머신러닝이란 무엇인가요?

[힘힘]

머신러닝이란 무엇인가요? 2024년 4월 30일

공유하다

인쇄

구하다

머신러닝은 인간이 명시적으로 프로그래밍하지 않고도 학습할 수 있는 인공지능의 한 형태입니다.

""

우리 역사의 대부분 동안 우리는 수집된 정보를 바탕으로 행동을 조정하는 능력인 학습이 오직 인간만이 할 수 있는 일이라고 생각했습니다. 지난 수십 년 동안 모든 것이 바뀌었습니다. 이제 우리는 모든 종류의 동물이 경험, 교육, 심지어 놀이를 통해 배운다는 것을 알고 있습니다. 그러나 학습하는 것은 동물뿐만이 아닙니다. 식물도 학습한다는 증거가 늘어나고 있습니다 . 그리고 얼굴 인식 기능이 있는 전화기의 잠금을 해제했거나 가상 비서와 상호 작용한 적이 있다면 기계도 학습할 수 있다는 것을 직접 경험한 것입니다.

기계 학습에 관한 McKinsey 전문가를 알아보고 직접 참여해 보세요.

Michael Chui 는 McKinsey Global Institute의 파트너이며 McKinsey 샌프란시스코 사무실에서 근무하고 있습니다. Tamim Saleh 는 McKinsey 런던 사무소의 수석 파트너입니다. Alex Singla는  McKinsey 시카고 사무소의 수석 파트너입니다. Alex Sukharevsky는  런던 사무소의 수석 파트너입니다.

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

 머신 러닝은 대규모 데이터 세트와 인간의 지시를 포함하여 광범위한 입력에 적응할 수 있는 인공 지능 (AI) 의 한 형태입니다 . (일부 기계 학습 알고리즘은 패턴을 감지하기 위해 스스로 훈련하는 데 특화되어 있습니다. 이를 딥 러닝이라고 하며, 이에 대해서는 별도의 설명 에서 자세히 살펴보겠습니다 .) "기계 학습"이라는 용어는 1959년 컴퓨터 과학자 Arthur Samuel에 의해 처음 만들어졌습니다. 이는 "명시적으로 프로그래밍하지 않고도 학습할 수 있는 컴퓨터의 능력"입니다. 따라서 기계 학습 알고리즘은 명시적인 프로그래밍 지침을 받는 대신 데이터와 경험을 처리하여 패턴을 감지하고 예측 및 권장 사항을 만드는 방법을 학습할 수 있습니다. 또한 알고리즘은 새로운 데이터와 경험에 대응하여 적응하여 시간이 지남에 따라 개선됩니다.

오늘날 머신러닝의 필요성과 잠재력은 그 어느 때보다 커졌습니다. 현재 생성되고 있는 데이터의 양과 복잡성은 인간이 감당하기에는 너무 방대합니다. 널리 배포된 이후 수년 동안 머신러닝은 의료 영상 분석  및 고해상도 일기 예보 를 비롯한 다양한 산업에 영향을 미쳤습니다 .

머신러닝은 어떻게 생성적 AI로 발전했나요?

학문으로서의 머신러닝은 1959년에 처음 도입되었으며, 1930년대 의 공식과 가설을 바탕으로 구축되었습니다 . 그러나 디지털화의 꾸준한 발전, 더 큰 뉘앙스를 표현할 수 있는 컴퓨팅 언어, 저렴한 컴퓨팅 성능 및 메모리를 통해 데이터 과학자가 기계 학습 모델을 교육하여 데이터 세트에서 독립적으로 학습할 수 있게 되면서 기계 학습이 진정으로 꽃피운 것은 1990년대 후반이 되어서였습니다. 그들을 위해 작성된 규칙에 의존하십시오. 저렴한 클라우드 서비스의 광범위한 가용성은 나중에 기계 학습의 발전을 더욱 가속화했습니다.

딥 러닝은 광범위한 데이터 리소스(텍스트 및 이미지를 포함한 비정형 데이터)를 처리하는 데 특히 능숙하고, 사람의 개입이 훨씬 덜 필요하며, 기존 기계 학습보다 더 정확한 결과를 생성할 수 있는 고급 버전의 기계 학습입니다. . 딥 러닝은 인간 두뇌에서 뉴런이 상호 작용하는 방식을 기반으로 하는 신경 네트워크를 사용하여 점점 더 복잡해지는 데이터 특징을 인식할 수 있는 여러 뉴런 계층을 통해 데이터를 수집하고 처리합니다. 예를 들어, 초기 뉴런 층은 무언가를 특정 모양으로 인식할 수 있습니다. 이 지식을 바탕으로 이후 레이어에서는 모양을 정지 신호로 식별할 수 있습니다. 기계 학습과 유사하게 딥 러닝은 반복을 사용하여 자체 수정하고 예측 기능을 향상시킵니다. 정지 신호가 어떻게 보이는지 "학습"하면 새로운 이미지에서 정지 신호를 인식할 수 있습니다.

이러한 기술 발전은 오늘날 등장하는 AI 도구의 기초가 되었습니다. 2022년 후반에 출시된 ChatGPT는 처음으로 AI를 일반 대중에게 공개하고 액세스할 수 있게 만들었습니다. ChatGPT 및 이와 유사한 기타 언어 모델은 프롬프트  에 응답하여 콘텐츠를 생성하기 위해 변환기 네트워크라는 딥 러닝 도구로 훈련되었습니다 . Transformer 네트워크를 사용하면 생성 AI(gen AI) 도구가 예측 시 입력 시퀀스의 다양한 부분에 가중치를 다르게 적용할 수 있습니다. 인코더와 디코더 레이어로 구성된 Transformer 네트워크를 사용하면 Gen AI 모델이 기존 머신 및 딥 러닝 모델에 비해 더 유연한 방식으로 단어 간의 관계와 종속성을 학습할 수 있습니다. 이는 변환기 네트워크가 특정 데이터 하위 집합(예: 정지 신호의 특정 이미지) 대신 인터넷의 방대한 범위(예: 기록 및 업로드된 모든 교통 영상)에 대해 훈련되기 때문입니다. OpenAI의 ChatGPT 또는 Google의 BERT와 같은 변환기 네트워크 아키텍처에서 훈련된 기초 모델은 특정 작업에서 배운 내용을 콘텐츠 생성을 포함하여 보다 일반화된 작업 세트로 전송할 수 있습니다. 이 시점에서 모델에게 정지 신호를 통과하는 자동차의 비디오를 제작하도록 요청할 수 있습니다.

기초 모델은 콘텐츠를 만들 수 있지만 옳고 그름의 차이, 심지어 사회적으로 허용되는 것과 그렇지 않은 것조차 알지 못합니다. ChatGPT가 처음 만들어졌을 때 학습하려면 많은 사람의 의견이 필요했습니다. OpenAI는 전 세계적으로 수많은 인력을 고용하여 기술을 연마하고, 데이터 세트를 정리 및 라벨링하고, 독성 콘텐츠를 검토 및 라벨링한 다음 제거를 위해 플래그를 지정하는 데 도움을 주었습니다. 이러한 인간의 입력은 ChatGPT를 혁신적으로 만든 것의 큰 부분을 차지합니다.

딥러닝에는 어떤 종류의 신경망이 사용되나요?

딥러닝에 사용되는 신경망에는 세 가지 유형이 있습니다.

• 피드포워드 신경망 . 1958년에 처음 제안된 이 간단한 신경망에서 정보는 한 방향으로만 이동합니다. 즉, 모델에서 재분석하기 위해 뒤로 이동하지 않고 모델의 입력 계층에서 출력 계층으로 앞으로 이동합니다. 즉, 모델에 데이터를 공급하거나 입력한 다음 모델을 "훈련"하여 다양한 데이터 세트에 대해 예측할 수 있습니다. 한 가지 예로서, 피드포워드 신경망은 다른 산업 중에서도 은행에서 사기성 금융 거래를 탐지하는 데 사용됩니다. 작동 방식은 다음과 같습니다. 먼저 거래에 사기성 여부를 수동으로 라벨링하는 데 사용한 데이터 세트를 기반으로 거래가 사기성인지 예측하도록 모델을 교육합니다. 그런 다음 모델을 사용하여 새로 들어오는 거래가 사기인지 여부를 예측하고 자세히 조사하기 위해 해당 거래에 플래그를 지정하거나 완전히 차단할 수 있습니다.

• CNN(컨벌루션 신경망) . CNN은 이미지를 처리하는 뇌의 일부인 시각 피질의 조직에서 영감을 받아 연결 연결을 구현한 피드포워드 신경망의 한 유형입니다. 따라서 CNN은 사진을 기반으로 새나 식물 종을 식별하는 것과 같은 지각 작업에 매우 적합합니다. 비즈니스 사용 사례에는  의료 스캔을 통해 질병을 진단하거나 소셜 미디어에서 회사 로고를 감지하여 브랜드 평판을 관리하거나 잠재적인 공동 마케팅 기회를 식별하는 것이 포함됩니다.

  작동 방식은 다음과 같습니다.

  • 먼저 CNN은 문자 "A"와 같은 이미지를 수신하여 픽셀 모음으로 처리합니다.
  • 히든 레이어에서 CNN은 문자 "A"를 구성하는 개별 선과 같은 고유한 특징을 식별합니다.
  • 그런 다음 CNN은 새 이미지가 이전에 문자를 구성하는 것으로 식별된 것과 동일한 고유한 특징을 가지고 있는 것으로 확인되면 다른 이미지를 문자 "A"로 분류할 수 있습니다.

• 순환 신경망(RNN). RNN은 연결에 루프가 포함된 인공 신경망입니다. 즉, 모델이 데이터를 앞으로 이동하고 뒤로 루프하여 이전 레이어를 다시 실행한다는 의미입니다. RNN은 텍스트, 음성 또는 이미지의 대규모 샘플과 같은 시퀀스의 감정이나 결말을 예측하는 데 유용합니다. 각 개별 입력이 자체적으로 모델에 입력될 뿐만 아니라 이전 입력과 결합되어 제공되기 때문에 이를 수행할 수 있습니다.

  은행 예를 계속해서 살펴보면 RNN은 피드포워드 신경망과 마찬가지로 사기성 금융 거래를 탐지하는 데 도움이 되지만 더 복잡한 방식으로 수행됩니다. 피드포워드 신경망은 하나의 개별 거래가 사기일 가능성이 있는지 여부를 예측하는 데 도움이 되는 반면, 순환 신경망은 개인의 금융 행동(예: 신용 카드 기록과 같은 일련의 거래)으로부터 "학습"하고 각 거래를 측정할 수 있습니다. 그 사람의 기록 전체에 반하는 것입니다. 피드포워드 신경망 모델의 일반 학습을 사용하는 것 외에도 이 작업을 수행할 수 있습니다.

딥 러닝, 신경망 및 그 사용 사례에 대한 자세한 내용은 경영진 의 AI 가이드를 참조하세요 . McKinsey 디지털 에 대해 자세히 알아보세요 .

어떤 부문이 머신러닝의 이점을 누릴 수 있나요?

McKinsey는 19개 산업과 9개 비즈니스 기능에 걸쳐 400개 이상의 머신러닝 및 딥러닝 사용 사례를 수집했습니다. 우리의 분석에 따르면 거의 모든 산업이  머신러닝과 딥러닝의 이점을 누릴 수 있다고 믿습니다 . 다음은 여러 분야에 걸친 사용 사례의 몇 가지 예입니다.

• 예측 유지 관리. 이 사용 사례는 장비에 의존하는 모든 산업이나 비즈니스에 매우 중요합니다. 기업에서는 장비가 고장날 때까지 기다리는 대신 예측 유지 관리를  통해 유지 관리가 필요한 시기를 예측함으로써 가동 중지 시간을 줄이고 운영 비용을 낮출 수 있습니다. 머신 러닝과 딥 러닝은 대량의 다면적인 데이터를 분석할 수 있는 능력을 갖추고 있어 예측 유지 관리의 정확성을 높일 수 있습니다. 예를 들어 AI 실무자는 오디오 및 이미지 데이터와 같은 새로운 입력의 데이터를 계층화하여 신경망 분석에 미묘한 차이를 추가할 수 있습니다.
• 물류 최적화. AI를 사용하여 물류를 최적화 하면  실시간 예측과 행동 코칭을 통해 비용을 절감할 수 있습니다. 예를 들어, AI는 배달 트래픽 라우팅을 최적화하여 연료 효율성을 향상하고 배달 시간을 단축할 수 있습니다.
• 고객 서비스. 콜센터의 AI 기술은  고객을 위한 보다 원활한 경험과 보다 효율적인 처리를 지원하는 데 도움이 될 수 있습니다. 이 기술은 발신자의 말을 이해하는 것 이상으로, 오디오에 대한 딥 러닝 분석을 통해 고객의 어조를 평가할 수 있습니다. 자동 통화 서비스에서 발신자가 화를 내는 것을 감지하면 시스템은 교환원이나 관리자에게 다시 라우팅할 수 있습니다.

McKinsey 디지털 에 대해 자세히 알아보세요 .

머신러닝을 사용하는 조직의 예는 무엇입니까?

기발한 리더들은 수년간 비즈니스 문제에 머신러닝을 적용해 왔습니다. 다음은 몇 가지 예 입니다 .

• 미국 농구 협회(National Basketball Association)의 팀들은 머신러닝을 사용하여 팀의 경기를 디지털화하여 예측 모델을 만드는 스타트업인 Second Spectrum과 협력했습니다. 이 모델을 통해 코치는 CEO Rajiv Maheswaran이 말했듯이 "좋은 슛을 하는 나쁜 슈터와 나쁜 슛을 하는 좋은 슈터"를 구별할 수 있습니다.
• 12개 이상의 유럽 은행이 기존의 통계 모델링 접근 방식을 기계 학습 기술로 대체했습니다. 어떤 경우에는 신제품 판매 10% 증가, 자본 지출 20% 절감, 현금 추심 20% 증가, 이탈률 20% 감소를 경험했습니다.
• 미국에 본사를 둔 대규모 전력 생산업체인 Vistra는  신경망 모델을 기반으로 하는 AI 기반 열률 최적화 장치를 구축하고 배포했습니다 . 이 모델은 Vistra가 특정 발전소의 가장 효율적인 열 효율성을 달성할 수 있도록 수년간의 데이터를 분석했습니다.

주류 조직은 어떻게 머신러닝의 잠재력을 최대한 활용할 수 있습니까?

AI 및 기계 학습 기술의 잠재적인 가치를 최대한 활용하기 위해 주류 채택자는 다음 조치를 고려할 수 있습니다 .

• 문제를 기계 학습 문제로 재구성합니다 . 모든 비즈니스 문제가 머신러닝 문제인 것은 아닙니다. 그러나 일부는 머신러닝 문제로 재구성될 수 있으며, 이는 솔루션 생성에 대한 새로운 접근 방식을 가능하게 할 수 있습니다. 이를 위해서는 적절한 데이터 소스는 물론 이상적인 결과와 목표에 대한 명확한 정의가 필요합니다.
• 머신러닝을 엔터프라이즈 아키텍처의 핵심으로 활용하세요 . 조직은 규칙 기반 논리를 기반으로 구축된 시스템 아키텍처의 보조 장치가 아닌 엔터프라이즈 기술 플랫폼의 핵심에 기계 학습을 배치할 수 있습니다.
• 인간 중심의 인재 전략을 개발합니다 . 이러한 가능성을 포착하려면 기업에는 기술 채택을 안내하고 직원이 새로운 AI 도구를 사용하는 방법을 적극적으로 형성할 수 있는 인력이 필요합니다.

머신러닝은 여기에 있습니다. Gen AI는 머신러닝을 조명하여 처음으로 일반 대중이 기존 AI를 볼 수 있고 접근할 수 있게 만들었습니다. AI 세대의 개화는 더 광범위한 머신러닝과 AI의 채택을 가속화할 뿐입니다. 지금 조치를 취하는 리더는 조직이 출발할 때 머신러닝 열차에 탑승할 수 있도록 도울 수 있습니다.

McKinsey 디지털 에 대해 자세히 알아보세요 . McKinsey와 협력하는 데 관심이 있다면 기계 학습 관련 채용 기회를 확인해 보세요 .

참조된 기사:

• " 저자 강연: Fei-Fei Li 박사는 AI에 대한 다학제적 접근 방식에서 가능성의 '세계'를 봅니다 ." 2023년 12월 11일
• " 기업을 위한 새롭고 더 빠른 기계 학습 플라이휠 " 2023년 3월 10일, Medha Bankhwal  및 Roger Roberts
• " 2022년 AI 현황 - 그리고 5년 간의 검토 ", 2022년 12월 6일, Michael Chui , Bryce Hall , Helen Mayhew , Alex Singla 및 Alex Sukharevsky
• " 프로세스에서 기계 학습 운영 ", 2021년 9월 27일, Rohit Panikkar , Tamim Saleh , Maxime Szybowski 및 Rob Whiteman
• " AI에 대한 경영진 가이드 ", 2020년 11월 17일, Michael Chui , Vishnu Kamalnath 및 Brian McCarthy
• “ 기계 학습에 대한 경영진 가이드 ,” 2015년 6월 1일, Dorian Pyle 및 Cristina San José