기계 학습의 신비화

기계 학습(ML)은 익숙하지 않은 사람에게는 뚫을 수 없는 것처럼 보일 수 있습니다. ML이 무엇이며 제조업체에 의미하는 바에 대한 이해 부족...

기계 학습(ML)은 익숙하지 않은 사람에게는 뚫을 수 없는 것처럼 보일 수 있습니다. ML이 무엇인지, 제조 산업에 어떤 의미인지에 대한 이해 부족은 때때로 인류를 장악할 지능적인 기계에 대한 기이한 아이디어를 불러일으킵니다. 그러나 기본적으로 ML은 정보 기술(IT) 개발의 주요 발전입니다. 작동 방식과 그 한계는 조직의 최대 이익을 위해 사용하려는 사람들이 완전히 이해해야 합니다.

ML은 확실히 소수의 사람들이 아직 제조에 필요로 하지 않았거나 필요로 하는 특정 통계 및 IT 기술의 사용을 요구합니다. 그러나 그 원리는 매우 간단하며 이해하기에도 직관적입니다. 저에게는 한때 다소 평범한 언어 번역 온라인 서비스라고 생각했던 Google 번역이 ML의 변혁적 잠재력을 깨닫는 데 도움이 되었습니다.

간단히 말해서, 언어 번역 소프트웨어는 오랫동안 프로그래밍 사전, 문법 규칙 및 수많은 예외를 기반으로 했습니다. 이 접근 방식에는 상당한 노력이 필요합니다.

'규칙 기반'에서 '데이터 기반' 프로세스로

·  새로운 방법론은 규칙과 어휘표를 처음부터 정의하려고 하지 말고 소프트웨어에서 '발견'하도록 하는 단순한 아이디어에서 비롯되었습니다. 이미 번역된 수백만 페이지가 국제 조직에서 수집됩니다.

·  사용자가 번역을 위해 텍스트를 제출하면 소프트웨어가 이를 기본 요소로 분할한 다음 번역된 페이지 내에서 동일한 언어로 동일하거나 유사한 것을 검색합니다.

·  가장 가능성이 높은 번역을 추출하여 사용자에게 제안합니다.

따라서 데이터에서 발견된 관련 통계 패턴이 번역 규칙을 대체합니다. 힘들게 프로그래밍하는 대신 소프트웨어에 의해 자동으로 '학습'됩니다. 특히 결과 번역의 품질이 일반적으로 비슷하기 때문에 전통적인 방법과 비교하여 이 접근 방식의 비용 절감 가치를 쉽게 알 수 있습니다.

제조 분야에서 생산성 향상은 상당한 품질 향상으로 인해 더욱 가중됩니다. 자동화 프로세스를 지정해 본 사람이라면 소프트웨어가 일단 생산에 들어가면 직면하게 될 모든 가능한 상황을 예상하는 것이 얼마나 복잡한지 알 것입니다. 이는 기능적 도메인 전문가가 관련된 경우에도 마찬가지입니다. 소프트웨어의 기능 규칙은 제한된 수의 관찰에 의존한다는 가정을 기반으로 합니다. 그러나 현실은 종종 예상보다 훨씬 더 복잡한 것으로 판명됩니다. 즉, 자동화가 결국 차선책이 되거나 소프트웨어가 결국 값비싼 수정을 요구하게 됨을 의미합니다.

반면 머신 러닝은 양에 관계없이 사용 가능한 모든 데이터를 사용하여 자체적으로 흡수하고 발전합니다. 즉, 패턴이나 사용 사례가 그림에서 제외될 위험이 제한적입니다.

사람이 계속 책임져야 함

또한 기계는 사용 가능한 데이터의 불완전한 선택과 부적절한 의사 결정으로 이어지는 인간 지능의 '인지 편향'을 피합니다.

좋은 예는 은행에서 받은 대출 요청의 자동화된 처리입니다. 알고리즘은 상환 정보와 함께 차용인의 주요 정보를 살펴봅니다. 그런 다음 차용인 프로필과 기본 위험 간의 가능한 관계를 강조 표시합니다. 새 대출 요청에 적용되는 알고리즘은 충분한 것으로 간주되는 정확도로 차용인이 상환할지 여부를 예측합니다. 이는 편견이나 은행 직원의 기분에 의해 촉발된 잘못된 결정의 위험이 제거됨을 의미합니다.

그럼에도 불구하고 인간이 궁극적인 의사 결정자로 남는 것이 중요합니다.

첫째, 소프트웨어가 분명히 완벽하지 않기 때문입니다. 그것은 인간이 만든 설정에 의해 관리됩니다. 예를 들어, '거짓 긍정'(채무 불이행을 하는 차용인에게 대출이 부여되는 경우)을 방지하도록 최적화되었을 수 있으므로 특정 대출 신청을 거부하는 방향으로 기울게 됩니다. 따라서 사용자는 시스템의 권장 사항이 적법한지 확인하고 필요한 경우 거부해야 합니다. 이렇게 하면 시스템이 새로운 기준을 학습하여 알고리즘이 다음에 유사한 프로필의 응용 프로그램을 수락할 수 있습니다.

또 다른 주요 이유는 특히 결정이 개인의 권리와 관련된 경우 인간만이 윤리적 기준을 충족해야 한다는 것입니다.

데이터를 초월한 모든 것

위태로운 제조 프로세스와 이를 유지하는 데이터 유형에 맞는 알고리즘 모델을 선택하고 설정하는 것이 중요합니다. 자동화 성능은 데이터 품질과 훈련 세트 대표성의 두 가지 요건을 충족하는 데 달려 있습니다. 즉, 편견 없는 관찰을 기반으로 ML을 수행할 때 자동화가 더 효율적입니다.

데이터에 대한 액세스는 ML 성공에 매우 중요합니다. 궁극적으로 어떤 수준의 정교한 알고리즘으로도 빈약한 데이터 세트를 보상할 수 없기 때문입니다.

컴퓨터와 디지털화의 힘이 커짐에 따라 보다 효율적인 자동화된 제조 프로세스를 설계하기 위해 데이터 기반 접근 방식을 활용하는 것이 가능해졌고 아마도 필수적일 것입니다. 필요한 과학적 기술 외에도 이러한 솔루션의 성공은 관련 데이터를 수집하고 사람이 운영을 모니터링하는 데 있습니다. 기계 학습은 임의적인 행동을 무시하는 경향이 있습니다. 부적절한 일반화로 대체되지 않도록 하는 것은 우리에게 달려 있습니다.

작성자 Jean-Cyril Schütterlé, ‎Sidetrade의 제품 및 데이터 과학 부사장