머신러닝(ML) 실전 가이드: 업계 리더를 위한 실용적 통찰... "규칙 기반에서 데이터 주도로, 인간은 최종 의사결정자"

머신러닝(ML)은 낯선 사람에게는 난해해 보일 수 있습니다. ML이 무엇인지, 제조업에 어떤 의미인지 이해 부족으로 인해 지능형 기계가 인류를 지배할 것이라는 터무니없는 생각이 생기기도 합니다. 하지만 ML은 근본적으로 정보 기술(IT) 발전의 주요 진전입니다. 그 작동 원리와 한계는 조직의 최대 이익을 위해 활용하려는 사람들이 완전히 이해해야 합니다.

ML은 인정하건대, 제조업에서 아직 소수만 보유하거나 필요로 했던 특정한 통계 및 IT 기술을 요구합니다. 하지만 그 원리는 꽤 단순하며, 심지어 직관적으로 파악할 수 있습니다. 저에게는 한때 꽤 지루하다고 여겼던 온라인 언어 번역 서비스, 즉 구글 번역(Google Translate)이 ML의 변혁적 잠재력을 깨닫게 해준 계기였습니다.

간단히 말해, 언어 번역 소프트웨어는 오랫동안 프로그래밍된 사전, 문법 규칙, 수많은 예외를 기반으로 했습니다. 이 접근법은 상당한 노력을 필요로 합니다.

'규칙 기반'에서 '데이터 주도' 프로세스로

·  새로운 방법론은 더 단순한 아이디어에서 비롯되었습니다: 처음부터 규칙과 어휘표를 정의하려 하지 말고, 소프트웨어가 그것들을 '발견'하게 하라. 국제기구에서 이미 번역된 수백만 페이지를 수집합니다.

·  사용자가 번역할 텍스트를 제출하면, 소프트웨어는 이를 기본 요소로 쪼개고 번역된 페이지 내에서 동일하거나 유사한 요소를 같은 언어로 검색합니다.

·  가장 가능성이 높은 번역을 추출해 사용자에게 제안합니다.

따라서 데이터에서 발견된 관련 통계적 패턴이 번역 규칙을 대체합니다. 고통스럽게 프로그래밍되는 대신, 소프트웨어에 의해 자동으로 '학습'됩니다. 결과 번역 품질이 보통 기존 방식과 동등한 수준이므로, 기존 방식 대비 이 접근법의 비용 절감 가치를 쉽게 알 수 있습니다.

제조업에서는 생산성 향상이 상당한 품질 개선과 결합됩니다. 자동화 프로세스를 지정해 본 사람이라면, 기능 도메인 전문가가 참여하더라도 소프트웨어가 생산 단계에서 직면할 모든 가능한 상황을 예측하는 것이 얼마나 복잡한지 알 것입니다. 소프트웨어의 기능적 규칙은 제한된 수의 관찰에 의존하는 가정에 기반합니다. 하지만 현실은 종종 예상보다 훨씬 더 복잡하여, 자동화가 결국 최적이 아니거나 소프트웨어가 비용이 많이 드는 수정을 요구하게 됩니다.

반면 머신러닝은 데이터 양에 관계없이 사용 가능한 모든 데이터를 흡수하고 스스로 발전시킵니다. 즉, 패턴이나 사용 사례가 그림에서 빠질 위험이 제한됩니다.

인간이 최종 결정권자여야 한다

기계는 또한 인간의 지능이 가진 '인지 편향(cognitive biases)'을 피합니다. 이는 사용 가능한 데이터의 불완전한 선택과 부적절한 의사결정으로 이어집니다.

좋은 예는 은행이 접수한 대출 신청의 자동 처리입니다. 알고리즘은 차용인의 핵심 정보와 상환 정보를 살펴보고, 차용인 프로필과 부도 위험 간의 가능성 있는 관계를 강조합니다. 새 대출 신청에 적용하면, 알고리즘은 충분하다고 간주되는 정확도 수준으로 차용인이 상환할지 예측합니다. 이는 편견이나 은행 직원의 기분에 의해 촉발되는 나쁜 결정의 위험을 제거합니다.

그럼에도 불구하고, 인간이 최종 의사결정자로 남아있는 것이 중요합니다.

첫째, 소프트웨어는 분명히 완벽하지 않기 때문입니다. 인간이 만든 설정에 의해 지배됩니다. 예를 들어, '가양성(false positives)'(상환 불능 차용인에게 대출 승인)을 피하도록 최적화되어 특정 대출 신청을 거부하는 쪽으로 기울 수 있습니다. 따라서 사용자는 시스템 권장사항이 정당한지 확인하고, 필요하다면 거부해야 합니다. 이는 시스템이 새로운 기준을 학습하여 다음 번에 유사한 프로필의 신청을 수락하게 합니다.

또 다른 핵심 이유는 윤리적 기준 충족을 인간만이 보장할 수 있기 때문입니다. 특히 개인의 권리와 관련된 결정에서는 더욱 그렇습니다.

데이터가 최우선 (Data über alles)

위험에 처한 제조 공정과 이를 지탱하는 데이터 유형에 맞는 알고리즘 모델을 선택하고 설정하는 것이 필수적입니다. 자동화 성능은 두 가지 필수 조건 충족에 달려 있습니다: 데이터 품질, 훈련 세트 대표성. 즉, 편향되지 않은 관찰을 기반으로 ML이 수행될 때 자동화가 더 효율적입니다.

데이터 접근은 ML 성공에 필수적입니다. 궁극적으로 어떤 수준의 알고리즘 정교함도 열악한 데이터 세트를 만회할 수 없기 때문입니다.

컴퓨터 성능 증가와 디지털화로, 더 효율적인 자동화 제조 공정을 설계하기 위해 데이터 주도 접근법을 활용하는 것이 가능해졌고 아마도 필수적이 되었습니다. 필요한 과학적 기술 외에도, 이러한 솔루션의 성공은 관련 데이터 수집과 인간에 의한 운영 모니터링에 달려 있습니다. 머신러닝은 임의적 행동을 배제하려는 경향이 있습니다. 이를 부적절한 과도한 일반화로 대체하지 않도록 하는 것은 우리의 몫입니다.

작성: 장-시릴 슈테를레(Jean-Cyril Schütterlé), 시드트레이드(Sidetrade) VP 제품 & 데이터 사이언스