한빛출판네트워크

다음은 비지니스 리더와 종사자가 향후 몇 개월 동안 관찰해야 할 핵심 인공지능 동향입니다.

우리는 다양한 작업들의 부분적인 자동화를 가능하게 해줄 기술을 살펴보도록 하겠습니다.

자동화는 단계적으로 이루어 질 것입니다. 완전 자동화는 아직 시기상조이지만, 부분적으로 자동화할 수 있는 많은 워크플로와 작업들이 있습니다. 사실, 맥킨지에 따르면 현대의 기술을 사용하여 5% 미만을 완전 자동화 할 수 있다고 하지만 전문직의 약 60%가 구성 활동의 약 30%이상을 자동화 할 수 있습니다.

우리는 이미 컴퓨터 비전 및 음성 기술을 기반으로 한 흥미로운 제품과 서비스를 보았으며 2019년에는 더 많은 것을 기대합니다. 텍스트 및 물리적인 작업을 위해 고안된 솔루션으로 이어질 언어 모델 및 로보틱스의 추가 개선 사항을 기대하십시오. 완벽한 자동화 모델을 기다리는 대신 경쟁을 통해 조직들은 부분 자동화 솔루션을 구현할 것 입니다. 그리고, 이러한 부분 자동화 프로젝트의 성공은 향후 발전을 촉진 할 것입니다.

엔터프라이즈의 AI는 기존의 분석 응용 프로그램을 기반으로 합니다.

기업은 지난 몇 년간, 서로 다른 데이터 소스를 열어 비즈니스 분석, 추천 및 개인화, 예측 또는 탐지 및 비정상 모니터링 여부 등, 그들의 가장 중요한 분석작업을 하기 위한 프로세스와 인프라를 구축해 왔습니다. 

시각 및 음성 기술을 사용하는 새로운 시스템 외에도 회사는 이미 데이터 및 기계 학습 기능이 있는 분야에 딥 러닝 및 강화 학습에 위한 초기 시도가 이루어질 것으로 기대합니다. 예를 들어, 기업은 딥 러닝 학습을 통해 시간 및 지형 공간 데이터를 구현함으로써 확장 가능하고 보다 정확한 하이브리드 시스템을 구현합니다. (예를 들어, 딥 러닝과 다른 기계 학습 방법을 결합한 시스템이 있습니다.)

부분 자동화와 휴먼-인-더-루프^[1] 솔루션 시대에 UX/UI 디자인은 매우 중요합니다.

인공 지능 분야의 많은 현대 솔루션은 현장의 소비자, 직원 및 전문가와 협력합니다. 이 시스템은 사용자의 생산성을 향상시키고 많은 경우에 놀라운 규모와 정확성으로 작업을 수행 할 수 있게 해줍니다. 적절한 UX / UI 디자인은 이러한 작업을 단순화 할뿐만 아니라 사용자가 AI 솔루션을 신뢰하고 사용하도록 돕습니다.

[1] 휴먼 인 더 루프 : 사람과의 상호 작용이 필요한 모델로 정의됩니다. 이것은 실제, 가상 및 건설적인 분류에서 모델링 및 시뮬레이션 (M & S)과 관련이 있습니다.

우리는 감지, 모델 훈련 및 모델 유도를 위한 특수 장비를 보게 될 것입니다.

딥 러닝의 부활은 2011년경에 기록적인 컴퓨터 모델과 음성으로 시작되었습니다. 오늘날, 전문 장비를 정당화 할 수 있는 충분한 규모의 하드웨어가 있습니다. 페이스북만으로도 하루에 수조 번 예측이 가능합니다. Google 역시, 자체 전문 장비의 생산을 정당화하기에 충분한 규모를 가지고 있습니다. 그들은 지난해부터 자신의 텐서 프로세서(TPUs)를 클라우드에서 사용해 왔습니다. 2019년에는 보다 광범위한 전문 장비가 나옵니다. 중국과 미국의 많은 기업과 창업 기업들은 데이터 센터와 경계 장치^[2]에서 모델을 만들고 표시하기위한 하드웨어를 연구하고 있습니다.

[2] 경계 장치 : 경계 장치는 엔터프라이즈 또는 서비스 공급자의 핵심 네트워크에 진입 점을 제공하는 장치입니다. 라우터, 라우팅 스위치, IAD (통합 액세스 장치), 멀티플렉서 및 도시 네트워크 (MAN) 및 광역 네트워크 (WAN)을 위한 다양한 액세스 장치를 예로들 수 있습니다.

인공지능 솔루션은 하이브리드 모델에 계속 의존할 것 입니다.

딥러닝 연구가 많은 흥미로운 연구를 계속하는 동안, 대부분의 통합 솔루션은 하이브리드 시스템입니다. 2019 년 베이즈 추론, 트리 검색, 진화, 지식 그래프, 모델링 플랫폼 등과 같은 모델 기반 방법을 비롯하여 다른 구성 요소 및 방법의 중요한 역할에 대해 더 많이 듣게 될 것 입니다. 그리고 우리는 신경 네트워크를 기반으로 하지 않는 기계 학습 방법에서 흥미 진진한 발전을 볼 수 있습니다.

AI 성공은 새로운 도구와 프로세스에 대한 투자를 장려합니다.

AI 성공은 새로운 도구와 프로세스에 대한 투자를 장려합니다. 우리는 기계 학습의 경험적 시대에 있습니다. ML 개발 도구는 데이터의 중요성, 실험 및 모델 발견, 모델 배치 및 모니터링을 고려해야 합니다. 모델 작성에 대한 프로세스를 한 단계만 더 나아가 살펴 봅시다. 회사는 데이터를 전송하고, 메타 데이터를 관리 및 분석하며, 계산 자원을 효율적으로 사용하고, 모델을 효율적으로 찾고, 하이퍼 매개 변수를 설정하는 도구를 찾기 시작했습니다. 2019 년에는 제품 및 서비스에서 AI 및 M1의 개발 및 실제 구현을 용이하게 하는 많은 새로운 도구가 나타날 것으로 예상됩니다.

가짜 콘텐츠 생산 자동화는  심각한 문제로 남을 것입니다.

많은 가짜 정보가 쏟아짐에도 불구하고, 우리는 아직도 컨텐츠(가짜 이미지, 비디오, 오디오, 문자 등)를 자동 생산하는 시대의 초기에 있다고 할 수 있습니다. 적어도 아직은, 가짜 비디오와 이미지의  찾을 수 있는 감지 기술 및  과학적 탐지 수단이 있습니다. 그러나 가짜 컨텐츠를 만들 수 있는 기술이 빠르게 향상되고 있기 때문에 미국과 여러 나라의 재무부는 이런 속도를 따라 갈 수 있는 감시기술 개발에  주력하기 시작했습니다.

그리고 부정 행위를 하는 기계는 사람들을 속이는 기계에만 적용되는 것이 아닙니다. 기계를 속이는 기계(봇들)와 기계를 속이는 사람들(트롤 군대^[3]와 클릭 팜^[4]) 역시  다루기 어려울 수 있습니다. 정보 배포 방법 및 클릭 팜은 계속해서 컨텐츠 순위 시스템 및 소매 플랫폼을 속이기 위해 사용되며, 이를 탐지하고 퇴치하는 방법은 새로운 형태의 부정 행위를 하는 기계의 개발에 맞추어 같이 개발되어야 합니다.

[3] 트롤 군대 : 트롤 군대는 선동적이고 역겨운 메시지를 게시하여 인터넷 사용자를 불쾌하게 하는 집단을 말한다.

[4] 클릭 팜 : 아주 적은 돈을 벌려고 인터넷 특정 페이지를 클릭하거나 소셜 네트워크 페이지에 '좋아요'를 누르는 사람들을 말한다.

신뢰성과 안전성이 각광받을 것입니다.

신뢰성과 안전성이 각광받을 것입니다. 연구자와 실무자가 사생활, 정의 및 윤리와 관련된 문제에 진지하게 관심을 갖고 관심을 갖는 것을 보는 것은 기쁜 일이었습니다. 그러나 인공 지능 시스템이 자동화 효율성을 동반하는 자율 차량 또는 의료 장비와 같은 생사가 관련된 중요한 애플리케이션이므로, 증가된 자동화 효율성은 측정 및 안전성 및 신뢰성 보장을 수반해야 합니다.

대규모 학습 데이터에 평등하게 접근 하게 되면, 더욱 경쟁이 치열해질 것입니다.

딥 러닝과 강화 학습을 포함하여 우리가 의존하는 많은 모델들이 데이터를 필요로 하므로 인공 지능을 통한 경쟁에서의 승자는 거대한 양의 데이터에 액세스 할 수 있는 거대 기업 또는 국가일 것입니다. 그러나 라벨링된 데이터 세트를 만드는 서비스 (특히 수동 라벨링에 의존하는 회사)는 근로자의 정확성을 높이고 향상시킬 수 있도록 기계 학습 도구를 사용하기 시작했습니다. 또한 일부 지역에서는 새로운 툴인 일반 적대적 네트워크(GAN) 및 모델링 플랫폼과 같은 새로운 도구가 기계 학습 모델을 학습하는 데 사용할 수 있는 사실적 합성 데이터를 제공 할 수 있습니다. 마지막으로 조직 간 데이터 교환을 용이하게 하는 새로운 보안 및 개인 정보 보호 기술 세트를 사용하면 여러 회사들은 그들이 직접 생성하지 않은 데이터를 사용할 수 있습니다. 이러한 개발은 소규모 조직이 기계 학습 및 AI를 사용하여 함께 경쟁하는 데 도움이 됩니다.

*****

벤 로리카(Ben Lorica)는 O'Reilly Media사의 수석 연구원 및 지층 데이터와 인공 지능 컨퍼런스의 책임자입니다. 그는 다이렉트 마케팅, 소비자 및 시장 조사, 대상 광고, 텍스트 분석 및 금융 공학을 비롯한 다양한 분야에서 비즈니스 인텔리전스, 데이터 마이닝, 기계 학습 및 통계 분석을 적용했습니다. 그는 투자 관리 회사, 인터넷 창업 및 금융 서비스 분야의 경험이 있습니다.

원문 : 9 AI trends on our radar

번역 : 이승표