AI 대 ML: 인공 지능 및 머신 러닝 개요-일체 포함-php.cn

AI 대 ML: 인공 지능 및 머신 러닝 개요

인공지능과 머신러닝은 밀접한 관련이 있지만 궁극적으로는 다릅니다.

기계가 인간의 사고를 복제하거나 심지어 능가할 수 있다는 생각은 고급 컴퓨팅 프레임워크에 대한 영감이 되었으며 현재 수많은 회사가 막대한 투자를 하고 있습니다. 이 개념의 핵심에는 인공지능(AI)과 머신러닝(ML)이 있다.

이러한 용어는 동의어인 경우가 많으며 서로 바꿔서 사용할 수 있습니다. 실제로 인공 지능과 기계 학습은 서로 관련되어 있지만 서로 다른 두 가지를 나타냅니다. 본질적으로:

인공 지능은 인간의 사고와 행동을 모방하거나 모방하는 컴퓨팅 시스템의 능력으로 정의할 수 있습니다.

머신러닝은 인공지능의 하위 집합으로, 인간이 명시적으로 프로그래밍하거나 직접 관리하지 않고도 학습할 수 있는 시스템을 말합니다.

오늘날 인공지능과 머신러닝은 거의 모든 산업과 비즈니스에서 중요한 역할을 하고 있습니다. 비즈니스 시스템과 소비자 장치에 전원을 공급합니다. 자연어 처리, 머신 비전, 로봇 공학, 예측 분석 및 기타 여러 디지털 프레임워크는 효과적으로 작동하기 위해 이러한 기술 중 하나 또는 둘 다를 사용합니다.

인공 지능과 기계 학습의 간략한 역사

인간처럼 생각할 수 있는 기계를 만든다는 아이디어는 항상 사회 전체를 매료시켜 왔습니다. 1940년대와 1950년대에 앨런 튜링(Alan Turing)을 포함한 연구자와 과학자들은 '인공 두뇌'를 만드는 아이디어를 탐구하기 시작했습니다. 1956년 다트머스 대학의 연구자 그룹은 이 아이디어를 더욱 철저하게 탐구하기 시작했습니다. 학교에서 열린 세미나에서 '인공지능'이라는 용어가 탄생했다.

향후 수십 년 동안 해당 분야에서 진전이 이루어졌습니다. 1964년 MIT 인공 지능 연구소의 Joseph Weizenbaum은 ELIZA라는 프로그램을 발명했습니다. 이는 자연어와 기계 대화의 실현 가능성을 보여줍니다. ELIZA는 기본 패턴 일치 알고리즘을 사용하여 실제 대화를 시뮬레이션합니다.

1980년대, 더욱 강력한 컴퓨터가 등장하면서 인공지능 연구가 가속화되기 시작했습니다. 1982년에 존 홉필드(John Hopfield)는 신경망이 더 발전된 방식으로 정보를 처리할 수 있음을 보여주었습니다. 1980년 최초의 인공신경망(ANN)이 등장하면서 다양한 형태의 인공지능이 구체화되기 시작했다.

지난 20년 동안 이 분야는 컴퓨팅 성능과 소프트웨어의 엄청난 발전으로 인해 상당한 발전을 이루었습니다. 인공 지능과 기계 학습은 이제 다양한 엔터프라이즈 배포에 널리 사용됩니다. 이러한 기술은 시리(Siri), 알렉사(Alexa) 등 자연어 시스템, 자율주행차 및 로봇, 컴퓨터 게임의 자동화된 의사결정 시스템, 넷플릭스 등 추천 엔진, 가상현실(VR) 등 확장현실(XR) 등에 활용된다. 증강현실(AR) 도구.

머신러닝이 특히 호황을 누리고 있습니다. 통계 및 기타 형태의 정형 및 비정형 데이터와 관련된 복잡하고 이해하기 어려운 패턴을 식별하기 위해 정부 기관, 기업 및 기타 기관에서 점점 더 많이 사용되고 있습니다. 여기에는 전염병학, 의료, 금융 모델링, 예측 분석, 사이버 보안, 챗봇, 고객 판매 및 지원을 위한 기타 도구 등의 영역이 포함됩니다. 실제로 많은 공급업체가 클라우드 컴퓨팅 및 분석 애플리케이션의 일부로 기계 학습을 제공합니다.

인공지능은 어떤 영향을 미치나요?

인간의 사고와 행동을 모방하는 기계의 능력은 이 두 개체 간의 관계를 근본적으로 변화시킵니다. 인공 지능은 대규모 자동화를 구현하고 VR, AR, 디지털 트윈, 이미지 및 안면 인식, 연결된 장치 및 시스템, 로봇, 개인 비서 및 다양한 대화형 시스템을 포함한 다양한 고급 디지털 기술 및 도구를 지원합니다.

여기에는 현실 세계를 탐색하는 자율주행 자동차, 질문에 답하고 조명을 켜고 끄는 스마트 비서, 자동화된 금융 투자 시스템, 공항 카메라 및 얼굴 인식이 포함됩니다. 후자에는 게이트에서 항공사가 사용하는 생체 인식 탑승권과 단순히 얼굴을 스캔하여 보안 검색대를 통과하는 글로벌 엔트리(Global Entry) 시스템이 포함됩니다.

실제로 기업들은 AI를 새롭고 혁신적인 방식으로 활용하고 있습니다. 예를 들어, 여행 업계에서는 수요와 공급을 실시간으로 측정하고 변화하는 조건에 따라 항공편 및 호텔 가격을 조정하는 동적 가격 책정 모델을 사용합니다.

인공 지능 기술은 공급 변화 역학을 더 잘 이해하고 조달 모델 및 예측을 조정하는 데 사용됩니다. 창고에서는 머신 비전 기술(인공 지능 기반)이 사람의 눈에 보이지 않는 팔레트 누락, 생산 결함 등 작은 문제를 감지할 수 있습니다. 한편, 챗봇은 고객 입력을 분석하고 실시간으로 상황에 맞는 답변을 제공합니다.

보시다시피 이러한 기능은 빠르게 발전하고 있습니다. 특히 연결 시스템이 추가될 때 더욱 그렇습니다. 스마트 빌딩, 스마트 교통 네트워크, 심지어 스마트 도시까지 구체화되고 있습니다. 데이터가 유입되면서 AI 시스템은 차선책이나 조정을 결정합니다.

마찬가지로 디지털 트윈은 실제 시스템과 장비를 시뮬레이션하고 다양한 가상 옵션을 탐색하기 위해 항공사, 에너지 회사, 제조업체 및 기타 기업에서 점점 더 많이 사용되고 있습니다. 이러한 고급 시뮬레이터는 유지 관리 및 오류를 예측할 수 있을 뿐만 아니라 더 저렴하고 정교한 비즈니스 수행 방법에 대한 통찰력을 제공할 수 있습니다.

머신러닝은 어떤 영향을 미치나요?

최근에는 머신러닝도 눈에 띄는 발전을 이루었습니다. 머신러닝은 통계 알고리즘을 사용하여 전통적으로 데이터 마이닝 및 인간 분석과 관련된 통찰력을 제공합니다.

샘플 데이터(훈련 데이터라고 함)를 사용하여 패턴을 식별하고 시간이 지남에 따라 변경될 수 있는 알고리즘에 적용합니다. 딥러닝(Deep Learning)은 인공 신경망을 사용하여 인간의 두뇌가 작동하는 방식을 시뮬레이션하는 일종의 기계 학습입니다.

다음은 기계 학습을 사용하는 주요 방법입니다.

지도 학습. 인간이 필요한 신호와 출력을 식별해야 합니다.
비지도 학습을 통해 시스템이 인간과 독립적으로 작동하고 가치 있는 결과를 찾을 수 있습니다.
준 지도 학습 및 강화 학습은 정의된 목표와 결과를 달성하기 위해 동적 환경과 상호 작용하는 컴퓨터 프로그램을 포함합니다. 후자의 예로는 컴퓨터 체스 게임이 있습니다. 경우에 따라 데이터 과학자는 이러한 방법의 여러 요소를 결합하는 하이브리드 접근 방식을 사용합니다.

다중 알고리즘

여러 유형의 기계 학습 알고리즘이 중요한 역할을 합니다.

신경망: 신경망은 인간의 두뇌가 생각하는 방식을 시뮬레이션합니다. 패턴 인식에 이상적이며 자연어 처리, 이미지 인식 및 음성 인식에 널리 사용됩니다.
선형 회귀: 이 기술은 항공편이나 부동산 가격 예측과 같은 숫자 값을 예측하는 데 유용합니다.
로지스틱 회귀: 이 방법은 일반적으로 이진 분류 모델(예: "예/아니요")을 사용하여 무언가에 레이블을 지정하거나 분류합니다. 이 기술의 일반적인 용도는 이메일에서 스팸을 식별하고 원치 않는 코드나 맬웨어를 블랙리스트에 추가하는 것입니다.
클러스터링: 이 기계 학습 도구는 비지도 학습을 사용하여 인간이 놓칠 수 있는 패턴을 발견합니다. 클러스터링의 예로는 공급자가 서로 다른 시설에서 동일한 제품을 수행하는 방법이 있습니다. 이 접근 방식은 예를 들어 다양한 생활 방식이 건강과 수명에 어떤 영향을 미치는지 이해하기 위해 의료 분야에 적용될 수 있습니다.
결정 트리: 이 방법은 수치를 예측할 뿐만 아니라 분류 기능도 수행합니다. 다른 형태의 기계 학습과 달리 결과를 검토하는 명확한 방법을 제공합니다. 이 접근 방식은 의사결정 트리와 결합된 Random Forest에도 적합합니다.

사용되는 정확한 방법에 관계없이 기계 학습은 데이터를 더 잘 이해하고 의사 결정을 내리기 위해 기업에서 점점 더 많이 사용되고 있습니다. 이를 통해 더욱 정교한 인공지능과 자동화가 가능해집니다. 예를 들어 감정 분석은 과거 판매 데이터, 소셜 미디어 데이터, 심지어 기상 조건까지 연결하여 생산, 마케팅, 가격 책정 및 판매 전략을 동적으로 조정할 수 있습니다. 다른 기계 학습 애플리케이션은 의료 진단, 사기 탐지 및 이미지 분류를 위한 추천 엔진을 제공합니다.

머신러닝의 장점 중 하나는 조건과 데이터 변경 또는 조직에서 더 많은 데이터를 추가함에 따라 동적으로 적응할 수 있다는 것입니다. 따라서 ML 모델을 구축한 후 동적으로 조정할 수 있습니다. 예를 들어 마케팅 담당자는 고객 행동 및 관심 사항을 기반으로 알고리즘을 개발한 다음 고객 행동, 관심 사항 또는 구매 패턴의 변화에 따라 메시지와 콘텐츠를 조정할 수 있습니다.

기업에서는 인공지능과 머신러닝이 어떻게 발전하고 있나요?

앞서 언급했듯이 광범위한 엔터프라이즈 애플리케이션을 다루는 대부분의 소프트웨어 공급업체는 제품에 AI와 ML을 제공합니다. 이러한 시스템을 사용하면 광범위한 데이터 과학 지식 없이도 강력한 도구를 사용하는 것이 점점 더 쉬워집니다.

단, 주의하셔야 할 점이 있습니다. 고객이 AI 및 ML 시스템을 최대한 활용하려면 AI에 대한 이해와 일부 전문 지식이 필요한 경우가 많습니다. 제품을 선택할 때 공급업체의 과대광고를 피하는 것도 중요합니다. AI와 ML은 근본적인 비즈니스 문제를 해결할 수 없습니다. 어떤 경우에는 새로운 과제, 우려 사항, 질문을 야기합니다.

윤리적, 법적 문제는 무엇인가요?

AI와 ML은 점점 커지는 논쟁의 중심에 있으며 현명하고 주의해서 사용해야 합니다. 이는 고용 및 보험 편견, 인종 차별, 그리고 데이터 오용, 부적절한 감시, 딥페이크, 가짜 뉴스, 정보 등의 문제를 포함한 다양한 기타 문제와 관련이 있습니다.

얼굴 인식 시스템이 유색 인종을 식별하는 데 훨씬 덜 정확하여 인종 프로파일링으로 이어질 수 있다는 증거가 늘어나고 있습니다. 또한 정부 및 기타 기관이 대량 감시를 위해 얼굴 인식을 사용하는 것에 대한 우려가 커지고 있습니다. 지금까지 AI 관행에 대한 규제는 거의 없었습니다. 그러나 윤리적인 AI가 핵심 고려 사항이 되고 있습니다.