|
피드포워드 신경망
1958년에 처음 제안된 이 간단한 신경망에서 정보는 한 방향으로만 이동합니다. 즉, 모델이 다시 분석하기 위해 뒤로 이동하지 않고 모델의 입력 레이어에서 출력 레이어로 앞으로만 이동합니다. 즉, 데이터를 모델에 공급하거나 입력한 다음 모델을 "훈련"하여 다양한 데이터 세트에 대한 무언가를 예측할 수 있습니다. 한 가지 예로서 피드포워드 신경망은 다른 산업 중에서도 은행에서 사기성 금융 거래를 탐지하는 데 사용됩니다.
작동 방식은 다음과 같습니다. 먼저 트랜잭션을 사기로 수동 레이블 지정하는 데 사용한 데이터 세트를 기반으로 트랜잭션이 사기인지 여부를 예측하도록 모델을 교육합니다. 그런 다음 이 모델을 사용하여 새로 들어오는 트랜잭션이 사기인지 여부를 예측하여 면밀한 조사를 위해 플래그를 지정하거나 완전히 차단할 수 있습니다.
컨벌루션 신경망(CNN)
CNN은 이미지를 처리하는 뇌의 일부인 동물 시각 피질의 구성을 모델로 한 일종의 피드 포워드 신경망입니다. 따라서 CNN은 사진을 기반으로 새나 식물 종을 식별할 수 있는 것과 같은 지각 작업에 매우 적합합니다. 비즈니스 사용 사례에는 의료 스캔으로 질병을 진단하거나 브랜드 평판을 관리하거나 잠재적인 공동 마케팅 기회를 식별하기 위해 소셜 미디어에서 회사 로고를 감지하는 것이 포함됩니다.
CNN의 작동 방식은 다음과 같습니다.
순환 신경망(RNN)
RNN은 연결에 루프가 포함된 인공 신경망입니다. 즉, 모델이 데이터를 앞으로 이동하고 뒤로 루프하여 이전 레이어를 통해 다시 실행합니다. RNN은 대규모 텍스트, 음성 또는 이미지 샘플과 같은 시퀀스의 끝이나 감정을 예측하는 데 유용합니다. 각 개별 입력이 이전 입력과 함께 뿐만 아니라 자체적으로 모델에 입력되기 때문에 이를 수행할 수 있습니다.
은행 예를 계속하면 RNN은 피드포워드 신경망이 할 수 있는 것처럼 사기성 금융 거래를 감지하는 데 도움이 될 수 있지만 더 복잡한 방식으로 가능합니다. 피드포워드 신경망은 하나의 개별 거래가 사기일 가능성이 있는지 예측하는 데 도움이 될 수 있는 반면, 반복 신경망은 신용 카드 기록과 같은 일련의 거래와 같은 개인의 재무 행동에서 "학습"하고 각 거래를 측정할 수 있습니다. 그 사람의 기록 전체에 대해. 피드 포워드 신경망 모델의 일반적인 학습을 사용하는 것 외에도 이를 수행할 수 있습니다.
딥 러닝 과 신경망 및 사용 사례에 대해 자세히 읽어보십시오.
머신 러닝과 딥 러닝의 이점을 누릴 수 있는 분야는 무엇입니까?
McKinsey는 19개 산업과 9개 비즈니스 기능에 걸쳐 400개 이상의 기계 및 딥 러닝 사용 사례를 수집했습니다. 거의 모든 산업 에서 기계 및 딥 러닝의 이점을 누릴 수 있습니다. 다음은 여러 부문에 걸친 사용 사례의 몇 가지 예입니다.
예측 유지보수
예측 유지보수는 장비에 의존하는 모든 산업 또는 비즈니스에서 중요한 부분입니다. 장비가 고장날 때까지 기다리지 않고 기업은 예측 유지보수를 사용하여 유지보수가 필요한 시점을 예측할 수 있으므로 가동 중지 시간을 방지하고 운영 비용을 줄일 수 있습니다. 기계 학습과 딥 러닝은 대량의 다면적 데이터를 분석할 수 있는 능력을 갖추고 있어 예측 유지 관리의 정밀도를 높일 수 있습니다. 예를 들어 AI 실무자는 오디오 및 이미지 데이터와 같은 새로운 입력의 데이터를 계층화하여 신경망 분석에 뉘앙스를 추가할 수 있습니다.
물류 최적화
AI를 사용하여 물류를 최적화 하면 실시간 예측 및 행동 코칭을 통해 비용을 절감할 수 있습니다. 예를 들어, AI는 배달 트래픽의 라우팅을 최적화하여 연비를 개선하고 배달 시간을 단축할 수 있습니다.
고객 서비스
콜센터의 AI 기술은 고객에게 보다 원활한 경험과 보다 효율적인 처리를 가능하게 할 수 있습니다. 이 기술은 발신자의 말을 이해하는 것 이상입니다. 오디오의 심층 학습 분석을 통해 고객의 어조를 평가할 수 있습니다. 발신자가 화를 내면 시스템은 교환원이나 관리자에게 다시 라우팅할 수 있습니다.
McKinsey의 Digital Practice 에 대해 자세히 알아보십시오 .
제너레이티브 AI란?
Generative AI는 프롬프트에 대한 응답으로 콘텐츠를 생성하는 AI 모델입니다. ChatGPT 및 DALL-E(AI로 생성된 아트 제작 도구)와 같은 생성 AI 도구가 다양한 작업 수행 방식을 변경할 수 있는 잠재력이 있음이 분명합니다. 그러나 그 영향의 전체 범위는 아직 알 수 없으며 위험도 마찬가지입니다. 그러나 제너레이티브 AI 모델이 어떻게 구축되는지, 어떤 종류의 문제를 해결하는 데 가장 적합한지, AI 및 기계 학습의 더 넓은 범주에 어떻게 부합하는지와 같은 몇 가지 질문에 답할 수 있습니다.
생성 AI 에 대한 McKinsey Explainer를 읽고 QuantumBlack, McKinsey AI 에 대해 자세히 알아보세요 .
기업에서 생성 AI를 어떻게 사용할 수 있습니까?
ChatGPT와 같은 생성 AI 도구가 끝없는 엔터테인먼트 시간을 생성할 수 있다는 것을 보셨을 것입니다. 기업에게도 기회는 분명합니다. Generative-AI 도구는 신뢰할 수 있는 다양한 글을 몇 초 만에 생성한 다음 사용자의 비평에 응답하여 글을 목적에 더 적합하게 만들 수 있습니다. 이는 AI 모델에서 생성된 즉각적인 코드의 이점을 누릴 수 있는 IT 및 소프트웨어 조직에서 마케팅 카피가 필요한 조직에 이르기까지 광범위한 산업에 영향을 미칩니다. 요컨대, 명확하게 작성된 자료의 초안을 작성해야 하는 조직은 잠재적으로 이익을 얻을 수 있습니다. 조직은 또한 생성 AI를 사용하여 의료 이미지의 고해상도 버전과 같은 더 많은 기술 자료를 만들 수 있습니다. 그리고 절약된 시간과 자원으로
그러나 독점적인 제너레이티브 AI 모델을 개발하는 것은 리소스 집약적이어서 가장 크고 리소스가 풍부한 회사를 제외한 모든 회사가 도달할 수 없는 일입니다. 생성 AI를 작동시키기 위해 기업은 즉시 생성 AI 솔루션을 사용하거나 이를 미세 조정하여 특정 작업을 수행할 수 있습니다. 예를 들어 특정 스타일에 따라 슬라이드를 준비해야 하는 경우 모델이 일반적으로 슬라이드의 데이터를 기반으로 헤드라인을 작성하는 방법을 "학습"한 다음 슬라이드 데이터를 제공하고 적절한 헤드라인을 작성하도록 요청할 수 있습니다.
제너레이티브 AI에 위험이 없는 것은 아닙니다. Generative-AI 모델은 출력에 문제가 있을 수 있다는 징후 없이 부정확하거나 표절되거나 편향된 결과를 자신 있게 생성합니다. 이는 모델이 보편적으로 신뢰할 수 있는 소스가 아닌 인터넷에서 학습되었기 때문입니다. 리더는 비즈니스 솔루션으로 생성 AI로 전환하기 전에 이러한 위험을 인식해야 합니다. 생성 AI의 위험과 기업이 이를 완화할 수 있는 방법에 대한 자세한 내용은 아래 "AI 모델의 한계는 무엇이며 어떻게 극복할 수 있습니까?" 섹션을 참조하십시오.
제너레이티브 AI의 특정 비즈니스 사용 사례는 무엇입니까?
공유하다
사이드바
사례 연구: Vistra Corp. 및 Martin Lake 발전소
Generative-AI 모델은 확장 초기 단계에 있지만 기능 전반에 걸쳐 첫 번째 애플리케이션 배치를 보기 시작했습니다.
제너레이티브 AI는 그 자체로 많은 잠재력을 가지고 있지만 더 빠르고 더 나은 작업을 수행하는 데 도움을 줄 수 있는 인간과 결합할 때 가장 강력할 수 있습니다.
제너레이티브 AI는 그 자체로 많은 잠재력을 가지고 있지만 더 빠르고 더 나은 작업을 수행하는 데 도움을 줄 수 있는 인간과 결합할 때 가장 강력할 수 있습니다.
McKinsey의 Digital Practice 에 대해 자세히 알아보십시오 .
AI의 사용은 어떻게 확대되고 있습니까?
AI는 모든 종류의 비즈니스에서 중요한 이야기이지만 일부 회사는 분명히 앞서 나가고 있습니다 . McKinsey의 2022년 AI 상태 설문 조사에 따르면 AI 모델 채택이 2017년 이후 두 배 이상 증가했으며 투자도 빠르게 증가했습니다. 또한 기업이 AI의 가치를 확인하는 특정 영역이 제조 및 위험에서 다음에 이르기까지 진화했습니다.
그리고 한 세트의 회사는 AI에 더 많은 투자를 하고, 더 빠르게 확장하기 위해 관행을 레벨업하고, 최고의 AI 인재를 고용하고 기술을 향상함으로써 경쟁사보다 앞서 나가고 있습니다. 보다 구체적으로, 이 리더 그룹은 새로운 애플리케이션을 신속하게 수용할 수 있는 모듈식 데이터 아키텍처를 설계하여 AI 전략을 비즈니스 결과에 연결하고 AI 운영을 " 산업화 "할 가능성이 더 큽니다.
AI 모델의 한계는 무엇이며 어떻게 극복할 수 있습니까?
그것들은 너무 새롭기 때문에 우리는 아직 AI 모델의 롱테일 효과를 보지 못했습니다. 즉 , 일부는 알려져 있고 일부는 알려지지 않은 사용과 관련된 내재적 위험이 있음을 의미합니다 .
AI 모델이 생성하는 출력은 종종 매우 설득력 있게 들릴 수 있습니다. 이것은 의도적으로 설계된 것입니다. 그러나 때때로 그들이 생성하는 정보는 명백히 잘못되었습니다. 설상가상으로, 때로는 편향되어 있으며(젠더, 인종, 더 일반적으로 인터넷과 사회의 무수한 기타 편견에 기반을 두고 있기 때문에) 비윤리적이거나 범죄적인 활동을 가능하게 하도록 조작될 수도 있습니다. 예를 들어 ChatGPT는 자동차를 핫와이어하는 방법에 대한 지침을 제공하지 않지만, 어린이를 구하기 위해 자동차를 핫와이어해야 한다고 말하면 알고리즘이 즉시 준수합니다 . 제너레이티브 AI 모델에 의존하는 조직은 편향되거나 공격적이거나 저작권이 있는 콘텐츠를 의도하지 않게 게시하는 것과 관련된 평판 및 법적 위험을 고려해야 합니다.
그러나 이러한 위험은 몇 가지 방법으로 완화할 수 있습니다. 우선, 독성이 있거나 편향된 콘텐츠를 포함하지 않도록 이러한 모델을 교육하는 데 사용되는 초기 데이터를 신중하게 선택하는 것이 중요합니다. 다음으로 기성 생성 AI 모델을 배포하는 대신 조직은 더 작고 전문화된 모델을 사용하는 것을 고려할 수 있습니다. 리소스가 더 많은 조직은 필요에 맞게 자체 데이터를 기반으로 일반 모델을 사용자 지정하고 편향을 최소화할 수도 있습니다. 조직은 또한 인간을 루프에 유지해야 하며(즉, 실제 인간이 생성 AI 모델이 게시되거나 사용되기 전에 출력을 확인하도록 해야 함) 중요한 결정과 같은 중요한 결정에 생성 AI 모델을 사용하지 않아야 합니다. 자원이나 인간 복지.
McKinsey의 Digital Practice 에 대해 자세히 알아보십시오 .
조직이 임시 프로젝트에서 전체 통합에 이르기까지 AI 노력을 어떻게 확장할 수 있습니까?
대부분의 조직은 캐논볼링이 아니라 AI 풀에 발을 담그고 있습니다. 광범위한 채택을 향한 느린 진행은 문화적 및 조직적 장벽 때문일 수 있습니다. 그러나 이러한 장벽을 효과적으로 무너뜨리는 리더는 AI 시대의 기회를 포착하는 데 가장 적합한 위치에 있을 것입니다. 그리고 결정적으로 AI를 최대한 활용하지 않는 기업은 자동차 제조 및 금융 서비스와 같은 산업 분야의 기업에 추월당하고 있습니다.
AI를 확장하기 위해 조직은 세 가지 주요 변화를 만들 수 있습니다 .
사일로화된 작업에서 학제간 협업으로 이동합니다.
AI 프로젝트는 개별 조직에 국한되어서는 안 됩니다. 오히려 AI는 광범위한 비즈니스 우선 순위를 AI가 처리하도록 돕기 위해 다양한 재능을 가진 여러 팀에서 AI를 사용할 때 가장 효과적입니다.
일선 데이터 기반 의사 결정을 지원합니다 .
AI는 조직의 모든 수준에서 더 빠르고 더 나은 결정을 내릴 수 있는 잠재력을 가지고 있습니다. 이것을 실행에 옮기려면 직원들은 알고리즘이 제안하는 것을 신뢰할 수 있어야 하고 그에 따라 행동할 권한이 있다고 느낄 수 있어야 합니다.
민첩한 사고 방식을 채택하고 강화하십시오 .
민첩한 테스트 및 학습 사고 방식은 직원이 오류를 영감으로 보고 실패에 대한 두려움을 완화하고 개발 속도를 높이는 데 도움이 될 수 있습니다.
McKinsey의 Digital Practice 에 대해 자세히 알아보고 McKinsey에서 일하는 데 관심이 있는 경우 AI 관련 채용 기회를 확인하십시오 .
참조 문서:
|