Lean AI
매일 스타트업과 브런치. 176 day
'인공지능'이라는 용어는 1955년 존 매카시에 의해 처음으로 만들어졌다. 인공지능은 사실 넓은 의미를 가지는 용어로, 일반적으로 인간의 지능이 요구되던 과업을 기계과 컴퓨터가 할 수 있다는 것을 뜻한다. '머신러닝'이란 용어를 흔히 인공지능과 혼동하기도 하는데, 머신러닝이란 통계학적 접근법을 통해 '학습'하는 컴퓨터 시스템으로, 업무수행 능력의 혁신적 향상을 목적으로 개발된 인공지능의 한 종류다. 다시 말해, 증가하는 데이터셋을 바탕으로 더욱 정교한 예측이 가능하도록 하는 알고리즘을 개발하는 것이다.
머신러닝은 기계가 데이터에 접근할 수 있도록 권한을 부여해 스스로 학습하게 만든다는 개념이다. 이와 비교해 인공지능으 고정된 대상을 지칭하기보다는 관련 기술의 진보를 뜻하는 것으로, 기술이 발전하면서 의미도 함꼐 변화하는 개념이다. 인공지능은 머신러닝, 딥러닝, 추론 알고리즘, 자연어 처리, 신경망, 컴퓨터 비전 등 많은 기술을 내포한다. 인공지능은 기술의 진화에서 중요한 지점에 있으며, 특히 '마케팅 자동화'와 관련해서는 더욱 그렇다.
머신러닝은 일반적으로 데이터를 검토하고 비교하며 공통된 패턴을 찾고 뉘앙스를 탐구하기에, 다량의 데이터가 바탕이 될 때 성능이 좋다. 또한 머신러닝은 데이터 분석을 위한 모델 구축을 자동화한다. 머신러닝의 기반 개념은 컴퓨터가 패턴을 식별해 데이터로 학습할 수 있다는 점이다. 궁극적으로는 사람없이도 스스로 의사결정을 할 수 있다. 경험을 통한 학습 및 적응 능력을 기계에 부여했기 때문이다. 작동방식은 다음과 같다.
시스템은 가용한 데이터로 확률을 통해 판단하거나 예측하고, 그다음 피드백 루프를 활용해 예측이 맞았는지 확인한다. 학습을 통해 예측은 점점 더 정확해지고 시스템은 갈수록 영리해진다.
recipe 262. 인공지능의 3가지 핵심 동력
그로스 팀은 인공지능을 적용해 더 많은 수요자와 공급자의 파트너에게 견고한 광고 옵션을 제공한다. 이를 통해 유료 회원 모집에 투자되는 예산을 집행할 때 더 낳은 성과를 얻게 한다. 이러한 인공지능의 진보를 만든 세가지 핵심 요인은 다음과 같다.
1. 컴퓨팅 파워
컴퓨팅 파워의 가격당 성능은 무어의 법칙에 비례해 기하급수적으로 증가했다. 최근 인공지능 진보의 핵심 동력 중 하나인 머신러닝은 많은 부분에서 그래픽 처리 장치(GPU)의 혜택을 받았다. GPU는 모든 머신러닝 계싼에 필요한 벡터화된 수치 연산에서 뛰어난 성능을 보여준다. 구글의 텐서 처리 장치(TPU)도 마찬가지이다. 이러한 경향은 양자 컴퓨팅의 진보와 함께 가속화될 전망이다. 전통적 컴퓨터의 능력 밖에 있던 암호화, 최적화 등 복잡한 문제도 해결할 수 있다. 대량의 데이터를 분석해 인공지능 장치에 피드백을 제공하고 성능 향상을 돕는다. 전통적 컴퓨터보다 효율적이므로 인공지능 장치의 학습 곡선을 짧게 만든다. 양자 컴퓨터의 능력을 갖춘 인공지능 장치는 마치 인간처럼 경험으로부터 학습하고 자신을 스스로 교정한다.
2. 데이터 가용성
데이터는 인공지능의 연료이고, 고객 데이터는 기업의 가장 소중한 자산이다. 디지털 세상이 되면서 데이터는 빠르게 생성되고 가용성 또한 높아졌다. 많은 양의 데이터는 머신러닝을 성공적으로 활용하기 위한 필수 자원이다. 또한, 잠재 구매 고객과 이탈 고객 판단 등 그로스 마케팅에서 요구되는 질문의 정답을 예측하는 데 정확도를 높일 수 있다. 지식은 힘이다. 지식을 최대한 끌어내기 위해서는 필요한 데이터가 무엇이고, 어디서 찾아야 하고, 어떻게 수급해야 하고, 비즈니스 질문을 분석하는 올바른 데이터 모델은 어떻게 만들 것인지 고민해야 한다. 마찬가지로 알고리즘을 다시 훈련하고 강화하기 위해 끊임없이 데이터를 갱신하는 것이 매우 중요하다. 데이터 수집에는 많은 수고가 들지만 그럴 만한 가치가 있다. 인공지능의 생명줄인 데이터는 비즈니스를 발전시키는 데 필요한 인사이트를 준다.
3. 알고리즘
알고리즘은 연산, 데이터 처리, 자동 추론 등에 쓰인다. 알고리즘은 어디에 숨어있는지 모를 정도로 일상에서 폭넓게 쓰인다. 머신러닝에서는 데이터 마이닝과 패턴을 인식하는 것이 가장 중요하다. 넷플릭스의 영화 추천처럼, 알고리즘은 시스템을 똑똑하게 만든다. 얘측 모델링을 위한 모든 지도학습 알고리즘의 바탕에는 공통된 원칙이 있다. 머신러닝 알고리즘은 입력 변수 X를 결과 변수 Y로 가장 잘 변환하는 목표 함수 f를 학습한다. 가장 보편적인 형태의 머신러팅은 Y=f(X) 변환을 학습해 새로운 X에 대한 Y값을 예측한다. 이를 예측 모델링 혹은 예측 분석이라고 한다.
보다 자세한 내용은
출처: Lean AI 에서.
목표일: 176/365 days
리서치: 262/524 recipes