머신러닝 (ML)

머신 러닝(ML)은 명시적으로 프로그래밍하지 않고도 컴퓨터가 학습할 수 있는 능력을 제공하는 인공 지능(AI)의 하위 분야입니다. Arthur Samuel과 같은 선구자들이 처음 정의한 ML 알고리즘은 과거 데이터를 사용하여 패턴을 식별하고, 예측하고, 더 많은 정보에 노출됨에 따라 시간이 지남에 따라 성능을 향상시킵니다. 개발자가 작업에 대한 정적 코드를 작성하는 데 의존하는 대신 ML 모델은 훈련된 데이터에서 직접 자체 논리를 학습합니다. 이러한 적응 능력은 ML을 오늘날 가장 정교한 기술의 원동력으로 만듭니다.

관련 용어와의 ML 구별

ML을 이해한다는 것은 또한 해당 분야의 다른 주요 개념과의 관계를 아는 것을 의미합니다.

• 인공지능(AI): AI는 지능적인 행동을 할 수 있는 기계를 만드는 광범위한 개념입니다. ML은 AI를 달성하기 위한 가장 두드러지고 성공적인 접근 방식입니다. AI는 포괄적인 목표인 반면 ML은 시스템이 학습하고 적응할 수 있도록 하는 실용적인 방법론입니다.
• 딥러닝 (DL): 딥러닝은 복잡한 다층 신경망 (NNs)(종종 심층 신경망이라고 함)을 사용하는 ML의 특수한 하위 분야입니다. DL은 이미지, 사운드 및 텍스트와 같은 복잡한 데이터를 처리하는 데 획기적인 발전을 이루었으며 대부분의 최첨단 비전 모델을 구동합니다.
• 데이터 마이닝: 두 분야 모두 데이터를 분석하지만 목표는 다릅니다. SAS와 같은 업계 리더들이 정의한 데이터 마이닝은 대규모 데이터 세트에서 이전에 알려지지 않았던 패턴을 발견하여 사람이 활용할 수 있는 통찰력을 생성하는 데 중점을 둡니다. 반면, 머신러닝은 패턴을 사용하여 새로운 미지의 데이터에 대해 자율적으로 의사 결정을 내릴 수 있는 예측 모델을 구축합니다.

머신러닝의 유형

ML 모델은 일반적으로 데이터로부터 학습하는 방식에 따라 분류됩니다.

• 지도 학습(Supervised Learning): 가장 일반적인 유형으로, 모델은 입력-출력 쌍으로 구성된 레이블링된 데이터로부터 학습합니다. 목표는 새로운 입력에 대한 출력을 예측할 수 있는 매핑 함수를 학습하는 것입니다. 이미지 분류 및 스팸 감지가 대표적인 예입니다.
• 비지도 학습: 모델은 레이블이 지정되지 않은 데이터를 제공받고 데이터 포인트를 클러스터로 그룹화하는 것과 같이 자체적으로 패턴 또는 내재적 구조를 찾아야 합니다. 이상 감지 및 고객 세분화가 일반적인 사용 사례입니다.
• 강화 학습: 에이전트가 환경과 상호 작용하면서 학습합니다. 바람직한 행동에 대해서는 보상을 받고 바람직하지 않은 행동에 대해서는 벌칙을 받으며, 목표는 누적 보상을 최대화하는 것입니다. 이 접근 방식은 로보틱스 및 전략적 게임 플레이에 널리 사용됩니다.

AI 및 컴퓨터 비전에서의 관련성

머신 러닝은 현대 AI의 기본 기둥이며 특히 컴퓨터 비전(CV) 분야에서 혁신적입니다. 객체 감지, 이미지 분할 및 자세 추정과 같은 작업은 시각 정보를 해석하고 이해하기 위해 ML 모델에 크게 의존합니다. Ultralytics YOLO와 같은 최첨단 모델은 ML 기술, 특히 딥러닝을 활용하여 실시간 애플리케이션에서 높은 정확도와 속도를 달성합니다.

다음은 ML 작동 방식에 대한 두 가지 예입니다.

1. 의료 영상 분석: 헬스케어 AI에서 뇌종양 데이터 세트와 같은 데이터 세트에서 학습된 ML 모델은 MRI 또는 CT 스캔을 분석하여 잠재적인 이상 징후를 감지하고 윤곽을 그릴 수 있습니다. 이는 우려 영역을 강조 표시하여 방사선 전문의를 지원하여 더 빠르고 정확한 진단을 내릴 수 있습니다. 국립 생체 의학 영상 및 생체 공학 연구소(NIBIB)와 같은 조직은 이러한 응용 분야를 적극적으로 탐구하고 있습니다.
2. 자율 주행 차량: 자율 주행 자동차는 ML 모델 모음을 사용하여 카메라, LiDAR 및 레이더의 데이터를 실시간으로 처리합니다. 자동차용 AI에서 이러한 모델은 다른 차량, 보행자 및 교통 표지판과 같은 객체를 감지하고 분류하는 데 사용되어 자동차가 주변 환경을 안전하게 탐색할 수 있도록 합니다. NVIDIA의 DRIVE와 같은 기술 플랫폼은 강력한 ML 기능을 중심으로 구축되었습니다.

도구 및 프레임워크

ML 모델의 개발 및 배포는 풍부한 도구 생태계에 의해 지원됩니다. PyTorch(PyTorch 공식 사이트 방문) 및 TensorFlow(TensorFlow 홈페이지 방문)와 같은 프레임워크는 신경망 생성을 위한 필수적인 구성 요소를 제공합니다.

Ultralytics HUB와 같은 플랫폼은 데이터 세트 관리 및 맞춤형 모델 학습에서부터 모델 배포 및 MLOps를 통한 모니터링에 이르기까지 전체 워크플로우를 간소화하는 통합 환경을 제공합니다. 효과적인 모델을 만들려면 신중한 하이퍼파라미터 튜닝과 성능 지표에 대한 깊은 이해가 필요합니다.