본문 바로가기

반응형

분류 전체보기

(291)
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..
인공지능 시장규모와 성장 (3) 코로나19가 전 세계적 인공지능 시장에 끼친 영향 전 세계의 기업과 조직들이 코로나19의 결과를 처리하고 팬데믹 이후의 미래를 계획하고 있을 때, 이는 전 세계 AI 시장에 얼마나 큰 영향을 끼쳤는지에 대한 질문을 던져볼 수 있습니다. 스탠포드스탠퍼드 인간 중심 AI(HAI)의 교수이자 선임 연구원이자 스탠퍼드 디지털 경제 연구소 소장인 에릭 브린홀프슨은 "AI는 여전히 장기적인 성장 추세의 초기 단계에 있습니다, 하지만 전염병은 특히 약물 설계와 발견을 포함한 생명공학과 같은 분야에서 그러한 추세를 가속화하고 있습니다."라고 말합니다. 스탠퍼드HAI가 개발한 AI와 AI의 영향 및 발전에 대한 연례 연구에 따르면 2020년에 AI의 고용, 투자 및 채택이 증가했으며, 이는 유행병의 영향을 능가할 가능성..
인공지능 시장규모와 성장 (2) 구성요소 분석에 의한 인공지능 시장 인공지능 시장분석은 하드웨어, 소프트웨어, 서비스 구성요소로 나눌 수 있습니다. 하드웨어 부문은 예측 기간 동안 가장 높은 연평균 성장률을 보이며 성장할 것으로 예상됩니다. 가상 비서와 개인화된 온라인 경험과 같은 스마트 솔루션이 널리 사용됨에 따라 AI 서비스의 필요성이 높아질 것으로 예상됩니다. 이러한 서비스는 AI 기능을 사용하여 고객 상호 작용 및 판매 데이터를 기반으로 자동화되고 정확한 판매 예측을 만드는 등 비즈니스 운영을 개선합니다. 기술별 인공지능 시장 인공지능의 종류는 다양하기 때문에 기술에 대한 이해 없이는 시장을 이해하기 어려울 수 있습니다. AI 시장은 기술에 의해 더욱 세분화됩니다. 자연어 처리(NLP), 기계 학습, 컨텍스트 인식 컴퓨팅, 컴퓨..
인공지능 시장규모와 성장 (1) 최근 통계에 따르면, 인공지능 세계 시장 규모는 2028년에 9977억 7천만 달러로 증가할 것으로 예상되며, 이에 따라 2025년까지 전 세계 인공지능 산업에 9700만 명이 취업할 것으로 전망하고 있습니다. AI 수요의 성장은 세계 인공지능 시장에서 중요한 역할을 합니다. 예를 들면, 시장은 구성요소 분석, 기술, 최종 사용자 산업, 수직 및 지리적으로 세분화되어 있습니다. 또한, 각 부분은 통찰력을 발견하기 위해 특정 특성을 기반으로 합니다. 또한, 인공지능은 챗봇과 같은 솔루션과 설치, 통합, 유지보수와 같은 서비스를 통해 두 가지 방식으로 통합될 수 있습니다. 이 모든 부문 중 수직적 부문은 2016년 전체 AI 시장 수익의 50% 이상을 차지하며 수익 창출 규모가 가장 큽니다. 소프트웨어 및 ..
인공지능 인프라 (구성 요소&미래) 이전 글에서 소개한 각각의 인공지능 인프라 구성요소에 대해 살펴보도록 하겠습니다. 인공지능 인프라 기업들은 인위적인 실수를 줄이고 반복적인 작업을 줄이고 수요를 예측하는 데 도움이 되기 때문에 인공지능을 점점 더 많이 채택하고 있습니다. 그리고 그들 대부분에게, 그것은 그들의 운영 bloginformation.co.kr 빅데이터 스토리지 (Big Data Storage) 머신러닝과 인공지능 모델은 엄청난 양의 데이터로 작동해야 합니다. 따라서 AI 프레임워크를 구축할 때는 스토리지를 최우선으로 해야 합니다. 기업은 충분한 스토리지 용량과 신속한 데이터 검색이 가능한 메커니즘을 반드시 설치해야 합니다. 페타바이트(1,024테라바이트) 및 엑사바이트(1,024페타바이트)의 데이터를 지원할 수 있는 하드웨어에..
인공지능 인프라 기업들은 인위적인 실수를 줄이고 반복적인 작업을 줄이고 수요를 예측하는 데 도움이 되기 때문에 인공지능을 점점 더 많이 채택하고 있습니다. 그리고 그들 대부분에게, 그것은 그들의 운영에 필수적인 부분이 되었습니다. 하지만 AI 기술을 통합하는 과정은 어떻게 보일까요? AI와 머신러닝 도구를 구현하기 위해서는 기업들이 견고하고 실용적인 인공지능 인프라를 개발해야 합니다. 강력한 인공지능 인프라를 구축해야 인공지능과 머신러닝 모델의 이점을 누릴 수 있습니다. 오늘은 인공지능 인프라에 관련된 내용을 살펴보도록 하겠습니다. 인공지능 인프라는 무엇인가? 인공지능 인프라는 인공지능과 머신러닝 솔루션을 결합해 신뢰할 수 있고 확장 가능한 데이터 솔루션을 개발하고 배치합니다. 그것은 AI와 ML 모델이 제 역할을 할 ..
오차행렬을 통한 계산 오차행렬이 True Positives(TP), True Negatives(TN), False Negatives(FN), False Positives(FP)의 수를 결정했으면 과학자들은 모형의 분류 정확도, 오류율, 정밀도 및 리콜을 결정할 수 있습니다. 이에 대해 알아보기 위해 앞서 작성했던 글의 예시에 적용된 수치에 대해 먼저 살펴보겠습니다. 표의 내용을 살펴보면 정확하게 분류된 편두통을 앓는 100명의 환자들이 있고, 정확하게 분류된 편두통을 앓지 않은 150명이 있었습니다. 또한 알고리즘이 편두통이 없다고 잘못 분류한 30명의 환자들과, 편두통 환자로 분류했지만 건강한 20명이 존재합니다. 결과적으로, true positives의 값과 참 true negatives의 값은 알고리즘이 샘플을 정확하게..

반응형