일반적으로 사용되는 머신 러닝 알고리즘과 장단점

목차

• 머신 러닝 알고리즘
  • 신경망
  • 선형 회귀
  • 로지스틱 회귀
  • 클러스터링
  • 의사 결정 트리
  • 랜덤 포레스트
• 머신 러닝 알고리즘의 장단점
• 머신 러닝의 도전 과제
  • 기술적 특이점
  • 일자리에 미치는 영향
  • 개인정보 보호
  • 편견과 차별
  • 책임

머신 러닝 알고리즘

여러 가지 머신 러닝 알고리즘이 일반적으로 사용됩니다. 여기에는 다음이 포함됩니다:

신경망

신경망은 수많은 처리 노드가 연결되어 인간의 두뇌가 작동하는 방식을 시뮬레이션합니다. 신경망은 패턴 인식에 능숙하며 자연어 번역, 이미지 인식, 음성 인식, 이미지 생성 등의 애플리케이션에서 중요한 역할을 합니다.

선형 회귀

이 알고리즘은 서로 다른 값 사이의 선형 관계를 기반으로 수치 값을 예측하는 데 사용됩니다. 예를 들어, 이 기법은 해당 지역의 과거 데이터를 기반으로 집값을 예측하는 데 사용될 수 있습니다.

로지스틱 회귀

이 지도 학습 알고리즘은 질문에 대한 '예/아니오' 답변과 같은 범주형 응답 변수에 대해 예측합니다. 스팸 분류 및 생산 라인의 품질 관리와 같은 애플리케이션에 사용할 수 있습니다.

클러스터링

클러스터링 알고리즘은 비지도 학습을 사용하여 데이터의 패턴을 식별하여 그룹화할 수 있습니다. 컴퓨터는 사람이 간과한 데이터 항목 간의 차이점을 식별하여 데이터 과학자를 도울 수 있습니다.

의사 결정 트리

의사 결정 트리는 숫자 값을 예측(회귀)하고 데이터를 카테고리로 분류하는 데 모두 사용할 수 있습니다. 의사 결정 트리는 트리 다이어그램으로 표현할 수 있는 연결된 의사 결정의 분기 시퀀스를 사용합니다. 의사 결정 트리의 장점 중 하나는 신경망의 블랙박스와 달리 검증과 감사가 쉽다는 것입니다.

랜덤 포레스트

랜덤 포레스트에서는 머신 러닝 알고리즘이 여러 의사 결정 트리의 결과를 결합하여 값이나 카테고리를 예측합니다.

머신 러닝 알고리즘의 장단점

예산, 필요한 속도와 정밀도에 따라 지도, 비지도, 반지도, 강화 등 각 알고리즘 유형에는 고유한 장단점이 있습니다. 

예를 들어 의사 결정 트리 알고리즘은 숫자 값 예측(회귀 문제)과 데이터를 카테고리로 분류하는 데 모두 사용됩니다. 의사 결정 트리는 트리 다이어그램으로 표현할 수 있는 연결된 의사 결정의 분기 시퀀스를 사용합니다. 의사 결정 트리의 가장 큰 장점은 신경망보다 검증과 감사가 더 쉽다는 것입니다. 나쁜 소식은 다른 의사 결정 예측자보다 더 불안정할 수 있다는 것입니다.

전반적으로 머신 러닝에는 기업이 새로운 효율성을 위해 활용할 수 있는 많은 이점이 있습니다. 여기에는 사람이 전혀 알아채지 못하는 방대한 양의 데이터에서 패턴과 추세를 파악하는 머신 러닝이 포함됩니다. 이러한 분석에는 사람의 개입이 거의 필요하지 않습니다. 관심 있는 데이터 세트를 입력하면 머신 러닝 시스템이 자체 알고리즘을 조합하고 개선하며, 시간이 지남에 따라 더 많은 데이터를 입력할수록 지속적으로 개선됩니다. 고객과 사용자는 해당 사용자와의 모든 경험을 통해 모델이 더 많은 것을 학습함에 따라 더욱 개인화된 경험을 즐길 수 있습니다.

단점으로는 머신 러닝에는 정확하고 편향되지 않은 대규모 학습 데이터 세트가 필요합니다. GIGO는 가비지 인/가비지 아웃이라는 작동 요소입니다. 충분한 데이터를 수집하고 이를 실행할 수 있을 만큼 견고한 시스템을 갖추는 것도 리소스를 낭비하는 일이 될 수 있습니다.

또한 머신러닝은 입력에 따라 오류가 발생하기 쉽습니다. 샘플이 너무 적으면 시스템이 완벽하게 논리적인 알고리즘을 생성하지만 완전히 잘못되거나 오해의 소지가 있는 알고리즘을 생성할 수 있습니다. 예산 낭비나 고객 불만을 피하기 위해 조직은 결과에 대한 높은 신뢰도가 있을 때만 답을 실행에 옮겨야 합니다.

머신 러닝의 도전 과제

머신러닝 기술이 발전함에 따라 우리의 삶은 확실히 더 편리해졌습니다. 그러나 비즈니스에서 머신러닝을 구현하면서 AI 기술에 대한 여러 가지 윤리적 우려도 제기되었습니다. 그 중 일부는 다음과 같습니다:

기술적 특이점

이 주제는 대중의 많은 관심을 받고 있지만, 많은 연구자들은 가까운 미래에 AI가 인간의 지능을 능가할 것이라는 생각에 대해 우려하지 않습니다. 기술적 특이점은 강력한 AI 또는 초지능이라고도 불립니다. 철학자 닉 보스트럼은 초지능을 “과학적 창의성, 일반적 지혜, 사회적 기술 등 거의 모든 분야에서 최고의 인간 두뇌를 훨씬 능가하는 지성”이라고 정의합니다.

초지능이 우리 사회에 임박한 것은 아니지만, 자율 주행 자동차와 같은 자율 시스템의 사용을 고려할 때 초지능에 대한 생각은 몇 가지 흥미로운 의문을 불러일으킵니다. 무인 자동차가 절대 사고를 내지 않을 것이라고 생각하는 것은 비현실적이지만, 그런 상황에서는 누가 책임과 의무를 져야 할까요? 자율주행차를 계속 개발해야 할까요, 아니면 이 기술을 사람들의 안전한 운전을 돕는 반자율 주행 차량으로 제한해야 할까요? 이에 대한 판단은 아직 내려지지 않았지만, 새롭고 혁신적인 AI 기술이 발전함에 따라 이러한 유형의 윤리적 논쟁이 일어나고 있습니다.

일자리에 미치는 영향

인공지능에 대한 많은 대중의 인식이 일자리 감소에 초점을 맞추고 있지만, 이러한 우려는 다시 생각해봐야 할 문제입니다. 파괴적인 신기술이 등장할 때마다 특정 직무에 대한 시장의 수요가 변화하는 것을 볼 수 있습니다. 예를 들어, 자동차 산업을 살펴보면 GM과 같은 많은 제조업체가 친환경 이니셔티브에 맞춰 전기 자동차 생산에 집중하는 방향으로 전환하고 있습니다. 에너지 산업이 사라지는 것은 아니지만 에너지원이 연비 중심에서 전기로 바뀌고 있습니다.

마찬가지로 인공지능은 일자리에 대한 수요를 다른 분야로 옮길 것입니다. 인공지능 시스템을 관리하는 데 도움을 줄 사람이 필요하게 될 것입니다. 고객 서비스처럼 일자리 수요 변화에 가장 큰 영향을 받을 가능성이 높은 산업 분야에서는 여전히 더 복잡한 문제를 해결할 사람이 필요합니다. 인공지능과 인공지능이 고용 시장에 미치는 영향에 대한 가장 큰 과제는 사람들이 수요가 많은 새로운 역할로 전환할 수 있도록 돕는 것입니다.

개인정보 보호

개인정보 보호는 데이터 프라이버시, 데이터 보호 및 데이터 보안의 맥락에서 논의되는 경향이 있습니다. 이러한 우려로 인해 정책 입안자들은 최근 몇 년 동안 더 많은 진전을 이루었습니다. 예를 들어, 2016년에는 유럽연합과 유럽 경제 지역 사람들의 개인 데이터를 보호하기 위한 GDPR 법안이 만들어져 개인이 자신의 데이터를 더 잘 통제할 수 있게 되었습니다. 미국에서는 2018년에 도입되어 기업이 소비자에게 데이터 수집에 대해 알리도록 하는 캘리포니아 소비자 개인정보 보호법(CCPA)과 같은 정책을 개별 주에서 개발하고 있습니다. 이러한 법안으로 인해 기업들은 개인 식별 정보(PII)를 저장하고 사용하는 방법을 재고해야 했습니다. 그 결과 보안에 대한 투자는 감시, 해킹, 사이버 공격의 취약점과 기회를 제거하기 위한 기업의 최우선 순위가 되었습니다.

편견과 차별

여러 머신러닝 시스템에서 발생한 편견과 차별 사례는 인공 지능 사용과 관련하여 많은 윤리적 의문을 제기하고 있습니다. 학습 데이터 자체가 편향된 인간의 프로세스에 의해 생성될 수 있는 경우 편견과 차별로부터 어떻게 보호할 수 있을까요? 일반적으로 기업은 자동화를 위한 좋은 의도를 가지고 있지만, 로이터는 인공지능을 채용 관행에 도입할 때 예상치 못한 결과를 초래할 수 있다고 강조합니다. 아마존은 프로세스를 자동화하고 간소화하려는 노력의 과정에서 의도치 않게 기술직 지원자의 성별을 차별했고, 결국 해당 프로젝트를 폐기해야 했습니다. 하버드 비즈니스 리뷰에서는 직무 지원자를 평가할 때 어떤 데이터를 사용할 수 있어야 하는지 등 채용 관행에서 AI를 사용하는 것에 대한 다른 지적 질문을 제기했습니다.

편견과 차별은 인사 기능에만 국한된 것이 아니라 얼굴 인식 소프트웨어부터 소셜 미디어 알고리즘에 이르기까지 다양한 애플리케이션에서 발견될 수 있습니다.

책임

AI 관행을 규제하는 중요한 법률이 없기 때문에 윤리적 AI를 실행할 수 있는 실질적인 강제 메커니즘이 없습니다. 현재 기업이 윤리적이어야 할 인센티브는 비윤리적인 AI 시스템이 수익에 미치는 부정적인 영향입니다. 이러한 간극을 메우기 위해 윤리학자들과 연구자들이 협력하여 사회 내에서 AI 모델의 구축과 배포를 관리하기 위한 윤리적 프레임워크가 등장했습니다. 그러나 현재로서는 이러한 프레임워크는 단지 지침 역할을 할 뿐입니다. 일부 연구4에 따르면 책임이 분산되어 있고 잠재적 결과에 대한 예측이 부족하면 사회에 대한 피해를 예방하는 데 도움이 되지 않는다고 합니다.