인공지능(AI) (139) 썸네일형 리스트형 데이터 과학과 머신 러닝 (3) 데이터 사이언스 vs. 머신 러닝 vs. AI AI 연구 분야의 시작은 1956년 다트머스 대학의 워크숍으로 거슬러 올라갑니다. 또한 인공지능의 개념은 컴퓨팅 자체보다 더 오래되었습니다. AI 연구 분야에서는 기계가 인간의 뇌처럼 사고하고 학습하고 문제를 해결할 수 있는 방법을 연구합니다. 예를 들어, AI는 또한 사람들과 의미 있는 대화 상호 작용을 구축하는 방법을 탐구합니다. 머신 러닝은 AI의 일부이기 때문에 범위가 더 좁습니다. ML은 데이터 과학자들이 기계 정보를 제공하기 위해 사용하는 기술에 관한 것입니다. 인공지능은 컴퓨터가 인간의 지능을 시뮬레이션하도록 만듭니다. 이 세 가지 분야는 분석 및 기타 엔터프라이즈에 매우 중요합니다. 즉, 성능 마케팅과 고객 획득의 미래는 AI와 ML에 달려 있.. 데이터 과학과 기계 학습 (2) 머신 러닝이란? 아서 사무엘은 1959년에 "기계 학습"이라는 용어를 사용했습니다. 그는 미국의 IBMer(IBM에서 일하는 사람)이자 컴퓨터 게임과 인공지능의 선구자였습니다. 기계 학습은 데이터 과학의 하위 분야로, 인공지능 분야 중 하나이며 컴퓨터 과학 분야 중 하나입니다. 더 구체적으로, 머신 러닝은 인공지능의 핵심입니다. 머신 러닝은 사용 가능한 데이터베이스를 분석하여 학습하는 컴퓨터 알고리즘(신경망)에 대한 연구입니다. 알고리즘을 문제를 해결하거나 작업을 수행하기 위해 적용되는 명령어 집합으로 생각합니다. 머신 러닝은 컴퓨터 프로그램이 인간의 개입 없이 새로운 데이터를 학습하고 분석하고 적응할 수 있다는 개념을 기반으로 합니다. 사용되는 주요 방법은 감독 학습 방법과 감독되지 않은 학습 방법이라.. 데이터 과학과 기계 학습 (1) 데이터 과학과 머신 러닝(ML)은 기술 분야에서 가장 화제가 되는 주제 중 하나입니다. 먼저 데이터 과학은 통찰력을 얻기 위해 많은 양의 데이터와 처리 능력을 다루는 광범위한 학제 간 분야를 나타내고, 기계 학습은 컴퓨터 알고리즘에 엄청난 양의 데이터를 공급하여 분석을 시작하고 그 정보를 기반으로 데이터 중심의 결정을 내리는 것입니다. 오늘은 데이터 과학과 기계 학습의 차이점을 알아보고 인공지능(AI) 및 데이터 분석과 비교해 보겠습니다. 데이터 과학 vs 기계 학습 "데이터 과학과 기계 학습은 같은 것인가요?"라는 검색어는 전 세계적으로 가장 많이 검색되는 주제 중 하나입니다. 그러나 이 두 용어는 종종 함께 쓰이지만 동의어는 아닙니다. 디지털화가 빠르게 진행되는 오늘날의 세계에서는 엄청난 양의 정보가.. AI 기술과 인간 편향 인공지능은 지난 10여 년 동안 기술 세계에서 큰 발전을 이루었고, 거의 모든 산업에 첨단 인공지능 시스템이 넘쳐나게 되었습니다. 이는 강력하고 매우 직관적이지만 오늘날 우리 문화에 여전히 존재하는 인종 및 성별에 대한 편견에 대해 고려하지 않았습니다. 포브스지의 "기업이 자신의 AI 행동 강령을 필요로 하는 이유"(“Why Companies Need Their Own AI Code Of Conduct”)라는 제목의 기사에서는 비즈니스 윤리와 AI 기술 간의 관계를 조사합니다. AI는 인권을 보호하고 소비자들 사이의 인종 평등을 증진시키기 위해 규제되어야 하고, AI가 오늘날 빠른 속도로 계속 발전한다면 정부의 규제가 필요할 것이라고 강조합니다. Why Companies Need Their Own AI .. 머신 러닝 모델 관리 (2) 머신 러닝 모델 개발 구현 모델을 개발하는 동안 데이터 과학자들은 다양한 모델 아키텍처를 시도하고 하이퍼 파라미터를 조정하며 성능을 훈련하고 검증하는 많은 실험을 수행합니다. 그러나 모든 실험과 결과를 추적하는 것은 힘들고 시간이 많이 걸릴 수 있습니다. 기존의 소프트웨어 관리 도구로는 연구자 및 실험 단계 동기화에 보조를 맞출 수 없기 때문에 여러 연구자가 동일한 과제를 수행하는 경우에도 과제가 남아 있습니다. 머신 러닝 모델 관리는 간단한 솔루션인 로깅으로 이 문제를 해결합니다. 모든 실험과 관련된 매개 변수를 기록함으로써 대시보드를 모든 연구자와 데이터 과학자가 서로 다른 모델을 추적할 수 있는 한 곳에 만들 수 있습니다. 게다가, 과학자들은 미래에 복제할 모델의 모든 버전을 모니터링하고 제어할 수.. 머신 러닝 모델 관리 (1) 머신 러닝은 인공지능과 컴퓨터 과학의 한 부문으로, 데이터와 알고리즘을 사용하여 프로그래밍 없이 예측, 분류 및 권장 사항을 만드는 데 중점을 둡니다. 더 많은 데이터가 사용될수록 정확도가 향상됩니다. 더욱 효율적인 모델을 구현하기 위해 개발하는 동안 데이터 과학자들은 다양한 머신 러닝 모델을 실험합니다. 마지막으로, 그들은 모든 실험과 결과를 추적하기 위해 머신 러닝 모델 관리를 적용합니다. 머신 러닝 모델 관리란? 머신 러닝 모델 관리는 모델을 개발, 훈련 및 배포하는 역할을 합니다. 또한 머신 러닝 모델 관리는 MLOps라고도 하는 머신 러닝 운영의 중요한 부분입니다. MLOps는 워크플로우 효율성을 높여 태스크를 완료하는데 이는 데이터 과학자 간의 협업, 자동화, 지속적인 개선, 고객 중심의 조치.. 머신러닝에서 알아야 할 5가지 중요한 내용 (2) 오늘은 이전시간에 이어 머신러닝에서 알아야 할 5가지 중요한 내용에 대해 마저 살펴보도록 하겠습니다. 준지도 학습(Semi-supervised learing) 준지도 학습은 지도 학습 기법과 비지도 학습 기법 사이에 있는 방법으로, 이러한 기계 학습 모듈은 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 모두 사용하며 레이블이 지정되지 않은 데이터를 사용할 때 효과적입니다. 준지도 학습의 목표는 레이블이 지정된 정보 세트를 사용하여 레이블이 지정되지 않은 데이터를 예측하고 분류하는 것입니다. 준지도 학습 모델은 여전히 인간의 개입이 필요한 산업에서 일반적으로 사용됩니다. 예를 들어, 음성 분석에 해당 모델이 적용되어 오디오 파일에 레이블을 지정하는데, 이 작업에는 여전히 사람의 개입이 필요합니다.. 머신러닝에서 알아야 할 5가지 중요한 내용 (1) 머신러닝(Machine Learning) 머신 러닝은 다양한 분야의 관행을 통합하는 도구이며 결과를 예측하기 위해 일반화 가능한 모델을 구축하는 것을 목표로 합니다. 기계 학습은 인공지능의 보호 아래 기존 알고리즘을 활용하여 데이터에서 새로운 패턴을 추출합니다. 지금은 많은 인공지능의 내용이 논의의 대상이지만, 머신러닝은 이미 우리가 실제로 경험할 수 있는 내용으로, 은행 기관에서 통신에 이르기까지 수많은 산업에서 운영을 개선하기 위해 머신 러닝 알고리즘을 사용하는 경우가 지속적으로 증가하고 있습니다. 오늘은 인공지능과 머신 러닝의 다섯 가지 필수 주제에 초점을 맞추고 그것들이 어떻게 작동하고 어디에 사용되는지 알아보겠습니다. 지도학습(Supervised Learning) 기계 학습 및 인공지능 지도 학.. 설명가능 인공지능 XAI(Explainable AI) 세계는 인공지능 시대로 빠르게 나아가고 있고, 우리는 인공지능 애플리케이션의 긍정적인 효과를 느끼고 있습니다. 하지만, 물론, 특정한 산업들은 그에 대한 영향이 크게 다가오고 있습니다. 인공지능과 관련되어 발생하는 수익은 2022년 말까지 620억 달러를 기록할 것으로 예측되었습니다. 따라서, 혁신과 기술 분야의 사람들은 사람들의 삶을 개선하기 위해 AI 애플리케이션을 더 많이 활용하는 방법을 찾으려고 노력하고 있고, 설명 가능한 인공지능에 대한 수요는 기하급수적으로 증가했습니다. 설명 가능한 인공지능 IBM은 "설명 가능한 인공지능(XAI)은 인간 사용자가 머신 러닝 알고리즘에 의해 생성된 결과와 출력을 이해하고 신뢰할 수 있도록 하는 일련의 프로세스와 방법입니다."라고 정의했습니다. 즉, 설명 가능한.. 인공지능 시장규모와 성장 (4) 인공지능 시장의 최신 동향 앞선 글들에서 살펴본 내용을 토대로 인공지능 시장에서의 최신 동향에 대해 알아보겠습니다. 우선 비즈니스에 챗봇을 사용하여 온라인으로 고객과 상호 작용함에 따라 챗봇이 점점 더 보편화되고 있습니다. 이러한 가상 비서 서비스는 일반적으로 기본적인 질문을 처리하며 이전 대화에 대한 세부 사항을 기억하도록 프로그래밍되어가고 있습니다. Statista에 따르면 챗봇 시장은 2022년 기준으로 10억 달러에 달할 것이라고 합니다. 2021년에는 딥러닝 카테고리가 시장을 주도하며 전 세계 매출의 약 37%를 차지했습니다. 이러한 확장은 텍스트, 콘텐츠 또는 오디오 인식과 같은 복잡한 데이터 기반 애플리케이션 덕분입니다. 또한, 딥 러닝은 대량의 데이터를 분석함으로써 발생하는 장애물을 극복함.. 이전 1 ··· 9 10 11 12 13 14 다음
