머신 러닝: 기업의 73%가 생존에 어려움을 겪고 있습니다.
머신러닝(ML)이 인공지능의 핵심 기술 중 하나이자 점차 성숙해지고 있는 응용 기술이라는 것은 누구나 알고 있는 사실입니다. 특히 이 기술은 미래의 데이터 과학에 변화를 가져올 수 있으며, 이를 통해 애플리케이션 회사는 더 많은 데이터 분석을 기반으로 주도적인 결정을 내릴 수 있으며 이를 통해 사용자의 비즈니스 경험을 향상시킬 수 있습니다.
그럼 현재 ML은 어떤 측면에서, 어느 정도까지 기업의 운영 상태를 개선했나요? 최근 Forrester Consulting은 북미 지역의 기업 데이터 리더 및 의사 결정자 150명을 대상으로 한 설문 조사를 기반으로 비즈니스 운영 결정에서 ML의 몇 가지 중요한 성과를 결론지었습니다. 다음 중 어떤 설문조사 결론이 우리에게 도움이 되고 우리에게서 배울 수 있나요?
먼저 몇 가지 주요 정보를 살펴보겠습니다.
- 머신러닝의 영향을 받는 비즈니스에서 자동화된 이상 탐지(Anomaly Discovery)는 향후 1~3년 내에 달성해야 할 주요 작업입니다.
- 기술 구현 경로에서, 데이터 섬, 빈약한 설명 가능성, 낮은 투명성은 앞으로 나아가는 데 주요 장애물로 작용하여 기술 성숙도 향상 속도를 늦춥니다.
- 비즈니스 결과에 더 집중하고 ML 기술에 대한 많은 실무 경험과 검증된 효율성을 갖춘 기업과 파트너십을 구축할 수 있다면 이 기술의 구현에 더욱 도움이 될 것입니다.
ML 애플리케이션의 4분의 1만이 성숙 단계에 있습니다
머신러닝의 개발 및 출시 시기 측면에서 대부분의 응답자가 1~5년 사이를 선택해 총 72%를 차지했습니다. . 그 중 절반 이상이 1~2년 안에 앱이 출시된다고 답했습니다. 실제로 성숙한 머신러닝 전략을 위해서는 3년 이상의 침전 기간이 필요합니다. 이 표준을 충족하는 기업 중 약 4분의 1만이 5년 이상 이를 적용했으며, 그 중 5%만이 이를 적용했습니다.
또한 응답자의 53%는 ML을 활용하여 비즈니스 효율성을 향상할 계획입니다.
현재 빅데이터 및 데이터 분석 전략에서 46%의 사람들은 멀티 클라우드(프라이빗 클라우드 포함)를 선택하고, 44%는 모델 아키텍처에 데이터를 더 잘 활용하기 위해 스택 성능을 연구하기로 선택합니다. 증가하는 데이터 볼륨의 요구 사항을 충족하기 위해 확장합니다.
향후 1~3년간 ML의 주요 전략적 적용 방향은 이상 데이터 자동 탐지(40%), 투명한 애플리케이션 및 인프라 업데이트 자동 수신(39%), AI 애플리케이션 제작이다. 새로운 규제 및 윤리적 요구사항을 준수합니다(39%).
기술 관리에서 데이터 사일로를 해결하는 것이 가장 어렵습니다.
머신러닝은 기술적 역량 외에도 인력 및 프로세스 관리에서도 상당한 어려움에 직면해 있습니다. 그 중 41%는 내부 데이터 사일로를 무너뜨리는 것이 가장 어렵다고 믿었고, 39%는 학술 모델을 배포 가능한 제품으로 전환하는 것을 선택했습니다. 또한 38%는 각각 AI 위험을 줄이고 외부 데이터 사일로를 허무는 것을 선택했으며, 36%는 대규모의 다양하고 혼란스러운 데이터 세트를 처리하는 데 가장 큰 어려움이 있다고 생각했습니다.
데이터 사일로이든, 모델 변환이든, 데이터 세트 혼란이든, ML을 사용하고 사용 사례에 적용할 때 학문과 상업화 사이의 격차를 반영하며, 특히 모델 변환에서 확장할 때 많은 사람들은 데이터 흐름의 투명성, 추적성, 설명 가능성을 명확하게 제시하는 데 어려움을 겪습니다.
이 때문에 ML 구현 전망이 불분명한 경우 경영진은 머신러닝 기반 비즈니스 구현에서 비즈니스 가치를 확인하기 어렵다고 생각할 것입니다. 그리고 투자 수익과 명확한 관계가 없다면 관리자의 이 기술에 대한 투자 의도는 크게 줄어들 것입니다. 응답자의 73%는 머신러닝이 여전히 데이터 투명성, 추적성, 해석성 측면에서 어려움을 겪고 있다고 생각합니다. 투자 의도의 불확실성으로 인해 기술 구현의 어려움이 가중되고 선순환이 아직 형성되지 않았습니다.
의사결정자의 3분의 2는 여전히 ML의 적용을 늘릴 것입니다
그러나 많은 어려움에도 불구하고 의사결정자들은 머신러닝에 대한 결정을 내릴 때 여전히 떨고 있지만 대부분의 사람들은 응답자 저자는 ML의 적용이 여전히 매우 필요하다고 생각합니다. 의사결정자의 2/3(67%)는 ML 기술의 전반적인 적용을 늘리는 것이 조직의 전략 계획에 매우 중요하다고 생각합니다. 응답자의 66%는 현재 사용되는 도구 세트에 기계 학습의 기술적 기능과 애플리케이션을 추가하는 것이 중요하다고 생각합니다.
비즈니스 수준에서 머신러닝이 역할을 할 것으로 예상되는 상위 3개 영역에는 데이터 플랫폼 공유, 기업 내 데이터 흐름 추적, 더 빠른 조치 추진이 포함됩니다.
제3자와의 협력에 관해서는 응답자의 37%가 협력 관계를 구축했으며 파트너십을 발전시킬 의향이 있다고 답했습니다. 더 깊은 파트너십을 위해. 또한, 응답자의 19%와 11%는 내년에도 협력 계획이 있거나 협력에 관심이 있다고 답했습니다.
응답자의 60% 이상이 머신러닝의 단점과 인력 부족을 보완하기 위해 파트너십을 활용한다고 답해 여전히 이 기술을 발전시키는 데 있어 상생협력이 중요한 방식임을 알 수 있습니다. 머신러닝 분야의 경험이 있는 제3자와 협력하면 모델 개발, 인력 교육, 더 많은 데이터 소스 마이닝에서 시너지 효과를 창출할 수 있습니다.
기사 참조 및 이미지 출처:
머신러닝 운영으로 주요 비즈니스 성과 달성
위 내용은 머신 러닝: 기업의 73%가 생존에 어려움을 겪고 있습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

AI Hentai Generator
AI Hentai를 무료로 생성하십시오.

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

뜨거운 주제











기계 학습 및 데이터 과학 분야에서 모델 해석 가능성은 항상 연구자와 실무자의 초점이었습니다. 딥러닝, 앙상블 방법 등 복잡한 모델이 널리 적용되면서 모델의 의사결정 과정을 이해하는 것이 특히 중요해졌습니다. explainable AI|XAI는 모델의 투명성을 높여 머신러닝 모델에 대한 신뢰와 확신을 구축하는 데 도움이 됩니다. 모델 투명성을 향상시키는 것은 여러 복잡한 모델의 광범위한 사용은 물론 모델을 설명하는 데 사용되는 의사 결정 프로세스와 같은 방법을 통해 달성할 수 있습니다. 이러한 방법에는 기능 중요도 분석, 모델 예측 간격 추정, 로컬 해석 가능성 알고리즘 등이 포함됩니다. 특성 중요도 분석은 모델이 입력 특성에 미치는 영향 정도를 평가하여 모델의 의사결정 과정을 설명할 수 있습니다. 모델 예측 구간 추정

일반인의 관점에서 보면 기계 학습 모델은 입력 데이터를 예측된 출력에 매핑하는 수학적 함수입니다. 보다 구체적으로, 기계 학습 모델은 예측 출력과 실제 레이블 사이의 오류를 최소화하기 위해 훈련 데이터로부터 학습하여 모델 매개변수를 조정하는 수학적 함수입니다. 기계 학습에는 로지스틱 회귀 모델, 의사결정 트리 모델, 지원 벡터 머신 모델 등 다양한 모델이 있습니다. 각 모델에는 적용 가능한 데이터 유형과 문제 유형이 있습니다. 동시에, 서로 다른 모델 간에는 많은 공통점이 있거나 모델 발전을 위한 숨겨진 경로가 있습니다. 연결주의 퍼셉트론을 예로 들면, 퍼셉트론의 은닉층 수를 늘려 심층 신경망으로 변환할 수 있습니다. 퍼셉트론에 커널 함수를 추가하면 SVM으로 변환할 수 있다. 이 하나

이 글에서는 학습 곡선을 통해 머신러닝 모델에서 과적합과 과소적합을 효과적으로 식별하는 방법을 소개합니다. 과소적합 및 과적합 1. 과적합 모델이 데이터에 대해 과도하게 훈련되어 데이터에서 노이즈를 학습하는 경우 모델이 과적합이라고 합니다. 과적합된 모델은 모든 예를 너무 완벽하게 학습하므로 보이지 않거나 새로운 예를 잘못 분류합니다. 과대적합 모델의 경우 완벽/거의 완벽에 가까운 훈련 세트 점수와 형편없는 검증 세트/테스트 점수를 얻게 됩니다. 약간 수정됨: "과적합의 원인: 복잡한 모델을 사용하여 간단한 문제를 해결하고 데이터에서 노이즈를 추출합니다. 훈련 세트로 사용되는 작은 데이터 세트는 모든 데이터를 올바르게 표현하지 못할 수 있기 때문입니다."

1950년대에는 인공지능(AI)이 탄생했다. 그때 연구자들은 기계가 사고와 같은 인간과 유사한 작업을 수행할 수 있다는 것을 발견했습니다. 이후 1960년대에 미국 국방부는 인공 지능에 자금을 지원하고 추가 개발을 위해 실험실을 설립했습니다. 연구자들은 우주 탐사, 극한 환경에서의 생존 등 다양한 분야에서 인공지능의 응용 분야를 찾고 있습니다. 우주탐험은 지구를 넘어 우주 전체를 포괄하는 우주에 대한 연구이다. 우주는 지구와 조건이 다르기 때문에 극한 환경으로 분류됩니다. 우주에서 생존하려면 많은 요소를 고려해야 하며 예방 조치를 취해야 합니다. 과학자와 연구자들은 우주를 탐험하고 모든 것의 현재 상태를 이해하는 것이 우주가 어떻게 작동하는지 이해하고 잠재적인 환경 위기에 대비하는 데 도움이 될 수 있다고 믿습니다.

C++의 기계 학습 알고리즘이 직면하는 일반적인 과제에는 메모리 관리, 멀티스레딩, 성능 최적화 및 유지 관리 가능성이 포함됩니다. 솔루션에는 스마트 포인터, 최신 스레딩 라이브러리, SIMD 지침 및 타사 라이브러리 사용은 물론 코딩 스타일 지침 준수 및 자동화 도구 사용이 포함됩니다. 실제 사례에서는 Eigen 라이브러리를 사용하여 선형 회귀 알고리즘을 구현하고 메모리를 효과적으로 관리하며 고성능 행렬 연산을 사용하는 방법을 보여줍니다.

번역기 | 검토자: Li Rui | Chonglou 인공 지능(AI) 및 기계 학습(ML) 모델은 오늘날 점점 더 복잡해지고 있으며 이러한 모델에서 생성되는 출력은 이해관계자에게 설명할 수 없는 블랙박스입니다. XAI(Explainable AI)는 이해관계자가 이러한 모델의 작동 방식을 이해할 수 있도록 하고, 이러한 모델이 실제로 의사 결정을 내리는 방식을 이해하도록 하며, AI 시스템의 투명성, 이 문제를 해결하기 위한 신뢰 및 책임을 보장함으로써 이 문제를 해결하는 것을 목표로 합니다. 이 기사에서는 기본 원리를 설명하기 위해 다양한 설명 가능한 인공 지능(XAI) 기술을 살펴봅니다. 설명 가능한 AI가 중요한 몇 가지 이유 신뢰와 투명성: AI 시스템이 널리 수용되고 신뢰되려면 사용자가 의사 결정 방법을 이해해야 합니다.

MetaFAIR는 대규모 기계 학습을 수행할 때 생성되는 데이터 편향을 최적화하기 위한 새로운 연구 프레임워크를 제공하기 위해 Harvard와 협력했습니다. 대규모 언어 모델을 훈련하는 데는 수개월이 걸리고 수백 또는 수천 개의 GPU를 사용하는 것으로 알려져 있습니다. LLaMA270B 모델을 예로 들면, 훈련에는 총 1,720,320 GPU 시간이 필요합니다. 대규모 모델을 교육하면 이러한 워크로드의 규모와 복잡성으로 인해 고유한 체계적 문제가 발생합니다. 최근 많은 기관에서 SOTA 생성 AI 모델을 훈련할 때 훈련 프로세스의 불안정성을 보고했습니다. 이는 일반적으로 손실 급증의 형태로 나타납니다. 예를 들어 Google의 PaLM 모델은 훈련 과정에서 최대 20번의 손실 급증을 경험했습니다. 수치 편향은 이러한 훈련 부정확성의 근본 원인입니다.

머신 러닝은 명시적으로 프로그래밍하지 않고도 컴퓨터가 데이터로부터 학습하고 능력을 향상시킬 수 있는 능력을 제공하는 인공 지능의 중요한 분야입니다. 머신러닝은 이미지 인식, 자연어 처리, 추천 시스템, 사기 탐지 등 다양한 분야에서 폭넓게 활용되며 우리의 삶의 방식을 변화시키고 있습니다. 기계 학습 분야에는 다양한 방법과 이론이 있으며, 그 중 가장 영향력 있는 5가지 방법을 "기계 학습의 5개 학교"라고 합니다. 5개 주요 학파는 상징학파, 연결주의 학파, 진화학파, 베이지안 학파, 유추학파이다. 1. 상징주의라고도 알려진 상징주의는 논리적 추론과 지식 표현을 위해 상징을 사용하는 것을 강조합니다. 이 사고 학교는 학습이 기존을 통한 역연역 과정이라고 믿습니다.
