기계 학습에 대한 세 가지 일반적인 오해

최신 데이터 분석에서의 사용 사례 증가와 더불어 컴퓨터의 강력한 잠재력을 활용하는 방법을 알려면 기계 학습에 관한 일반적인 오해를 분명하게 설명해주는 것이 도움이 됩니다.

기계 학습(ML)은 데이터를 사용해 알고리즘 및 학습 모델을 추출한 뒤 "알아낸" 일반화를 새로운 상황에 적용하는 컴퓨터 과학 분야로, 인간의 직접 프로그래밍 없이 작업을 수행하는 것을 포함합니다. 최신 데이터 분석에서의 사용 사례 증가와 더불어 컴퓨터의 강력한 잠재력을 활용하는 방법을 알려면 기계 학습에 관한 일반적인 오해를 분명하게 설명해주는 것이 도움이 됩니다.

오해: 기계 학습과 인공 지능이 인간을 대체함

컴퓨터는 인간의 일자리를 뺏지 않습니다. 실제로 기계 학습과 인공 지능(AI)은 인간이 직무를 훨씬 잘 수행하도록 지원할 가능성이 높으며, 인간은 이러한 지원에 기반해 직무 역할에서 창의성과 전략 등 핵심적이고 인간적인 요소를 수행하는 데 더 집중할 수 있습니다.

ML과 AI가 많은 경우에 유용하기는 하지만, 이들 기술이 특별히 위력이 세지 않거나 인간의 영향력, 개입 또는 감독이 필요한 다양한 분야가 있습니다. 이러한 영역은 다음과 같습니다.

  • 장기 계획
  • 추상적 또는 창의적 사고
  • 인과관계 이해
  • 분야에 대한 지식 또는 배경 지식이 필요한 의사결정

인간의 판단력은 ML 알고리즘의 내재적 편향을 깨뜨리는 데에도 필요합니다. 기술적 진보가 일어나는 순간에도 완전하고 완벽하게 알고리즘에 기반한 솔루션의 탄생을 기대할 수는 없습니다. 컴퓨터의 출력 및 추천을 인간이 신뢰하는 데 설명 가능성과 투명성은 중요한 요소이므로, 비즈니스 및 생활에서 컴퓨터가 개입한 의사 결정을 완벽하게 신뢰하고 통합하기 위해서는 모델의 "블랙박스” 내부에서 일어나는 과정을 이해해야 합니다.

오해: 컴퓨터가 경험에서 배움

일반적인 믿음과는 달리, 기계 학습은 경험보다는 오히려 데이터에 의존합니다. 단순히 컴퓨터가 이런저런 방법으로 문제를 해결하도록 두는 것이 아니라, 컴퓨터가 학습하고 미래 상황에 적용할 알고리즘을 생성하는 데는 데이터가 필요하며 이는 다음을 포함합니다.

  • 데이터 집합의 구성요소를 분류하거나 대표하는 법
  • 점수를 내거나 성공 여부를 평가하는 메트릭
  • 데이터에 맞도록 모델 매개 변수 최적화

이는 마치 줄거리 요약처럼 데이터 집합으로부터 일반화된 설명을 추출하는 식으로 작동하며, 여기에는 인간이 탐지하기 어려운 복잡한 패턴 또는 숨겨진 규칙성이 포함될 수 있습니다. 현대의 금융 기관에서는 ML을 활용해 거래 데이터를 분석하여 사기에 해당할 수 있는 불규칙성을 감지 및 플래그하거나 대출 관련 위험을 평가하고 추천합니다.

보다 간단한 예로 도넛 사진을 컴퓨터에 입력한 후 새로운 사진에 도넛이 있는지를 판단하는 사례를 들 수 있습니다. 먼저 도넛이 있거나 없는 사진을 제공한 후에 이미지 분류기에 각 사진의 도넛 여부를 입력합니다. 이 과정에서 컴퓨터가 “도넛”을 “도넛 없음”과 구분하는 결정론적 예측을 수행할 수 있는 모델을 구축할 데이터가 제공됩니다. 그런 다음 새로운 이미지를 입력하면 컴퓨터는 알고리즘 모델을 적용해 이 사진에 도넛이 있는지 없는지를 결정합니다.

오해: 기계 학습은 인공 지능과 같음

인공 지능과 기계 학습은 서로 다르지만, 관련성이 있는 개념입니다. AI와 ML의 관계에 대해 생각하는 한 가지 방법은 AI는 문제이고 ML은 그것을 풀려고 시도하는 솔루션 중 하나라는 점입니다. 최종 목표가 컴퓨터가 (인간) 지능의 인식 능력을 가지고 문제를 해결하는 것이라면, 데이터를 통해 새롭고 더 큰 규모의 상황에 적용할 알고리즘 프로세스는 그 목표에 도달하기 위한 한 가지 방법입니다.

더 쉽게 구분하자면, AI는 컴퓨터 비전과 같이 인간에게는 쉽고 컴퓨터에게는 어려운 문제와 씨름하는 분야라고 생각하세요. 위의 도넛 사례를 확장해 이제 컴퓨터에게 베이글과 도넛을 구분하도록 가르치는 새로운 과제가 있다고 합시다. 인간에게는 매우 간단한 문제이지만 컴퓨터에게는 한층 어려운 문제입니다. 여기에서 AI는 베이글과 도넛을 성공적으로 구분하는 컴퓨터의 능력이라면(문제), ML은 새로운 사진이 제시되었을 때 컴퓨터가 결론을 내리기 위해 학습할 수 있는 방법입니다(해결책).

반대로, ML은 뛰어난 성능으로 복잡한 수학적 알고리즘 실행이나 확률적 계산처럼 인간보다 컴퓨터에게 더 쉬운 상황에 종종 적용됩니다. 컴퓨터의 계산 능력은 보다 어려운 작업을 빠르게 실행하거나 인간이 놓칠 수 있는 패턴을 발견하는 데 도움이 됩니다.

최신 분석에서 기계 학습 활용 사례

많은 조직에서 숨겨진 인사이트 식별 및 비즈니스 의사결정에 참고할 더 스마트한 추천에 도움이 되도록 엔터프라이즈데이터 분석 실행에 ML을 도입하고 있습니다. 점점 더 크고 복잡한 데이터 집합을 다루는 빅 데이터 분석에 특히 유용합니다. 기계 학습은 또한 조직 내부의 행동주의적 동향을 식별해 다른 사람과 비슷한 패턴의 사용자에게 데이터 준비 또는 분석에 사용할 데이터 원본 또는 특정 질문에 대답하는 데 가장 도움이 되는 관련 분석 콘텐츠 등을 추천할 수도 있습니다.

계속 개발되고 있는 기타 영역으로는 고급 및 예측 분석이 있습니다. 기계 학습은 고급 통계 분석을 자동화하고 가장 높은 신뢰도를 지닌 모델을 자동으로 적용함으로써 덜 숙련된 사용자도 복잡한 모델을 활용할 수 있도록 합니다. 보다 숙련된 사용자는 계산을 탐색 및 수정할 수 있으며 신뢰와 투명성 문제를 해결할 뿐만 아니라 다양한 가정(what-if) 시나리오를 테스트할 수도 있습니다.

기계 학습은 또한 분석에서 사용자가 자연어로 데이터 쿼리를 수행할 수 있도록 지원하는 데도 활용됩니다. 여기에는 기본적으로 질문 뒤에 숨어 있는 인간의 의도와 의미를 해석하는 법을 학습하고 요청을 구조화된 쿼리 언어로 변환하는 과정이 포함됩니다. 자연어 및 기타 AI와 ML로 구동되는 스마트 분석 기능의 발전에 따라, 기존에 데이터 기술이 없는 사람도 새롭고 흥미로운 방식으로 데이터를 사용한 작업을 수행하고 새로운 인사이트를 확보할 수 있습니다.