'시민 데이터 과학자'의 부상:인간화된 머신 러닝이 인간 지능을 향상시키는 방법

IDC 전 세계 데이터 볼륨은 2018년에서 2025년 사이에 61% 증가하여 결국 175제타바이트에 이를 것으로 예상되며 이 중 대부분은 기업에서 생성됩니다. 그렇다면 비즈니스 프로세스를 최적화하고 일상적인 운영을 개선하며 의사 결정에 정보를 제공하기 위해 이를 어떻게 활용할 수 있을까요?

답은 인간화된 기계 학습 플랫폼에 있다고 Mind Foundry는 말합니다. 비즈니스 문제 소유자가 고급 기계 학습 기능에 액세스할 수 있도록 하여 '시민 데이터 과학자'의 부상을 가능하게 하는 연구 이사 Nathan Korda.

너무 많은 데이터, 너무 적은 시간

오늘날 많은 기업은 매일 생성되고 수집되는 풍부한 데이터에서 완전한 가치를 분석하고 추출하는 데 어려움을 겪고 있습니다. C급 임원, 분석가, 운영 관리자 등 비즈니스 문제 소유자가 직면한 과제는 데이터를 효과적으로 이해하여 더 많은 비즈니스 가치를 창출하고 프로세스를 최적화하는 방법입니다.

그들은 데이터로 가득 찬 스프레드시트를 가지고 있고 간단한 데이터 모델을 사용하여 제한된 가치를 추출할 수 있습니다. 하지만 이를 더 발전시킬 수 있는 방법은 무엇입니까? 해답은 사용자 중심 플랫폼을 통한 머신 러닝의 더 큰 접근성에 있습니다. 이를 통해 처음으로 비즈니스 문제 소유자(특정 문제와 운영에 미치는 영향에 대해 잘 알고 있는 사람)가 고급 기계 학습 기능을 비즈니스 가치에 연결할 수 있습니다.

혜택은 모두에게 제공됩니다.

머신 러닝은 전통적으로 광범위한 리소스, 시간 및 기술 전문 지식을 필요로 하는 것으로 간주되어 왔으며, 여기에는 현재 인재 수요가 공급을 초과하는 고도로 전문화된 분야인 데이터 과학자 고용이 포함되는 경우가 많습니다. 이 외에도 데이터 과학자는 비즈니스 문제와 너무 분리되어 상황을 파악하고 운영에 미치는 전체 영향을 이해하지 못하는 경우가 많습니다.

데이터 과학 또는 분석 전담 역할을 하지 않는 직원인 시민 데이터 과학자를 입력하세요. 직원은 인간화된 기계 학습 플랫폼을 사용하여 데이터를 탐색하고 모델을 쉽게 배포하여 보유하고 있는 가치를 실현할 수 있습니다. 사용자 중심 플랫폼 덕분에 현재 직원은 전문 교육 없이도 기계 학습 기술에 액세스할 수 있습니다. 이는 데이터 소유자가 막대한 투자나 전문 지식 없이도 자신의 데이터를 신속하게 마스터하고 대규모 작업을 완료할 수 있도록 하는 데 있어 중요한 이정표입니다.

회사 수준에서 이는 데이터 과학 전문 지식이 부족할 수 있는 중소기업 및 직원의 손에 고급 기계 학습 솔루션을 제공합니다. 그러나 머신 러닝의 접근성 향상은 데이터 과학자들에게 새로운 기회를 제공하여 비즈니스 문제에 더 가까이 다가가고 기술을 디지털 혁신 프로젝트를 위한 혁신에 집중할 수 있는 시간을 확보합니다.

새로운 비즈니스 기능 – 속도와 규모

머신 러닝 플랫폼은 시민 데이터 과학자에게 데이터를 신속하게 준비 및 시각화한 다음 적절한 모델을 구축, 배포 및 관리하는 데 필요한 기능에 대한 더 큰 접근성을 제공합니다. 여기에 데이터를 정리하고 올바른 형식을 지정하기 위한 조치를 제안하거나 데이터 세트에 가장 적합한 모델을 추천하는 것이 포함되는지 여부에 관계없이 인간화된 플랫폼은 처음부터 끝까지 프로세스를 통해 사용자를 안내하도록 설계되었습니다.

이 접근 방식의 핵심 측면은 일상적인 데이터 준비 작업의 양을 줄이는 것입니다. 예산 예측과 같이 반복적이고 유사한 방식으로 데이터를 일상적으로 분석해야 하는 비즈니스 프로세스를 생각해 보십시오. 관리자는 예상되는 비즈니스 결과에 따라 예산을 확정하기 위해 몇 주 동안 고위 관리 리소스를 묶는 대신 직관적인 기계 학습 플랫폼을 사용하여 매년 예산을 수정하는 데 재사용할 수 있는 모델을 신속하게 식별하고 설정할 수 있으므로 시간 투자를 크게 줄일 수 있습니다. 이 프로세스는 앞으로 진행됩니다.

또는 정밀 부품을 개발 및 생산하는 고급 제조 회사를 선택하십시오. 수십 년의 산업 경험과 장비 센서에서 생성된 데이터에 대한 깊은 이해를 가진 기계 전문가가 있을 수 있지만 전담 데이터 과학 팀 없이는 최적화를 위한 패턴과 영역을 식별할 수 없습니다. 인간화된 머신 러닝 플랫폼을 통해 이러한 전문가는 몇 분 만에 데이터를 입력, 정리 및 시각화한 다음 적절한 데이터 모델을 선택하여 이전에 볼 수 없었던 통찰력을 발견할 수 있습니다.

인간과 기계의 만남:보완 기능

머신 러닝 플랫폼은 기존 직원의 기술을 강화하기 위한 것입니다. 그들은 전통적으로 비즈니스 데이터에 머신 러닝을 적용하는 데 투자한 많은 시간과 리소스를 제거하지만 프로세스의 소유권과 제어는 여전히 사용자에게 있습니다. 이것이 머신 러닝 기술을 성공적으로 사용하기 위한 핵심입니다.

기계 학습 응용 프로그램은 위험 평가 및 관리, 데이터 기반 판단에 탁월하지만 인간 문제에 대한 상황을 파악하고 문제를 해결하는 데 필요한 직관력과 창의성이 부족합니다. 여기서 인간화된 머신 러닝 플랫폼이 '인간' 작업과 '컴퓨터' 작업 사이에 선을 그립니다. 그들은 데이터 정리, 데이터 기반 모델 검색 및 모델 검증과 같은 노동 집약적이고 반복적인 작업을 수행하고 문제 소유자가 당면한 비즈니스 문제에 보다 직접적으로 시간과 리소스를 집중할 수 있도록 합니다.

궁극적으로 컴퓨터는 기계 학습을 적용할 때 항상 인간과 협력해야 합니다. 프로젝트 성공을 보장하기 위해 머신 러닝은 인간 팀의 일부를 구성하여 인간의 기술, 지능 및 능력을 강화해야 합니다. 인간은 데이터와 관련 오류를 맥락화하는 고유한 능력을 가지고 있습니다. 큰 데이터 세트에 오류 코드가 있는 간단한 예를 들어 보겠습니다. 머신 러닝 플랫폼은 이를 맥락화하기 위해 고군분투할 것이지만, 비즈니스 프로세스에 가까운 사람은 센서가 범위를 벗어난 것과 같은 설명을 신속하게 제공할 수 있습니다.

즉각적인 이점 외에도 머신 러닝 플랫폼은 시민 데이터 과학자가 회사를 떠나면 레거시 문제를 해결합니다. 이러한 직원은 특정 비즈니스 문제를 해결하기 위한 머신 러닝 솔루션을 개발할 수 있으며, 이러한 성과가 계속 운영되고 직관적이며 직원이 이동한 후에도 재사용할 수 있다는 지식을 확보할 수 있습니다.

기계 학습은 이제 모든 비즈니스에서 실행 가능합니다.

머신 러닝은 모든 규모의 비즈니스에서 일상적인 운영 최적화를 추진함에 따라 점점 더 일반화될 예정입니다. 비즈니스 문제 소유자는 항상 특정 문제 및 기존 비즈니스 우선 순위와의 관련성에 대해 고유하고 친밀한 지식을 갖고 있다는 사실을 잊지 마십시오. 처음으로 대규모 기계 지능을 신속하게 활용하여 데이터의 가치를 직접 식별하고 향상시킬 수 있습니다.

머신 러닝을 데이터에 적용하는 것은 더 이상 몇 개월에 걸친 힘들고 리소스 소모적인 프로젝트가 될 필요가 없습니다. 시민 데이터 과학자의 부상은 중소기업이 고급 기계 학습 기능을 신속하게 활용하여 데이터에서 더 큰 통찰력과 비즈니스 가치를 얻을 수 있는 상당한 기회를 제공하고 있습니다.

Nathan Korda는 University of Oxford 기계 학습 스핀아웃 연구 책임자입니다. 마인드 파운드리 .