딥 러닝 신경망은 결론에 도달하기 위해 일련의 계산을 수행하여 인간 두뇌의 의사 결정 프로세스를 모방한다. 기계는 인간이 할 수 없는 방대한 양의 데이터를 처리할 수 있지만 긍정적인 결과를 얻으려면 건전한 거버넌스 구조가 필요하다. 기업이 데이터를 유리하게 사용할 경우 딥 러닝은 생산성을 개선하고 유지율을 높이며 수익을 창출할 수 있다.
결정이 필요한 문제나 문제를 "해결"할 때 선형 체크리스트를 통과하는 것처럼 느낄 수 있다. 그러나 그것은 인간의 두뇌가 작동하는 방식이 아니다. 비선형 패턴으로 처리한다. 이것이 본질적으로 인공지능(AI)의 하위 집합인 딥 러닝도 작동하는 방식이다.
딥 러닝은 인간의 두뇌처럼 작동한다.
딥 러닝은 본질적으로 인간의 두뇌가 하는 방식인 예를 통해 학습한다. 인간이 특정 유형의 지식을 습득하는 방식을 모방하는 것이다. 딥 러닝은 유사한 방식으로 정보를 처리하기 때문에 사람이 할 수 있는 일(예: 자동차 운전 방법을 배우거나 사진에서 개 식별)에 사용할 수 있다.
딥 러닝은 예측 분석을 자동화하는 데도 사용된다. 예를 들어 추세 및 고객 구매 패턴을 식별하여 회사가 더 많은 고객을 확보하고 더 많이 유지할 수 있다. 새 드라이버를 구입할 때 "자주 함께 구입하는" 품목을 표시하는 소매 사이트 섹션을 알고 있는가? 이는 현재 검색과 과거 구매 패턴을 모두 고려하여 필요한 추가 제품을 제안하는 예측 딥 러닝 알고리즘을 기반으로 한다.
다른 응용 프로그램에는 가상 비서, 사기 탐지, 언어 번역, 챗봇 및 서비스 봇, 흑백 이미지 채색, 얼굴 인식 및 질병 진단과 같은 수많은 일상적인 만남 및 활동이 포함된다.
신경망 응용 프로그램의 간단한 예는 음성 구문 분석이다. 네트워크는 원시 오디오에서 소리를 가져와 결합하여 음절을 만들고 결합하여 단어를 만들고 결합하여 행동을 촉구하는 구를 만든다. 기계는 이 특정 소리가 신용 카드 잔액을 끌어올린다는 것을 의미하고 같은 것을 더 많이 요청할수록 더 정확해진다는 것을 학습한다.
딥 러닝은 산업 전반에 걸쳐 응용 프로그램이 있다.
신경망은 새로운 것이 아니다. 그들은 1940년대부터 있었다. 1943년에 두 명의 컴퓨터 과학자는 신경망 모델을 도입하고 뉴런을 기반으로 한 임계값 스위치를 재생성했으며 이러한 종류의 간단한 네트워크에서도 거의 모든 논리 또는 산술 기능을 계산할 수 있음을 보여주었다.
최초의 컴퓨터 전구체는 손으로 탄도 궤적을 계산하는 데 지친 컴퓨터 과학자에 의해 개발되었다. 70년 이상이 지난 오늘날, 딥 러닝은 주로 확장된 컴퓨팅 성능(전력 단위당 비용 대폭 감소와 함께), 더 나은 모델링 및 데이터 가용성으로 인해 정교함과 사용이 폭발적으로 증가했다. 딥 러닝에는 엄청난 양의 데이터가 필요하다. 현재 우리가 매일 생성하는 데이터는 2.6퀸틸리언 바이트로 추정된다. 그리고 사람보다 훨씬 빠르게 방대한 데이터 세트를 분석할 수 있다. 기계는 단조로움이나 피로를 겪지 않는다.
딥 러닝에 위험이 있을까?
자율 주행 차량의 예를 사용하여 그 질문에 답해 보겠다. 딥 러닝은 우리에게 이러한 자율 주행 자동차를 제공했지만 자율 주행 유토피아와 유사한 모든 교통 사고를 없애지는 못할 것 같다. 실제로 고속도로 안전 보험 연구소(IIHS)의 최근 연구에 따르면 자율 주행 차량은 모든 충돌의 약 3분의 1만 예방할 수 있다고 한다. 그래도 사람보다는 성공적이다.
그러나 광범위한 채택에 대한 우려에는 기술이 학습됨에 따라 출시 초기에 사고율이 증가하고, 도덕적 결정은 제조업체에 맡기고, 사고에 대한 책임을 돌리는 데 어려움이 포함될 수 있다. 그리고 해킹이 있다. 결국 딥 러닝은 단순히 차량에 내장된 기술이기 때문이다. 2019년 3월에 두 명의 "화이트 햇" 해커(선량한 사람)가 인포테인먼트 시스템의 브라우저를 통해 Tesla 컴퓨터에 들어가서 자체 코드를 실행하고 자동차가 명령에 응답하도록 하는 데 몇 분 밖에 걸리지 않았다.
또한 소비자의 관점에서 딥 러닝의 사용을 고려해야 한다. 예를 들어 전화가 잠금 해제되지 않는 경우와 같이 "작동"하지 않으면 불만을 품거나 실망한 고객을 만들어 목적을 달성하지 못할 수 있다. 문제를 복잡하게 하는 것은 딥 러닝의 신경망이 복잡하기 때문에 시스템이 어디에서 왜 잘못되었는지 알기 어려울 수 있다는 것이다. 종종 딥 러닝의 블랙박스로 설명되는 데이터 과학자는 딥 러닝 모델이 작동하는 방식에 대한 가시성과 투명성을 개선하기 위해 노력하고 있다.
모델에는 의도하지 않게 내장된 편향이 있을 수도 있다. 이러한 딥 러닝 모델은 대출, 일자리 또는 가석방을 받는 사람을 비롯한 중요한 결정에 사용된다. 딥 러닝에는 적절한 거버넌스 구조와 함께 명확한 가드레일이 있어야 한다.
딥 러닝은 비즈니스의 미래이다.
딥 러닝은 이미지 기반 제품 검색(예: Pinterest)과 과일과 채소를 분류하여 인건비를 줄이는 효율적인 방법을 제공했다. 전자는 소비자 편의에 더 가깝고 후자는 생산성에 대한 진정한 비즈니스 사례이다.
사기를 감지하고, 위험을 줄이며, 거래를 자동화하고, 투자자에게 "로보 조언"을 제공하는 데 사용되는 금융 서비스의 딥 러닝에 상당한 리소스가 투입되고 있다. EIU(Economist Intelligence Unit)의 보고서에 따르면 금융 서비스 회사의 86%가 2025년까지 AI 관련 투자를 늘릴 계획이다.
비즈니스 전반에 AI를 포함하면 차별화와 경쟁력을 강화하고, 생산성을 높이고, 유지에 영향을 미치고, 질병의 경과를 바꿀 수 있다. 이는 산업 전반과 비즈니스의 모든 측면에서 일어나고 있다.
이는 비즈니스 및 운영 모델의 재창조에서 고용 및 유지 전략, 딥 러닝을 수용할 뿐만 아니라 사용을 가능하게 하는 새로운 기업 문화 창출에 이르기까지 모든 것에 영향을 미치고 있다. 그러나 일부 추정에 따르면 혁신적인 의사 결정에 사용할 수 있는 방대한 양의 데이터가 있음에도 불구하고 대부분의 조직에서 사용되는 데이터는 1% 미만이다. 언제 탭핑을 시작하고 사용하시겠는가?
