머신 러닝(ML)

머신러닝(ML)은 컴퓨터가 명시적으로 프로그래밍하지 않고도 학습할 수 있는 능력을 부여하는 인공 지능(AI) 의 하위 분야입니다. 아서 사무엘과 같은 선구자가 처음 정의한 ML 알고리즘은 과거 데이터를 사용하여 패턴을 식별하고 예측하며 시간이 지남에 따라 더 많은 정보에 노출됨에 따라 성능을 향상시킵니다. 개발자가 작업에 대한 정적 코드를 작성하는 대신 ML 모델은 학습된 데이터에서 직접 자체 로직을 학습합니다. 이러한 적응형 기능 덕분에 ML은 오늘날 가장 정교한 기술의 원동력이 되고 있습니다.

ML과 관련 용어 구분하기

ML을 이해한다는 것은 ML이 해당 분야의 다른 주요 개념과 어떻게 연관되어 있는지를 아는 것을 의미하기도 합니다:

• 인공 지능(AI): AI는 지능적인 행동을 할 수 있는 기계를 만드는 광범위한 개념입니다. ML은 AI를 달성하기 위한 가장 눈에 띄고 성공적인 접근 방식입니다. AI가 가장 중요한 목표인 반면, ML은 시스템이 학습하고 적응할 수 있도록 하는 실용적인 방법론입니다.
• 딥 러닝(DL): 딥러닝은 흔히 심층 신경망이라고 불리는 복잡한 다층 신경망(NN)을 사용하는 머신러닝의 전문 하위 분야입니다. DL은 이미지, 사운드, 텍스트와 같은 복잡한 데이터를 처리하는 데 중요한 혁신을 가져왔으며, 대부분의 최첨단 비전 모델을 구동합니다.
• 데이터 마이닝: 두 분야 모두 데이터를 분석하지만, 그 목표는 다릅니다. SAS와 같은 업계 리더가 정의하는 데이터 마이닝은 대규모 데이터 세트에서 이전에 알려지지 않은 패턴을 발견하여 사람이 사용할 수 있는 인사이트를 생성하는 데 중점을 둡니다. 반면, 머신러닝은 패턴을 사용하여 보이지 않는 새로운 데이터에 대해 자율적으로 의사 결정을 내릴 수 있는 예측 모델을 구축합니다.

머신 러닝의 유형

ML 모델은 일반적으로 데이터로부터 학습하는 방식에 따라 분류됩니다:

• 지도 학습: 가장 일반적인 유형으로, 모델이 입력-출력 쌍으로 구성된 레이블이 지정된 데이터에서 학습하는 방식입니다. 목표는 새로운 입력에 대한 출력을 예측할 수 있는 매핑 함수를 학습하는 것입니다. 이미지 분류와 스팸 탐지가 대표적인 예입니다.
• 비지도 학습: 모델에 레이블이 지정되지 않은 데이터가 주어지고 데이터 포인트를 클러스터로 그룹화하는 등 스스로 패턴이나 내재적 구조를 찾아야 합니다. 이상 징후 탐지 및 고객 세분화가 일반적인 사용 사례입니다.
• 강화 학습: 에이전트는 환경과 상호 작용하면서 학습합니다. 바람직한 행동에 대해서는 보상을 받고 바람직하지 않은 행동에 대해서는 벌칙을 받으며 누적 보상을 극대화하는 것을 목표로 합니다. 이 접근 방식은 로봇 공학 및 전략적 게임 플레이에 널리 사용됩니다.

AI 및 컴퓨터 비전과의 관련성

머신러닝은 현대 AI의 기본 축으로, 특히 컴퓨터 비전(CV) 분야에서 혁신을 일으키고 있습니다. 객체 감지, 이미지 세분화, 포즈 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 실제 ML의 두 가지 예입니다:

1. 의료 이미지 분석: 의료용 AI에서는 뇌종양 데이터세트와 같은 데이터세트로 학습된 ML 모델이 MRI 또는 CT 스캔을 분석하여 잠재적인 이상 징후를 감지하고 윤곽을 그릴 수 있습니다. 이를 통해 영상의학과 전문의는 우려되는 부분을 강조 표시하여 더 빠르고 정확한 진단을 내릴 수 있습니다. 국립 생물의학 영상 및 생명공학 연구소(NIBIB) 와 같은 기관에서 이러한 애플리케이션을 적극적으로 연구하고 있습니다.
2. 자율주행 차량: 자율 주행 자동차는 ML 모델 제품군을 사용하여 카메라, LiDAR, 레이더의 데이터를 실시간으로 처리합니다. 차량용 AI에서 이러한 모델은 다른 차량, 보행자, 교통 표지판과 같은 물체를 감지하고 분류하는 데 사용되어 차량이 주변 환경을 안전하게 탐색할 수 있도록 합니다. NVIDIA의 DRIVE와 같은 기술 플랫폼은 강력한 ML 기능을 중심으로 구축됩니다.

도구 및 프레임워크

ML 모델의 개발과 배포는 풍부한 도구 에코시스템의 지원을 받습니다. PyTorch ( PyTorch 공식 사이트 방문) 및 TensorFlow ( TensorFlow 홈페이지 방문) 같은 프레임워크는 신경망을 만드는 데 필수적인 빌딩 블록을 제공합니다.

Ultralytics HUB와 같은 플랫폼은 데이터 세트 관리 및 사용자 지정 모델 교육부터 MLOps를 통한 모델 배포 및 모니터링에 이르기까지 전체 워크플로우를 간소화하는 통합 환경을 제공합니다. 효과적인 모델을 만들려면 신중한 하이퍼파라미터 튜닝과 성능 메트릭에 대한 깊은 이해가 필요한 경우가 많습니다.