목표: 고객 생애 가치 모델링
고객 평생 가치 모델링은 전자 상거래 비즈니스에 필수적이지만 다른 산업에도 적용될 수 있습니다. 이 모델에서 조직은 머신러닝 알고리즘을 사용하여 가장 가치 있는 고객을 식별, 이해 및 유지합니다. 이러한 가치 모델은 막대한 양의 고객 데이터를 평가하여 가장 큰 지출을 하는 고객, 브랜드 충성도가 가장 높은 고객 또는 이러한 특성의 조합을 갖춘 고객을 파악합니다.
고객 평생 가치 모델은 고객 한 명이 주어진 기간에 비즈니스에 가져올 미래 수익을 예측하는 데 특히 효과적입니다. 조직은 이 정보를 활용하여 부가가치 고객이 브랜드와 더 자주 상호 작용하도록 장려하는 마케팅에 리소스를 집중할 수 있습니다. 고객 평생 가치 모델은 조직이 기존 고부가가치 고객과 유사한 신규 고객을 유치하기 위해 지출하는 획득 비용을 결정하는 데에도 도움이 됩니다.
머신러닝을 통한 고객 이탈 모델링
신규 고객을 확보하는 것은 기존 고객을 만족시키고 충성스럽게 유지하는 것보다 시간과 비용이 더 많이 소요됩니다. 고객 이탈 모델링은 조직이 거래를 중단할 가능성이 있는 고객과 거래 중단 이유를 식별하는 데 도움이 됩니다.
효과적인 이탈 모델은 머신러닝 알고리즘을 사용하여 개별 고객의 이탈 위험 점수부터 고객 이탈 동인에 이르는 모든 것에 대한 인사이트를 중요도에 따라 순위를 매겨 제공합니다. 이러한 정보는 알고리즘 기반의 고객 유지 전략을 개발하는 데에 있어 핵심입니다.
기업은 고객 이탈에 대한 심층적인 인사이트를 얻음으로써 할인 제안, 이메일 캠페인 및 그외 타겟 마케팅 이니셔티브를 최적화하여 고부가가치 고객을 계속 확보하고 이들이 재방문하도록 유인할 수 있습니다.
소비자는 그 어느 때보다 넓어진 선택의 폭을 누리며, 다양한 채널을 통해 가격을 즉시 비교할 수 있습니다. 기업은 수요 가격 모델이라고도 하는 동적인 가격 모델을 통해 가속하는 시장 역학에 보조를 맞출 수 있습니다. 조직에서는 대상 고객의 관심도, 구매 시점의 수요, 고객이 마케팅 캠페인에 참여했는지 여부 등의 요소를 기반으로 항목의 가격을 유연하게 책정할 수 있습니다.
이러한 수준의 비즈니스 민첩성을 달성하려면 탄탄한 머신러닝 전략과 다양한 상황에서 여러 부류의 고객의 상품 또는 서비스에 대한 지불 의지의 변화 양상을 보여줄 방대한 데이터가 필요합니다. 동적인 가격 모델은 복잡할 수 있지만 항공사 및 승차 공유 서비스를 제공하는 기업에선 수익을 극대화하기 위해 동적 가격 최적화 전략을 성공적으로 구현했습니다.
머신러닝 비즈니스 목표: 고객 세분화로 대상 고객 지정
성공적인 마케팅이란 예로부터 적시에 적합한 사람에게 적합한 제품을 제공하는 것을 의미합니다. 얼마 전까지만 해도 마케터는 타겟 캠페인 목적으로 고객을 그룹으로 분리하는 고객 세분화 작업을 할 때 자신의 직관에 의존했습니다.
오늘날 데이터 사이언티스트는 머신러닝을 통해 클러스터링 및 분류 알고리즘을 사용하여 특정 변형에 따라 고객을 사용자 유형 별로 그룹화할 수 있습니다. 이러한 사용자 유형을 통해 인구 통계, 검색 행동 및 선호도 등 다양한 차원에서 고객 간 차이점을 고려할 수 있습니다. 데이터에 정통한 기업은 이러한 특성을 구매 행동 패턴에 연결함으로써 일반화된 캠페인보다 매출을 높이는 데 더 효과적인, 고도로 개인화된 마케팅 캠페인을 시작할 수 있습니다.
기업에서 사용할 수 있는 데이터가 증가하고 알고리즘이 정교해짐에 따라 개인화 기능이 향상되어 기업이 고객 세그먼트의 크기를 1명으로 줄이는 이상을 실현하는 날이 멀지 않습니다.
머신러닝 비즈니스 목표: 이미지 분류의 위력 활용
머신러닝은 소매, 금융 서비스 및 전자 상거래를 넘어 다양한 사용 사례에 유용합니다. 또한, 과학, 헬스케어, 건설 및 에너지 응용 분야에서도 엄청난 잠재력을 지니고 있습니다. 예를 들어, 이미지 분류는 머신러닝 알고리즘을 사용함으로써 입력된 이미지에 고정된 범주 집합의 레이블을 할당합니다. 기업은 이 기술로 2D 설계를 기반으로 3D 건설 계획을 모델링하거나, 소셜 미디어의 사진 태깅을 용이하게 하거나, 의료 진단 정보를 제공하는 등 다양하게 활용할 수 있습니다.
신경망과 같은 딥 러닝 기법이 이미지 분류에 자주 사용되는 이유는 잠재적인 합병증이 존재할 때 이미지의 관련 특징을 가장 효과적으로 식별할 수 있기 때문입니다. 예를 들어, 딥 러닝을 활용하면 이미지의 관점, 조명, 스케일 또는 클러터 볼륨의 변화를 고려하고 이러한 문제를 상쇄하여 가장 관련성이 높고 가치 있는 인사이트를 제공할 수 있습니다.
추천 엔진
추천 엔진은 크로스셀링 및 업셀링을 유도하고 더 나은 고객 경험을 제공하는 데 필수적입니다.
Netflix는 콘텐츠를 제안하는 추천 엔진의 가치를 연간 10억 달러로 높이 평가하며, Amazon은 자사의 추천 시스템 덕에 연간 매출이 20~35% 증가한다고 밝혔습니다.
추천 엔진은 기계 학습 알고리즘을 사용하여 대량의 데이터를 선별하여 고객이 항목을 구매하거나 콘텐츠를 즐길 가능성을 예측 한 다음 사용자에게 맞춤 제안을 합니다. 결과적으로 고객에게 보다 개인화되고, 적합한 경험을 제공함으로써 참여를 장려하고 고객 이탈을 줄일 수 있습니다.
머신러닝 사용 사례
머신러닝은 다양한 주요 비즈니스 사용 사례에 유용합니다. 하지만 머신러닝이 어떻게 경쟁 우위를 달성할까요? 머신러닝에는 자동화, 의사 결정 시간 단축, 가치 실현 시간 단축이라는 아주 매력적인 특성이 있습니다. 이는 비즈니스 가시성을 향상하고 협업을 강화하는 것에서 시작됩니다.
Oracle Analytics의 제품 전략 담당 부사장인 Rich Clayton은 말합니다. "우린 협업은 어렵다는 고질적인 문제에 주목했습니다." "Oracle Analytics Cloud에 머신러닝을 추가하면 작업을 정리하고 이러한 데이터 모델을 구축, 교육 및 배포하는 데 궁긍적인 도움이 됩니다. 프로세스를 가속화하고 비즈니스의 다양한 부문이 협업할 수 있도록 하여 더 나은 품질과 배포 모델을 제공하는 유용한 협업 도구입니다."
예를 들어, 일반적인 재무 부서는 실제 관측된 값과 예측된 값을 비교하는 분산 분석 프로세스를 반복해야 하는 부담을 일상적으로 지고 있습니다. 이는 인지적 요구가 낮은 활동으로서 머신러닝의 이점을 크게 누릴 수 있습니다.
"머신러닝을 적용하면 금융은 더 빠르고 현명하게 작동할 수 있으며, 기계가 중단한 부분에서 시작할 수 있습니다."라고 Clayton은 말합니다.
예측의 힘
머신러닝의 또 다른 흥미로운 기능은 예측 기능입니다. 과거에는 이전 결과를 바탕으로 비즈니스 결정을 내리는 경우가 많았습니다. 오늘날 머신러닝은 풍부한 분석 기능을 활용하여 일어날 일을 예측합니다. 조직은 과거 데이터에 의존하는 대신 미래지향적이고 사전예방적인 결정을 내릴 수 있습니다.
예를 들어, 제조업체, 에너지 회사 및 기타 산업에서는 예측 유지보수를 통해 이니셔티브를 포착하고 운영의 신뢰성과 최적화를 유지할 수 있습니다. 머신러닝 모델은 수백 개의 드릴이 작동 중인 유전에서 가까운 장래에 오류가 발생할 위험이 있는 장비를 찾아내어 유지보수 팀에 미리 알릴 수 있습니다. 이 접근 방식은 생산성을 극대화할 뿐만 아니라 자산의 성능, 가동 시간 및 수명을 연장할 수 있습니다. 또한, 작업자 위험을 최소화하고, 책임을 줄이며, 규제 준수를 강화할 수 있습니다.
예측 유지보수의 이점은 재고 통제 및 관리까지 확장됩니다. 예측 유지보수를 적용하여 계획되지 않은 장비 다운타임을 방지하면 조직에서 예비 부품 및 수리의 필요성을 보다 정확하게 예측하여 자본 및 운영 비용을 크게 줄일 수 있습니다.
머신러닝의 잠재력
머신러닝은 오늘날 사용 가능한 풍부한 데이터를 활용하여, 조직이 비즈니스 가치를 도출하는 데 도움이 되는 막대한 잠재력을 제공합니다. 그러나 비효율적인 워크플로는 기업이 머신러닝의 최대 잠재력을 실현하지 못하게 할 수 있습니다.
엔터프라이즈 수준에서 성공하려면 머신러닝이 조직이 운영을 단순화하고 대규모 모델을 배포하는 데 도움이 되는 포괄적인 플랫폼의 일부가 되어야 합니다. 올바른 솔루션을 통해 조직은 모든 데이터 과학 작업을 협업 플랫폼으로 중앙 집중화하고 오픈 소스 도구, 프레임 워크 및 인프라의 사용 및 관리에 박차를 가할 수 있습니다.