머신 러닝이란?

머신 러닝이란?

머신 러닝은 사용하는 데이터를 기반으로 학습하거나 성능을 개선하는 시스템을 구축하는 데 초점이 맞춰져 있는 인공 지능(AI)의 하위집합입니다. 인공 지능은 인간의 지능을 모방한 시스템이나 기계를 지칭하는 포괄적인 용어입니다. 머신 러닝과 AI는 흔히 함께 다뤄지므로, 때로는 이들 용어를 서로 바꿔 사용하기도 하지만 동일한 의미는 아닙니다. 중요한 차이는 모든 머신 러닝이 AI이지만 모든 AI가 머신 러닝은 아니라는 것입니다.

오늘날 머신 러닝은 우리 주변 어디에서나 사용되고 있습니다. 우리가 은행 업무를 보거나, 온라인 쇼핑을 하거나, 혹은 소셜 미디어를 이용할 때 머신 러닝 알고리즘을 통해 효율적이고 원활하며 안전한 환경이 조성됩니다. 머신 러닝과 그 이면의 기술은 빠르게 발전하고 있으며, 우리는 그 기능 중 일부를 이제 막 사용하기 시작했습니다.

 

“예전부터 직원들의 협업이 힘들었습니다. Oracle Analytics Cloud에 머신 러닝 기능을 추가하면 직원들이 작업을 구성하고 이러한 데이터 모델을 구축, 교육 및 배포할 수 있습니다. 이 협업 툴을 통해 프로세스를 가속화하고 여러 비즈니스 부문에서 협력할 수 있기 때문에 품질을 개선하고 배포 가능한 모델을 제공할 수 있습니다.”

—Oracle Analytics의 제품 전략 담당 부사장(VP)인 리치 클레이톤(Rich Clayton)

학습에 대한 두 가지 접근 방식

알고리즘은 머신 러닝을 구동하는 엔진입니다. 오늘날에는 주로 두 가지 유형의 머신 러닝 알고리즘, 즉 지도 학습과 비지도 학습이 사용됩니다. 이것의 차이는 예측을 위해 데이터를 학습하는 방식에 따라 정의됩니다.

지도 머신 러닝

지도 머신 러닝 알고리즘은 가장 많이 사용되는 방식입니다. 데이터 과학자는 이 모델을 사용하여 가이드 역할을 하면서 알고리즘에 필요한 결론을 가르칩니다. 어린이가 그림책에서 과일 사진을 보고 과일을 식별하는 방법을 학습하는 것과 마찬가지로, 알고리즘은 라벨이 이미 지정되어 있고 사전 정의된 출력이 있는 데이터 세트를 통해 학습합니다.

지도 머신 러닝의 예로는 선형 및 로지스틱 회귀, 멀티 클래스 분류, SVM(Support Vector Machine)과 같은 알고리즘이 있습니다.

비지도 머신 러닝

비지도 머신 러닝은 보다 독립적인 접근법을 사용합니다. 이 접근 방식에서는 인간이 곁에서 계속 지침을 주지 않고도 컴퓨터가 복잡한 프로세스와 패턴을 식별하는 방법을 학습합니다. 비지도 머신 러닝은 라벨이나 상세히 정의된 출력이 없는 데이터를 기반으로 하는 교육을 포함합니다.

다시 아동의 학습 방식과 비유하자면, 비지도 머신 러닝은 아이가 선생님의 도움을 받아 과일의 이름을 암기하기 보다는 색상과 패턴을 관찰하여 과일을 식별하는 방법을 배우는 것과 비슷합니다. 아이는 여러 가지 이미지에서 유사성을 찾고 여러 그룹으로 분리하여 각 그룹에 새로운 라벨을 지정합니다. 비지도 머신 러닝 알고리즘의 예로는 k-평균 클러스터링, 주 및 독립 성분 분석, 그리고 연관 규칙이 있습니다.

접근 방식 선정하기

귀하의 요구사항에 가장 적합한 접근법은 무엇일까요? 지도 또는 비지도 머신 러닝 알고리즘을 선택할지는 일반적으로 데이터의 구조와 볼륨, 그리고 적용하려는 사용 사례와 관련된 요소에 따라 달라집니다. 머신 러닝은 다양한 산업 분야에서 활발하게 사용되면서 다음을 비롯한 다양한 비즈니스 목표와 사용 사례를 지원합니다.

  • 고객의 평생 가치
  • 이상 탐지
  • 동적 가격 책정
  • 예측 유지 보수
  • 이미지 분류
  • 추천 엔진

비즈니스 목표: 고객의 평생 가치 모델링

고객의 평생 가치 모델링은 전자상거래 기업이 갖춰야 할 필수 요소이지만 다른 많은 산업 분야에도 적용할 수 있습니다. 이 모델에서 조직은 머신 러닝 알고리즘을 사용하여 가장 중요한 고객을 식별하고 파악하여 유지합니다. 이 가치 모델은 막대한 양의 고객 데이터를 평가하여 가장 많이 지출하는 고객, 브랜드 충성도가 가장 높은 고객, 이 두 유형의 특징을 모두 갖고 있는 고객을 파악합니다.

고객의 평생 가치 모델은 특정 기간에 개별 고객이 한 기업에 가져다 줄 미래 수익을 예측할 때 특히 효과적입니다. 이 정보를 통해 조직은 중요도가 높은 고객이 브랜드와 더 자주 교류하도록 유도하는 마케팅 활동에 집중할 수 있습니다. 조직은 고객의 평생 가치 모델을 통해 중요도가 높은 기존 고객과 유사한 신규 고객을 유치하기 위한 고객 유치 지출 목표를 수립합니다.

비즈니스 목표: 고객 이탈 모델링

신규 고객 확보는 기존 고객의 만족도와 충성도를 유지하는 것보다 시간과 비용이 더 많이 듭니다. 조직은 고객 이탈 모델링을 통해 회사와의 교류를 중단할 가능성이 높은 고객을 파악하고 그 이유를 살펴볼 수 있습니다.

효과적인 이탈 모델은 머신 러닝 알고리즘을 사용하여 개인 고객의 이탈 위험 점수에서부터 이탈 요인에 이르기까지 중요도에 따라 모든 상황에 대한 분석 정보를 제공합니다. 이러한 출력은 알고리즘 보존 전략을 개발하는 데 필수적입니다.

기업은 고객 이탈 문제를 심층 분석함으로써 할인 혜택과 이메일 캠페인 및 기타 표적 마케팅 이니셔티브를 최적화하여 중요도가 높은 고객의 구매를 유지하고 재구매를 유도할 수 있습니다.

비즈니스 목표: 동적 가격 책정을 통한 유연한 제품 가격 책정

오늘날 소비자들은 매우 다양한 선택지를 갖고 있으며, 다양한 채널을 통해 가격을 즉시 비교할 수 있습니다. 수요 가격 책정이라고도 하는 동적 가격 책정을 통해 기업은 가속화되는 시장 역동성과 속도를 맞출 수 있습니다. 따라서 조직은 대상 고객의 관심 수준과 구매 시점의 요구 사항, 고객의 마케팅 캠페인 참여 여부 등의 요소에 따라 품목의 가격을 유연하게 책정할 수 있습니다.

이러한 수준의 비즈니스 민첩성을 확보하려면 견고한 머신 러닝 전략과 더불어 다양한 상황에서 우수한 서비스나 서비스 변경에 비용을 지불할 고객의 의향에 대한 대량의 데이터가 필요합니다. 동적 가격 책정 모델이 복잡하긴 하지만 항공사와 카풀 서비스 회사 등 여러 기업들이 동적 가격 최적화 전략을 성공적으로 구현하여 수익을 극대화했습니다.

비즈니스 목표: 고객 세분화를 통한 고객 타겟팅

성공적인 마케팅이란 대상에게 적합한 제품을 적시에 제공하는 것이었습니다. 얼마 전까지만 해도 마케터들은 고객 세분화에 대한 자신의 직관에 의존하여 표적 캠페인을 위해 고객을 여러 그룹으로 나눴습니다.

오늘날 데이터 과학자들은 머신 러닝을 통해 클러스터링 및 분류 알고리즘을 사용하여 특이성 변이를 토대로 고객을 여러 가지 유형으로 분류할 수 있습니다. 이러한 고객 분류는 인구 통계, 검색 동작 및 친밀도 등 여러 차원에서 고객 차이를 고려합니다. 이러한 특성을 구매 행동 패턴에 연결함으로써 데이터에 정통한 기업은 일반화된 캠페인보다 매출 신장에 더욱 효과적인 매우 개인화된 마케팅 캠페인을 시작할 수 있습니다.

기업에서 사용할 수 있는 데이터가 늘어나고 알고리즘이 더욱 정교해지면서 개인화 기능이 늘어나고 기업들이 이상적인 고객 세그먼트에 가까이 이동하게 됩니다.

비즈니스 목표: 강력한 이미지 분류 기능 활용

머신 러닝은 소매, 금융 서비스 및 전자상거래를 넘어 다양한 사용 사례를 지원합니다. 또한 과학, 의료, 건설 및 에너지 응용 분야에서 엄청난 잠재력을 지니고 있습니다. 이미지 분류 작업을 예로 들면, 머신 러닝 알고리즘을 사용하여 고정된 카테고리 집합의 라벨을 모든 입력 이미지에 할당합니다. 따라서 조직에서는 2D 설계를 기반으로 3D 건설 계획을 모델링하고, 소셜 미디어에서 사진에 태그를 간편하게 적용하거나, 의료 진단 정보를 제공하는 등 다양한 작업을 수행할 수 있습니다.

신경망과 같은 딥 러닝 방식은 복잡한 잠재적인 문제가 있는 경우 이미지의 관련 기능을 가장 효과적으로 식별할 수 있기 때문에 이미지 분류에 주로 사용됩니다. 예를 들어 이미지의 시점, 조명, 크기 또는 클러터 볼륨의 변화를 고려하고 이러한 문제를 상쇄하여 가장 관련성 있는 고품질의 분석 정보를 제공할 수 있습니다.

비즈니스 목표: 추천 엔진을 통한 고객 경험 개선

추천 엔진은 고객에게 교차 판매와 상향 판매를 실행하고 더 나은 고객 경험을 제공하는 데 필수적입니다.

넷플릭스(Netflix)는 추천 엔진을 통한 콘텐츠 추천 규모가 1년에 10억 달러에 이른다고 평가하고 있으며 아마존(Amazon)은 자사 시스템의 연간 매출액이 20~35%씩 증가하고 있다고 밝혔습니다.

추천 엔진은 머신 러닝 알고리즘을 사용하여 대용량 데이터를 분류하고 고객이 품목을 구매하거나 콘텐츠 일부를 사용할 확률을 예측한 다음 사용자에게 맞춤형 추천을 제안합니다. 그 결과 보다 개인화되고 관련성 있는 경험을 창출하여 참여율을 높이고 고객 이탈을 줄일 수 있습니다.

실질적인 비즈니스 가치 제공

머신 러닝은 다양한 주요 비즈니스 사용 사례에서 강력한 효과를 발휘합니다. 그렇다면 머신 러닝은 경쟁력을 어떻게 실현할까요? 머신 러닝의 가장 중요한 특징은 의사 결정의 자동화, 의사 결정 시간 단축, 그리고 가치 실현 기간 단축입니다. 이는 비즈니스 가시성과 협업 강화로 시작됩니다.

Oracle Analytics의 제품 전략 담당 부사장(VP)인 리치 클레이톤(Rich Clayton)은 "예전부터 직원들의 협업이 힘들었습니다."라고 말합니다. "Oracle Analytics Cloud에 머신 러닝 기능을 추가하면 직원들이 작업을 구성하고 이러한 데이터 모델을 구축, 교육 및 배포할 수 있습니다. 이 협업 툴을 통해 프로세스를 가속화하고 여러 비즈니스 부문에서 협력할 수 있기 때문에 품질을 개선하고 배포 가능한 모델을 제공할 수 있습니다."

예를 들어 일반 재무 부서에서는 실제 수치와 예상 수치를 비교하는 분산 분석 프로세스를 반복해야 하기 때문에 항상 부담을 안고 있습니다. 이때 머신 러닝을 활용한 저인지 어플리케이션이 유용합니다.

"머신 러닝 기능을 내장하면 재무 부서에서 보다 빠르고 효율적으로 작업할 수 있으며 시스템이 중단된 시점에서 작업을 재개할 수 있습니다."라고 리치 클레이톤은 말합니다.

머신 러닝의 또 다른 기능으로는 예측 기능이 있습니다. 예전에는 비즈니스 의사 결정을 내릴 때 흔히 과거의 결과를 반영했습니다. 오늘날 머신 러닝은 풍부한 분석 기능을 활용하여 미래의 상황을 예측합니다. 조직에서는 과거의 데이터에 의존하지 않고도 미래 지향적으로 사전에 결정을 내릴 수 있습니다.

예를 들어 예측 유지 보수를 통해 제조업체, 에너지 기업 및 여러 산업에서 프로젝트를 확보하고 운영 신뢰성과 최적화를 유지할 수 있습니다. 수백 개의 드릴을 작동하는 유전에서 머신 러닝 모델은 가까운 미래에 고장 날 위험이 있는 장비를 찾아내어 이를 유지 보수 팀에 사전에 알릴 수 있습니다. 이러한 방식은 생산성을 극대화할뿐만 아니라 자산 성능, 가동 시간 및 수명을 연장합니다. 또한 직원 위험을 최소화하고 책임을 줄이며 규정 준수를 개선할 수 있습니다.

예측 유지 보수의 이점은 재고 통제 및 관리로 확대됩니다. 예측 유지 보수를 구현하여 예기치 않은 장비 가동 정지 사고를 방지함으로써 예비 부품 및 수리의 필요성을 보다 정확히 예측하여 자본 및 운영 비용을 크게 절감할 수 있습니다.

머신 러닝은 오늘날의 풍부한 데이터에서 비즈니스 가치를 이끌어낼 수 있는 막대한 잠재력을 지니고 있습니다. 그러나 비효율적인 워크플로로는 머신 러닝의 잠재력을 최대한 이끌어낼 수 없습니다.

기업 차원에서 성공하려면 포괄적인 플랫폼에 머신 러닝을 통합해야만 조직이 운영을 간소화하고 모델을 대규모로 배포할 수 있습니다. 조직에서는 최적의 솔루션을 통해 모든 데이터 과학 작업을 협업 플랫폼에서 중앙 집중화하고 오픈 소스 툴, 프레임워크, 인프라의 사용 및 관리를 촉진할 수 있습니다.

인공 지능 학습 라이브러리

인공 지능이란?
인공 지능에 대해 자세히 알아보기

AI(인공 지능)를 통해 기술 및 시스템이 데이터를 처리하여 인간의 작업을 학습하고, 발전시키고, 실행할 수 있습니다.

데이터 과학에 대해 자세히 알아보기
데이터 과학에 대해 자세히 알아보기

기업들은 머신 러닝 및 인공 지능과 같은 컴퓨터 과학 개념을 통계에 적극적으로 접목시켜 빅데이터에서 분석 정보를 추출하여 혁신을 촉진하고 의사 결정 과정을 혁신하고 있습니다.

뉴스 및 의견
뉴스 및 의견

머신 러닝과 인공 지능 및 데이터 과학을 통해 기업이 복잡한 문제에 접근하는 방식이 변화하면서 각 산업의 궤도가 수정되고 있습니다. 최신 기사를 읽고 업계 및 동료들이 이러한 기술에 어떻게 접근하고 있는지 살펴보십시오.