기계 학습이란?| Microsoft Azure

기계 학습이란 무엇이며 어떻게 작동하나요?

기계 학습은 AI의 하위 집합으로, 수학 모델을 사용하여 컴퓨터가 직접적인 지시 없이 데이터에서 학습할 수 있도록 지원합니다. 기계 학습은 알고리즘을 사용하여 패턴을 식별함으로써 예측을 수행하는 데이터 모델을 만듭니다. 예측은 사람이 경험을 통해 학습하는 방식과 유사하게 더 많은 데이터가 수집되고 분석됨에 따라 향상됩니다. 이러한 적응성 덕분에 기계 학습은 코딩 솔루션이 실용적이지 않은 지속적으로 변화하는 데이터 또는 작업이 있는 시나리오에 이상적입니다.

핵심 내용

컴퓨터는 AI의 하위 집합인 기계 학습을 통해 데이터에서 학습하고, 패턴을 식별하고, 시간이 지남에 따라 향상된 예측을 수행할 수 있습니다.
조직은 기계 학습을 통해 인사이트를 파악하고, 데이터 마이닝을 개선하고, 고객 환경을 개선하고, 고객 행동을 예측하고, 위험을 줄이고, 비용을 절감할 수 있습니다.
기계 학습 기법에는 감독 학습, 자율 학습, 반감독 학습, 보충 학습, 딥 러닝, 전이 학습, 앙상블 학습이 포함됩니다.
금융, 의료, 운송, 고객 서비스, 농업을 비롯한 다양한 산업에서 기계 학습을 사용하고 있습니다.
기계 학습 프로세스에는 데이터 수집 및 준비, 모델 학습, 결과 해석이 포함됩니다.
기계 학습 플랫폼을 선택할 때 클라우드 컴퓨팅, 액세스 가능한 개발 환경, 친숙한 기계 학습 프레임워크 지원, 엔터프라이즈급 보안과 같은 기능을 살펴보세요.

기계 학습이 ROI를 제공하는 방법

인사이트 파악

기계 학습은 데이터 분석을 통해 구조화된 데이터와 구조화되지 않은 데이터 내에서 패턴 또는 구조를 식별하여 의사 결정을 위한 실행 가능한 인사이트를 파악하는 데 도움이 됩니다. 또한 예측을 개선하고 시간이 지남에 따라 새 데이터에 적응하기도 합니다.

데이터 마이닝 개선

기계 학습은 큰 데이터 세트에서 유용한 정보를 추출하는 데이터 마이닝에 있어서 탁월합니다. 시간이 지남에 따라 지속적으로 기능을 개선하여 보다 정확한 인사이트와 향상된 의사 결정으로 이어지도록 발전합니다.

고객 환경 개선

적응형 인터페이스, 대상 콘텐츠, 챗봇, 음성 기반 가상 도우미는 모두 기계 학습이 고객 환경을 개선하는 데 도움이 되는 방법을 보여주는 예입니다. 기계 학습은 고객 행동과 선호도를 분석하여 상호 작용을 개인화하고, 시기적절하고 관련성 있는 정보를 제공하며, 고객 서비스를 간소화합니다.

위험 감소

기계 학습은 새로운 데이터에서 지속적으로 학습하여 사기 행위를 탐지하고 방지하는 기능을 향상시켜 진화하는 위협으로부터 강력한 보호를 제공합니다. 사기 기법이 발전함에 따라 기계 학습은 새로운 패턴을 감지하고 사기 시도가 성공하기 전에 이를 방지하여 적응합니다.

고객 행동 예상

기계 학습은 고객 관련 데이터를 마이닝하여 패턴 및 동작을 식별하므로 영업 팀이 제품 권장 사항을 최적화하고 가능한 최상의 고객 경험을 제공하도록 지원합니다. 기계 학습은 새로운 상호 작용을 통해 지속적으로 학습함으로써 향후 고객의 요구 사항과 선호도를 예측하여 능동적이고 개인화된 참여를 지원합니다.

비용 절감

기계 학습은 반복적이고 시간이 많이 걸리는 프로세스를 자동화하여 비용을 줄이므로 직원이 보다 전략적이고 가치가 높은 작업에 집중할 수 있도록 합니다. 또한 기계 학습 알고리즘은 대규모 데이터 세트를 분석하고 개선할 영역을 식별하여 리소스 할당을 최적화하고 운영 비효율성을 최소화합니다. 이를 통해 비즈니스에 상당한 비용을 절감할 수 있습니다.

기계 학습이 데이터에서 학습하고 예측 또는 의사 결정을 내리는 방법

감독 학습

데이터가 교사와 같은 역할을 하며 기계 학습 모델을 "학습"시켜 예측 또는 의사 결정을 내리는 능력을 높이는 레이블 또는 구조가 있는 데이터 세트를 사용합니다. 모델은 예측을 실제 결과와 비교하고 그에 따라 조정하여 시간이 지남에 따라 정확성을 개선함으로써 학습합니다.

자율 학습

레이블이나 구조가 없는 데이터 세트를 사용하고 데이터를 클러스터로 그룹화하여 패턴과 관계를 찾아냅니다. 이 기술은 데이터에서 숨겨진 구조를 파악하는 데 도움이 되므로 고객 세분화 및 이상 탐지와 같은 작업에 유용합니다.

반감독 학습

학습을 위해 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 결합합니다. 이 기법은 데이터에 레이블을 지정하는 데 비용이 많이 들거나 시간이 오래 걸리는 경우에 특히 유용합니다. 기계 학습 모델은 레이블이 지정되지 않은 데이터를 사용하여 학습 효율성과 정확도를 향상시키므로 반감독 학습이 여러 실제 시나리오에서 실용적인 기술이 됩니다.

강화 학습

인간 운영자를 대체하는 에이전트(누군가 또는 무언가를 대신하여 작동하는 컴퓨터 프로그램)가 수행합니다. 에이전트는 피드백 루프를 기반으로 결과를 결정하고, 피드백 신호에서 학습하여 시간이 지남에 따라 성능을 향상시킵니다.

딥 러닝

심층 신경망이라고 하는 여러 계층이 있는 신경망을 사용하여 데이터의 복잡한 패턴을 모델링합니다. 기계 학습의 이러한 하위 집합은 음성 및 이미지 인식에 특히 효과적이며, 많은 양의 데이터를 처리하고 다양한 도메인에서 복잡한 문제를 해결하는 데 탁월합니다.

전이 학습

한 작업을 미리 학습한 다음, 관련 작업을 미세 조정합니다. 이 기법은 새 작업에 대한 데이터가 제한된 경우에 유용합니다. 전이 학습은 초기 작업의 지식을 사용하여 성능을 크게 향상시키고 새 작업에 대한 학습 시간을 줄입니다.

앙상블 학습

여러 모델을 결합하여 전반적인 성능을 개선합니다. 앙상블 학습은 여러 모델의 예측을 집계하여 정확도와 견고성을 향상시켜 단일 모델보다 더 나은 성능을 발휘합니다.

기계 학습이 문제를 해결하는 방법

기계 학습 프로세스에 대한 단계별 개요는 다음과 같습니다.

데이터 원본이 파악되면 사용 가능한 데이터가 컴파일됩니다. 데이터 유형 은 사용할 기계 학습 알고리즘을 알리는 데 도움이 됩니다. 데이터 과학자가 데이터를 검토하면 변칙을 식별하고, 구조를 개발하며, 데이터 무결성 문제를 해결할 수 있습니다. 정규화, 크기 조정, 인코딩 범주 변수와 같은 데이터 전처리 단계도 수행되어 데이터가 모델링에 적합한 형식이 되도록 합니다.
준비된 데이터는 두 개의 그룹, 즉 학습 집합과 테스트 집합으로 분할됩니다. 학습 집합은 데이터의 상당 부분을 구성하며 기계 학습 모델을 가장 높은 정확도로 조정하는 데 사용됩니다.
데이터 과학자가 최종 데이터 모델을 선택할 준비가 되면 테스트 집합을 사용하여 성능과 정확도를 평가합니다. 정확도, 정밀도, 재현율, F1 점수와 같은 메트릭은 모델이 보이지 않는 데이터에 대해 얼마나 잘 수행되는지 평가하기 위해 계산됩니다.
데이터 과학자는 기계 학습 모델의 결과를 검토하여 인사이트를 추출하고, 결론을 도출하고, 예측을 수행합니다. 혼동 행렬과 같은 다양한 시각화 도구와 기법을 사용하여 모델의 성능을 해석하고 평가합니다.

주요 기능

기계 학습은 무엇을 하나요?

값 예측

기계 학습은 변수 간의 원인과 효과를 식별하여 값을 예측합니다. 회귀 알고리즘은 이러한 값에서 모델을 만든 다음, 예측을 만드는 데 사용됩니다. 회귀 연구를 통해 제품 수요를 예상하거나, 판매 수치를 예측하거나, 캠페인 결과를 추정하는 등 미래를 예측할 수 있습니다.

비정상적 발생 식별

잠재적 위험을 파악하는 데 자주 사용되는 변칙 검색 알고리즘은 예상되는 표준을 벗어난 데이터를 찾아냅니다. 장비 오작동, 구조적 결함, 텍스트 오류, 사기 인스턴스는 기계 학습이 이러한 문제를 해결하는 데 어떻게 사용될 수 있는지 보여주는 예입니다.

구조 찾기

클러스터링 알고리즘은 데이터 세트 내의 기본 구조를 표시하며, 종종 기계 학습의 첫 번째 단계로 수행됩니다. 클러스터링은 일반 항목을 분류함으로써 시장 세분화에서 가격 책정을 알리고 고객 선호도를 예측하는 데 널리 사용됩니다. 분류 알고리즘은 감독 학습에서 정보를 정확하게 분류하는 미리 정의된 레이블을 할당하는 데 사용됩니다.

기계 학습 엔지니어의 역할

기계 학습 엔지니어는 다양한 데이터 파이프라인에서 수집된 원시 데이터를 확장 가능한 데이터 과학 모델로 변환합니다. 구조화된 데이터를 데이터 과학자가 정의한 모델에 연결합니다. 또한 알고리즘을 개발하고 기계, 컴퓨터, 로봇이 데이터를 처리하고 패턴을 식별할 수 있도록 하는 프로그램을 구축합니다. 여기에는 적절한 알고리즘 선택 및 구현, 모델 학습 및 평가, 성능 최적화를 위한 하이퍼 매개 변수 미세 조정이 포함됩니다.

이러한 작업 외에도 기계 학습 엔지니어는 데이터를 전처리하여 데이터가 모델링에 적합하고, 프로덕션 환경에 모델을 배포하고, 이를 지속적으로 모니터링하고 업데이트하여 정확도와 효율성을 유지합니다. 이들은 데이터 과학자와 긴밀하게 협력하여 데이터 수집과 실행 가능한 인사이트 간의 격차를 해소하여 기계 학습 솔루션이 실용적이고 영향력이 있도록 합니다.

기계 학습 알고리즘

기계 학습 알고리즘은 데이터 분석을 통해 데이터 내의 패턴을 식별합니다. 이는 데이터 과학자가 값을 예측하고, 비정상적인 발생을 식별하고, 구조를 결정하고, 범주를 만들어 문제를 해결할 수 있도록 도움을 줍니다. 알고리즘 선택은 데이터 유형과 원하는 결과에 따라 달라집니다. 알고리즘은 일반적으로 기법(감독 학습, 자율 학습, 보충 학습) 또는 함수(분류, 회귀, 클러스터링)에 따라 분류됩니다. 올바른 알고리즘을 선택하는 것은 효과적인 기계 학습 애플리케이션에 필수적입니다.

기계 학습 알고리즘에 대해 자세히 알아보세요.

산업 전반의 기계 학습

다양한 산업의 기업은 기계 학습을 사용하여 운영을 개선하고, 의사 결정을 향상시키며, 혁신을 주도하고 있습니다. 기계 학습이 여러 분야에 적용되는 방법에 대한 몇 가지 주요 예는 다음과 같습니다.

은행 및 금융

위험 관리 및 사기 방지는 기계 학습이 금융 업계에서 엄청난 가치를 창출하는 주요 분야입니다.

의료

진단 도구 개선, 실시간 환자 모니터링 지원 및 질병 발생 예측은 기계 학습을 통해 환자 치료 개선에 도움이 되는 몇 가지 예입니다.

교통 및 운송

기계 학습은 교통 변칙을 식별하고, 배달 경로를 최적화하며, 자율 주행 차량 지원을 통해 교통 및 운송을 혁신하고 있습니다.

고객 서비스

질문에 대답하고, 고객 의도를 측정하고, 가상 지원을 제공하는 등 기계 학습은 고객 서비스 업계를 지원하는 데 활용되고 있습니다.

소매업

기계 학습은 소매업자가 구매 패턴을 분석하고, 제품과 가격을 최적화하며, 데이터를 사용하여 전반적인 고객 경험을 개선하도록 도와줍니다.

농업

기계 학습은 인력 부족을 해결하기 위해 로봇을 개발하고, 식물 질병을 진단하고, 토양 상태를 모니터링하여 농업을 개선합니다.

기계 학습 플랫폼의 기능

기계 학습 플랫폼을 선택할 때 비즈니스에 중요한 이러한 기능을 제공하는 솔루션을 살펴보세요.

클라우드 컴퓨팅

클라우드는 간편한 설정과 배포를 통해 모든 규모의 워크로드를 처리하는 데 적합하므로 고급 지식이 없어도 데이터 원본을 연결하고 주문형으로 확장할 수 있습니다.

직관적인 개발 환경

이상적인 플랫폼은 다양한 기술 수준을 지원합니다.

친숙한 기계 학습 프레임워크에 대한 기본 제공 지원

Open Neural Network Exchange(ONNX), Python, PyTorch, scikit-learn 또는 TensorFlow 중에서 익숙하고 선호하는 도구를 사용할 수 있는 플랫폼을 찾아보세요.

엔터프라이즈급 보안

인프라를 보호하기 위해 엔터프라이즈 수준의 거버넌스, 보안, 제어를 제공하는 플랫폼을 선택하세요.

리소스

기계 학습에 대해 자세히 알아보기

기술을 쌓고, Azure Machine Learning을 시작하고, Azure 리소스를 활용하세요.

Azure Machine Learning

Azure Machine Learning 시작

자세히 알아보기

Azure 리소스

Azure 리소스 센터 살펴보기

비디오, 분석가 보고서, 교육, 사례 연구, 코드 샘플 및 솔루션 아키텍처에 액세스합니다.

리소스 살펴보기

Microsoft Learn

Azure AI 학습 허브

자기 주도적인 학습 계획, 비디오, 문서를 사용하여 AI 및 기계 학습 기법을 구축하세요.

학습 시작

기계 학습의 네 가지 기본 사항은 데이터 수집, 모델 학습, 모델 평가, 모델 배포입니다. 데이터 수집에는 분석을 위해 데이터를 수집하고 준비하는 작업이 포함됩니다. 모델 학습은 이 데이터를 사용하여 알고리즘이 예측 또는 의사 결정을 내리도록 가르치는 과정입니다. 모델 평가는 정확도 및 정밀도와 같은 메트릭을 사용하여 모델의 성능을 평가합니다. 마지막으로 모델 배포에는 학습된 모델을 프로덕션 환경에 통합하여 실시간 예측 또는 결정을 내리는 작업이 포함됩니다.
기계 학습에서 정규화는 모델이 학습 데이터에서는 잘 수행되지만 보이지 않는 새 데이터에서는 성능이 좋지 않은 경우 발생하는 과잉 맞춤을 방지하는 데 사용되는 기술입니다. 일반적인 정규화 방법에는 모델의 매개 변수에 다양한 유형의 페널티를 추가하는 L1(Lasso) 정규화와 L2(Ridge) 정규화가 포함됩니다. 이렇게 하면 새 데이터에 대한 모델의 일반화가 향상되어 실제 애플리케이션에서 더 나은 성능을 발휘하게 됩니다.
이는 모델이 올바르게 식별하는 실제 긍정 인스턴스의 비율을 측정합니다. 즉, 재현율은 다음 질문에 답합니다. "모든 긍정 사례 중 모델이 올바르게 예측한 사례는 몇 개인가요?"
기계 학습 모델의 예로는 의사 결정 트리가 있습니다. 의사 결정 트리는 분류 및 회귀에 사용되는 감독 학습 알고리즘입니다. 입력 기능 값에 따라 데이터를 하위 집합으로 나누고 트리와 유사한 의사 결정 구조를 형성하는 방식으로 작동합니다. 트리의 각 노드는 기능을 나타내고, 각 분기는 결정 규칙을 나타내며, 각 리프 노드는 결과를 나타냅니다.
의사 결정 트리는 간단하고 이해하기 쉬워 고객 행동 예측 또는 의료 조건 진단과 같은 작업에 널리 사용됩니다.
기계 학습은 AI의 하위 집합입니다. 기본적으로 AI는 기계 학습, 자연어 처리, 로봇 공학과 같은 다양한 기술 및 접근 방식을 포함합니다. 기계 학습은 AI를 달성하는 데 사용되는 주요 기술 중 하나로, 시스템이 환경에서 자동으로 학습하고 적응할 수 있도록 하여 AI 애플리케이션을 보다 효과적이고 지능적으로 만듭니다.
기계 학습은 과거 데이터를 사용하여 향후 이벤트를 예측하는 예측 분석의 핵심 기술입니다. 데이터 내에서 패턴 및 관계를 식별하여 이 프로세스를 향상시켜 보다 정확하고 확장 가능한 예측을 가능하게 합니다. 기계 학습 모델은 과거 데이터를 학습하여 기본 패턴을 학습하고 새 데이터에 적용하여 결과를 예측할 수 있습니다. 이러한 모델은 지속적으로 학습하므로 예측 정확도를 향상시켜 예측 분석을 보다 효과적으로 만듭니다.
기계 학습은 데이터에서 학습하기 위한 다양한 알고리즘과 기술을 포함하지만, 딥 러닝은 특히 이러한 심층 신경망을 사용하여 이미지 및 음성 인식과 같은 작업에서 고성능을 달성하는 데 중점을 둡니다. 모든 딥 러닝은 기계 학습의 하위 집합이지만, 일부 기계 학습에는 딥 러닝이 포함되지 않습니다.