인공 지능과 머신 러닝은 세계 4 대 기업의 최전선에있는 기술입니다.th 산업 혁명. 인류가 시작된 이래 인간은 우리가 얼마나 효율적으로 생활하고 일 하는지를 개선하기 위해 노력해 왔습니다. 처음에 인간은 단순한 수작업과 독창성에 의존했습니다. 우리는 이것이 인간이 피라미드, 만리장성, 스톤 헨지와 같은 것들을 생산 한 방법이라고 믿습니다. 그런 다음 기계화, 증기 및 수력을 도입하고 생산, 여행 및 도시화의 발전을 가져온 첫 번째 산업 혁명이 발생했습니다. 두 번째 혁명은 대량 생산과 전기의 발명으로 촉발되었습니다. 전자 및 디지털 기술의 도입은 컴퓨터 및 인터넷과 같은 세 번째 혁명을 표시했습니다. 오늘날 우리는 인공 지능과 기계 학습의 엄청난 발전과 실제 적용으로 가능해진 새로운 시대에 접어 들고 있습니다.
MAN 대 MACHINE
인공 지능은 일상적인 작업을 수행하는 데 필요한 시간, 비용 및 인간의 현명함을 획기적으로 줄임으로써 인간이보다 효율적으로 작동하도록 돕는 것을 목표로합니다. 요컨대, 컴퓨터는 과거 및 현재 정보를 기반으로 정확하게 결과를 예측하고 패턴을 식별하며 자동으로 조정할 수 있도록자가 학습 기능이 제공됩니다. 기계는 어떤 경우에는 인류만큼 더 효율적이고 똑똑해지기 시작합니다.
특정 작업을 수행하는 데있어 컴퓨터가 인간만큼 똑똑해질 수 있다는 잠재력은 "인간 대 기계"에 대한 논쟁을 불러 일으 킵니다. 한 사람의 신념에 관계없이 우리 모두가 동의 할 수있는 한 가지는 인간은 컴퓨터가 절대 가질 수없는 감정, 직감, 직감을 가지고 있다는 것입니다.
사람들이 인공 지능에 대해 토론 할 때 어떤 기계 학습 범주 또는 알고리즘이 가장 적합한 지에 대해 종종 논쟁합니다. 기계 학습 알고리즘은 일반적으로 레이블에 대한 사전 지식이없는 비지도 (레이블이있는 데이터), 레이블에 대한 일부 지식으로 감독되는 (레이블이있는 데이터), 두 유형 사이에있는 강화의 3 가지 유형으로 분류됩니다. KNN, K-means, Decision Tree, SVM, Artificial Neural Networks, Q-learning 등과 같은 이러한 범주에는 더 구체적인 알고리즘이 있습니다. 그렇다면 어느 것이 더 낫습니까? 음, 인생의 모든 것과 마찬가지로 모든 것에는 장단점이 있으며, 기계 학습에 관해서는 모델 자체에 대해 토론하지 않고 대화를 데이터의 품질로 리디렉션하는 경향이 있습니다. 머신 러닝 모델은 데이터 위에서 실행되며 적절한 양과 품질의 데이터 및 데이터 유형이 없으면 이론적으로 아무리 훌륭하더라도 머신 러닝 모델을 쓸모 없게 만들 수 있습니다. 이는 올바른 기계 학습 알고리즘 선택의 영향을 줄이는 것이 아닙니다. 데이터와 알고리즘은 특정 사용 사례를 해결하기 위해 서로를 보완해야합니다.
데이터가 매개 변수입니다.
At 스텔라 사이버 우리는 많은 데이터를 수집하고 더 중요한 것은 연락해주세요 침해 탐지 문제를 해결하기위한 데이터 유형. 데이터가 수집되면 중복 제거, 정규화 및 기타 여러 작업을 수행하여 데이터를 삭제합니다. 다음으로 데이터를 위협 인텔리전스, 파일 다운로드의 배치, IP 주소의 지리적 위치 등과 같은 다른 정보 비트와 연관시킵니다. 이러한 보강은 전체적으로 데이터 세트에 더 나은 컨텍스트를 제공합니다. 이 프로세스의 결과로 컨텍스트가 풍부한 깨끗한 데이터가 생성됩니다. 이러한 중요한 작업이 완료된 후에 만 기계 학습을 수행합니다.
제한된 데이터와 완전한 데이터의 AI
은행이 신용 카드 사기 감지를 수행하는 방법의 예를 자세히 살펴 보겠습니다. 고객이 일반적으로 캘리포니아 산호세에서만 신용 카드를 사용하지만 처음으로 일본 도쿄를 방문하여이 카드를 사용하려고하면 일부 은행에서는이를 이상 징후로 표시하고 신용 카드를 비활성화합니다. 이로 인해 상인이 카드가 거부되었다고 말하면 종종 고객이 당황하고 좌절하게됩니다. 이것은 실제로 "기계 학습"이상일 수 있지만 카드의 합법적 인 사용 일 수 있으므로 신용 카드 비활성화를 보장하지 않을 수 있습니다.
위 문제의 원인은 일반적으로 데이터 자체가 단일 (카드 사용 위치 만 해당)이고 카드가 마지막으로 사용 된 시간, 사용 된 위치 또는 사용 방법과 같은 컨텍스트가 부족하기 때문에 나타납니다. 시스템이 시간, 위치, 위치 간의 거리, 위치의 평판 또는 사용 방법 (예 : 카드 단말기 또는 웹 사이트)과 같은 다른 정보 비트를 상호 연관시키는 경우 기계 학습 알고리즘이 실제 사기를 더 잘 판단 할 수 있습니다.
캘리포니아 산호세에서 오후 4시 PST에 사용되었지만 같은 날 오후 00시 우크라이나의 작은 도시에서 다시 사용되는 카드의 또 다른 예를 들어 보겠습니다. 이것이 사기 일 가능성은 이전 예보다 훨씬 더 높을 것입니다. 이와 같은 결론에 도달하기위한 상호 관련된 데이터는 다음과 같습니다. 시간 여행하는 데 걸릴 것입니다 거리 부터 우크라이나, 사용 후 산호세, 그리고 작은 도시에서의 사용 또는 카드 (평판 작은 빈번한 도시) 우크라이나에서.
맺음말
이것은 인간이 문제를 해결하기 위해 데이터를 수행하고 분석하는 데 지쳐가는 많은 데이터와 관련된 반복적 인 작업을 완료하는 데 인공 지능이 어떻게 매우 유용 할 수 있는지 보여줍니다. 하지만이 기술이 인간을 대체할까요? 나는 생각하지 않는 경향이 있습니다. AI는 반복적 인 작업을 해결하는 데 90 % 이상을 얻을 수 있지만 문제에 대한 최종 결정을 내리려면 항상 노력의 10 % 이상이 필요합니다. 또한 다른 효율성 향상과 마찬가지로 여유 시간을 재사용하여 이전보다 더 많은 작업을 수행 할 수 있습니다. 한 기계 학습 알고리즘이 다른 알고리즘보다 낫습니까? 답은 해결하려는 문제를 이해하는 데 있다고 믿고 데이터의 품질이 알고리즘 자체만큼 중요하다고 생각합니다.
존 피터슨
SVP 제품 라인 관리
스텔라 사이버
