220426

인공지능

사람처럼 생각하는 것이 아니라 합리적으로 의사결정, 행동하는 것

Deep Learning 문제점

학습을 해서 나온 프로그램을 실행시킬 때 왜 그런 판단을 해서 결과가 나왔는지 설명할 수 없음

머신러닝(Machine Learninig)종류

• Supervised Learning
  • 정답과 같이 트레이닝
  • 정답=labeling, 정답+data=labeled data
  • linear/logistic regression, decision tree, bayesian classification, neural network, hidden markov model(HMM) 등
  • 예측(regression), 분류(Classification)
• Unsupervised Learning
  • 정답없이 데이터만 트레이닝
  • K-Means clusterning, K-Nearest neighbor clustering, PCA, linear discriminant analysis
  • 군집화(Clusterning):고객세분화(segmentation), 장바구니 분석

머신러닝-문제를 푸는 방식

• 분류(classification)-supervised, 범주형 데이터 ex)Decision Tree, Random Forest, Logistic Regression, Neural Network, Gradient Boosting Tree, Naive Bayes, SVM
• 예측(regression)-supervised, 연속형 데이터    ex)Decision Tree, Linear Regression, Random Forest, Neural Network, Gradient Boosting Tree
• 군집화(clustering), unsupervised                  ex)K-means, PCA, SVD, Hidden Markov

티처블 머신 테스트

머신러닝 종류

• Reinforcement Learning
  • Feedback 과 reward/penalty
  • Monte Carlo methods, Q-learning, Deep Q-learning등
  • 최적화(Optimization) :  대부분 게임의 자동화, 공정 최적화

머신러닝의 정확도를 높이기 위해서는?

• 데이터의 완성도->결측치 없는 정확한 labeled data
• 데이터 가공방법(preprocessing)->전산팀
• 데이터의 가정(feature engineering)->현업 전문가
• 알고리즘 선택->머신러닝 전문가
• 문제의 난이도

=>협업이 중요!

ML과 DL의 차이점과 유사점

차이점

• data의 양 : DL>ML
• ML은 알고리즘을 찍어주어야하지만 DL은 알고리즘을 알아서 만들어주어야함

유사점

• data input방식
• model.fit
• model.predict

머신러닝,딥러닝의 8단계 업무 프로세스

1. 데이터셋 준비
2. 데이터 프리프로세싱
3. feature engineering
4. 모델 설계
5. 모델 학습
6. 모델 모니터링
7. 모델 검증
8. 모델 사용 및 feedback

인공지능 생태계

1. 시각
   • 얼굴 추적
   • 도로상의 객체 인식
   • 얼굴 인증
   • 인물 포즈 인식
   • AI 스타일링
   • 텍스트 제거
   • 문서 이미지 인식
   • 이미지 자막 인식
   • 슈퍼 레졸루션
   • 이상 행동 감지
2. 분석
   • 데이터 상관 분석
3. 음성
   • 음성 정제
   • 화자 인증
   • 화자 분리
   • 음성 생성
   • 음성 인식
   • Voice filter
4. 대화
   • NQA봇
   • 날씨봇/위키봇
   • 호텔컨시어지봇

인공지능 기술의 어려움

AI VS MO(Mathematical Optimization

AI

과거의 빅데이터를 분석해 최선의 답을 도출

경험을 바탕으로 가장 나은 방안 제시

고성능 컴퓨터에 기반해 복잡한 연산을 함

MO

컴퓨터가 고차원 수학 방정식을 이용해 최적의 답을 찾아내는 기술

수학 공식으로 현재 주어진 한정된 조건에서 가장 이상적인 해결책, 최적의 답을 찾음

빅데이터 분석하는 과정이 없음

시간, 비용이 상대적으로 적게 들어 일정한 공정에 따라 움직이는 산업에 효과적

기업의 기존 비즈니스에 인공지능을 도입하기가 왜 어려울까?

• 관리 역량을 갖춘 기술자들 부족
• 문제 신뢰에 대한 우려
• 높은 도입비용
• 개인정보 보호
• 핵심 기술 역량의 부재
• 양질의 데이터 부족
• AI 분야에 대한 막연한 걱정

AI Transformation

1. 맞춤형 AI 정의
   • 입출력 데이터 특성 정의
   • 목표 성능 요구치 정의
2. AI 개발 계획 수립
   • 입력 데이터 수집방안
   • 출력 데이터 라벨링 방안
   • AI 알고리즘 아키텍처 및 학습방법 계획
3. AI 상용화 개발
   • 알고리즘 커스터마이징
   • Pre-Trained model 활용 및 전이 학습 적용
   • 성능 테스트 및 피드백
4. AI 운영 및 고도화
   • AI 엔진 패키징 및 인터페이스 개발
   • AI운영 적용 및 사용자 피드백에 따른 고도화

기업의 비즈니스 모델에 대한 정확한 분석

AI Transformation

• BM 분석
  • AI 엔진 패키징
  • 운영 프로세스에 AI 적용
  • 피드백 수집
• AI 모델
  • 비즈니스 프로세스 분석
  • 상용화 목표 수립
  • AI 도입에 따른 가치창출 시뮬레이션
• AI 운영
  • 입력데이터
  • 결과 도출

AI Transformation의 1단계 : BM분석과 AI정의(데이터 정의)

전통적 자동화 기술과 인공지능의 차이를 이해해야 좋은 인공지능 도입계획 수립가능

실제 고객의 데이터로 만드는 진짜 AI : 데이터 Type(Input/Output)이 정의되면 여기에 맞는 AI를 만듦

특징 : 데이터의 부족, 연구 논문에서 다뤄지지 않는 주제, 아주 디테일한 조건

AI Transformation의 2단계 : AI 개발 계획 수립(알고리즘 정의)

인공지능=목적에 맞는 데이터+데이터를 학습할 수 있는 알고리즘

AI Transformation의 3단계 : AI 상용화 개발(커스터마이징)

공개되어 있는 빅데이터로 사전 학습 모델을 만들고 고객의 데이터로 미세조정

사전 학습 데이터가 마땅치 않은 경우 비지도 학습이나 도메인 적응 학습등 최신 전이 학습 기법 적용

AI Transformation의 4단계 : AI 운영 및 고도화

AI 선순환 파이프 라인

AI 선순환 파이프라인을 지속적으로 돌아가게 하는 것이 AI Transformation의 핵심

AI transformation, 단발성 SI에서 지속적 파트너쉽으로

AI Transformation을 하기위한 고려사항과 정부 정책

인공지능 서비스 운영 플랫폼 고려사항

• GPU가상화(GPU 가상화를 통해 필요한 자원만 사용)
• 무중단 서비스 업데이트
• Scale-Out(서비스 요청에 따라 자동으로 서버 수를 늘려 처리량 조절)
• Load Balancing(서버 자동 분배)
• Fail over 대응(서비스 중단 시 탐지 및 다른 서비스를 띄워 안정성 확보
• 이상징후 알림(중요 운영 이벤트 발생 시 Message Push)

기타 고려사항

• 운영 관리 및 Monitoring Tools
• 운영/개발 인력
• AI Computing Hardware Platforms
• AI Software Suite Development Tools
• AI Graph Streaming Processor Architecture

한국판 뉴딜 2.0