인공지능 : 딥 러닝 : 강점, 장점

딥 러닝은 오늘날 AI의 사용 증가에 크게 책임이 있습니다. 이 기술은 컴퓨터에 특별한 힘을 주었습니다. 예를 들어, 사람과 거의 같은 정도로 말을 인식 할 수 있는 능력은, 손으로 코딩하기에는 너무 까다로운 기술입니다. 딥 러닝은 또한 컴퓨터 비전을 변형시키고 머신 러닝을 크게 향상 시켰습니다. 이제는 의학, 금융, 마케팅 및 그 밖의 모든 주요 프로세스를 안내하고 향상시키는 데 사용됩니다.

이번 포스팅에서는 딥 러닝에 대해 논의 할 것이며, 딥 러닝이 그 잠재력을 완전히 발휘하기 전에 해결해야 할 현재의 도전 과제뿐만 아니라 보편적 인 강점을 논의 할 것입니다. 먼저 강점에 대해 알아보고 다음 포스팅에서는 도전과제에 대해 알아보겠습니다. 

강점

먼저 딥 러닝을 사용하여 얻은 가장 유명한 이점에 대해 살펴 보겠습니다.

피쳐 엔지니어링 필요 없음

피쳐 엔지니어링 (feature engineering)은 원시 데이터에서 피쳐를 추출하여 근본적인 문제를보다 잘 설명하는 프로세스입니다. 그것은 모델 정확도를 향상시키기 때문에 머신 러닝의 기본 작업입니다. 프로세스는 때때로 주어진 문제에 대한 도메인 지식을 요구할 수 있습니다.

피쳐 엔지니어링을 더 잘 이해하려면 다음 예제를 고려하십시오.

부동산 사업에서 주택의 위치는 판매 가격에 중요한 영향을 미칩니다. 위치가 위도와 경도로 주어 졌다고 가정하십시오. 혼자서이 두 숫자는 아무런 쓸모가 없지만 함께 표현하면 위치를 나타냅니다. 위도와 경도를 결합하여 하나의 기능을 만드는 행위는 기능 공학입니다.

딥 러닝의 장점 중 하나는 다른 기계 학습 알고리즘에 비해 자체적으로 피쳐 엔지니어링을 실행할 수 있다는 것입니다. 딥 러닝 알고리즘은 데이터를 상호 연관시켜 결합하는 기능을 검색하여 명시적으로 그렇게하지 않고도 더 빠른 학습을 가능하게합니다.

이 능력은 데이터 과학자가 때로는 수개월 동안의 작업을 줄일 수 있음을 의미합니다. 게다가, 딥 러닝 알고리즘이 만들어진 신경 네트워크는 인간이 놓칠 수 있는 새롭고 복잡한 기능을 발견 할 수 있습니다.

비정형 데이터를 사용한 최상의 결과

가트너 (Gartner)의 조사에 따르면 회사의 데이터 중 최대 80 %가 텍스트, 그림, pdf 파일 등 다른 형식으로 존재하기 때문에 구조화되지 않은 데이터입니다. 체계화되지 않은 데이터는 대부분의 머신 러닝 알고리즘에서 분석하기가 어렵습니다. 이것이 바로 딥 러닝이 도움이 될 수 있는 영역입니다.

 

딥 러닝 알고리즘은 다양한 데이터 형식을 사용하여 학습 할 수 있으며 교육 목적과 관련된 통찰력을 유도합니다. 예를 들어, 딥 러닝 알고리즘은 사진 사이의 기존 관계, 소셜 미디어 채터, 업계 분석, 일기 예보 등을 제공하여 특정 회사의 미래 주가를 예측할 수 있습니다.

데이터 레이블링 불필요

양질의 훈련 데이터를 얻는 것은 데이터 학습이 지루하고 값 비싼 작업이 될 수 있기 때문에 머신 러닝에서 가장 큰 문제 중 하나입니다.

때로는 데이터 레이블링 프로세스가 간단하지만 시간 소모적인 경우가 있습니다. 예를 들어 사진 "dog"또는 "muffin"에 레이블을 지정하는 것은 쉬운 작업이지만 차이점을 알기 위해서는 수천 장의 사진이 필요합니다. 다른 경우, 데이터 라벨링은 고도로 숙련된 업계 전문가의 판단을 필요로 할 수 있으며, 이는 일부 산업의 경우 고품질 훈련 데이터를 얻는 것이 매우 비쌀 수 있습니다.

컴퓨터 비전을 사용하여 방사선 이미지를 분석하는 도구인 InnerEye라는 Microsoft 프로젝트의 예를 살펴 보겠습니다. 정확하고 자율적인 판단을 내리기 위해 이 알고리즘은 인체의 서로 다른 신체적 이상이 명확하게 분류되는 수천 개의 주석이 달린 이미지를 필요로합니다. 이러한 작업은 경험과 훈련된 눈을 지닌 방사선 전문의에 의해 수행되어야 합니다. Glassdoor에 따르면 방사선과 의사의 평균 기본급은 연간 290,000 달러로 시간당 요율은 200 달러에 미치지 못합니다. 시간당 4-5 개의 이미지를 분석 할 수 있다면 모든 이미지를 적절하게 표시하는 데 많은 비용이 소요됩니다.

딥 러닝을 통해 잘 분류 된 데이터의 필요성은 딥 러닝 알고리즘이 지침없이 학습하는 데 탁월하므로 더 이상 크게 요구되지 않습니다. 머신 러닝의 다른 형태는 이러한 유형의 학습으로 거의 성공적이지 못합니다. 위의 예에서, 딥 러닝 알고리즘은 인간 의사보다 초기 단계에서도 인체의 신체적 이상을 탐지 할 수 있습니다.

고품질 결과

인간은 휴식과 연료가 필요합니다. 그들은 피곤하거나 배고프고 부주의 한 실수를 저 지르게됩니다. 신경망에서는 그렇지 않습니다. 올바르게 훈련되면, 딥 러닝 두뇌는 인간이 취하는 것보다 짧은 시간 내에 수천 개의 반복적이고 일상적인 작업을 수행 할 수 있습니다. 훈련 데이터에 해결하려는 문제를 나타내지 않는 원시 데이터가 포함되어 있지 않으면 작업 품질이 저하되지 않습니다.