전통적인 기계 학습은 여전히 관련성이 있는가?

최근 몇 년 동안 생성적 인공 지능은 복잡한 인공 지능 작업을 해결하는 데 약속하는 결과를 보여주었습니다. 현대적인 인공 지능 모델인 ChatGPT, Bard, LLaMA, DALL-E.3, SAM은 시각적 질문 답변, 분할, 추론 및 콘텐츠 생성과 같은 다학제적인 문제를 해결하는 데 놀라운 능력을展示했습니다.

또한, 다중 모달 인공 지능 기술이 등장하여 텍스트, 이미지, 오디오, 비디오와 같은 여러 데이터 모달을 동시에 처리할 수 있습니다. 이러한 발전으로 인해 전통적인 기계 학습의 종말을 맞이하고 있는지 궁금해집니다.

이 기사에서는 전통적인 기계 학습의 현재 상태와 최신 생성적 인공 지능 혁신에 대해 살펴보겠습니다.

전통적인 기계 학습이란 무엇인가? – 그 한계는 무엇인가?

전통적인 기계 학습은 통계에 기반한 다양한 알고리즘을 포함하는 광범위한 용어입니다. 전통적인 기계 학습 알고리즘의 두 가지 주요 유형은 지도 학습과 비지도 학습입니다. 이러한 알고리즘은 구조화된 데이터셋에서 모델을 개발하도록 설계되었습니다.

표준적인 전통적인 기계 학습 알고리즘에는 다음이 포함됩니다.

• 선형, 라쏘, 리지 회귀 알고리즘
• K-평균 클러스터링
• 주성분 분석 (PCA)
• 서포트 벡터 머신 (SVM)
• 의사 결정 트리와 랜덤 포레스트와 같은 트리 기반 알고리즘
• 그라디언트 부스팅과 XGBoost와 같은 부스팅 모델

전통적인 기계 학습의 한계

전통적인 기계 학습에는 다음의 한계가 있습니다.

1. 제한된 확장성: 이러한 모델은 종종 대규모 및 다양한 데이터셋과 함께 확장하기 어렵습니다.
2. 데이터 전처리 및 특징 엔지니어링: 전통적인 기계 학습은 모델 요구 사항에 따라 데이터셋을 변환하기 위해 광범위한 전처리가 필요합니다. 또한 특징 엔지니어링은 복잡한 관계를 캡처하기 위해 여러 번의 반복이 필요하며 시간이 걸릴 수 있습니다.
3. 고차원 및 비구조화된 데이터: 전통적인 기계 학습은 이미지, 오디오, 비디오, 문서와 같은 복잡한 데이터 유형을 다루기 어렵습니다.
4. 미래 데이터에 대한 적응: 이러한 모델은 훈련 데이터에 포함되지 않은 실제 데이터에 잘 적응하지 않을 수 있습니다.

신경망: 기계 학습에서 딥 러닝 및 그 너머로

신경망 모델은 전통적인 기계 학습 모델보다 훨씬 더 복잡합니다. 가장 간단한 신경망인 다층 퍼셉트론 (MLP)은 정보를 이해하고 작업을 수행하기 위해 여러 뉴런이 연결된 것입니다.

신경망 기술의 발전은 기계 학습에서 딥 러닝으로의 전환을 위한 기초를 형성했습니다. 예를 들어, 컴퓨터 비전 작업을 위한 신경망은 합성곱 신경망 (CNN)이라고 하며, AlexNet, ResNet, YOLO와 같은 모델이 있습니다.

현재, 생성적 인공 지능 기술은 신경망 기술을 한 단계 더 발전시켜 다양한 인공 지능 도메인에서 우수한 성능을 발휘하고 있습니다. 예를 들어, 자연어 처리 작업을 위한 신경망은 트랜스포머라고 하며, BERT, GPT-4, T5와 같은 모델이 있습니다. 이러한 모델은 의료, 소매, 마케팅, 금융 등 다양한 산업에서 영향을 미치고 있습니다.

전통적인 기계 학습 알고리즘은 여전히 필요합니까?

신경망과 최신 변형인 트랜스포머가 많은 주목을 받고 있지만, 전통적인 기계 학습 방법은 여전히 중요합니다. 왜 vậy일까요?

1. 더 간단한 데이터 요구 사항

신경망은 대규모 데이터셋을 필요로 하지만, 기계 학습 모델은 더 작은 데이터셋에서 의미있는 결과를 얻을 수 있습니다. 따라서, 더 작은 구조화된 데이터셋에서는 기계 학습이 딥 러닝보다 선호됩니다.

2. 간결성 및 해석 가능성

전통적인 기계 학습 모델은 더 간단한 통계 및 확률 모델을 기반으로 합니다. 예를 들어, 선형 회귀에서 최적의 선은 입력-출력 관계를 설정하기 위해 최소 자승법을 사용합니다.

마찬가지로, 의사 결정 트리는 데이터를 분류하기 위해 확률적 원리를 사용합니다. 이러한 원리를 사용하면 해석 가능성이 제공되며, 기계 학습 알고리즘의 작동 방식을 이해하기 쉽게 합니다.

최신의 신경망 아키텍처인 트랜스포머와 확산 모델은 복잡한 다층 구조를 가지고 있습니다. 이러한 네트워크를 이해하기 위해서는 고급 수학적 개념을 이해해야 합니다. 따라서, 이러한 모델은 ‘블랙 박스’라고도 합니다.

3. 자원 효율성

최신의 신경망 모델인 대규모 언어 모델은 클러스터의 고성능 GPU에서 훈련됩니다. 예를 들어, GPT-4는 25,000개의 Nvidia (NVDA ) GPU에서 90일 동안 훈련되었습니다.

그러나, 비싼 하드웨어와 긴 훈련 시간은 모든 실무자나 인공 지능 팀에게 실용적이지 않을 수 있습니다. 반면에, 전통적인 기계 학습 알고리즘의 계산 효율성은 실무자들이 제한된 자원으로도 의미있는 결과를 얻을 수 있도록 합니다.

4. 모든 문제에 딥 러닝이 필요하지는 않습니다

딥 러닝은 모든 문제의 절대적인 해결책이 아닙니다. 기계 학습이 딥 러닝보다 우수한 시나리오가 있습니다.

예를 들어, 의료 진단 및 예후와 같은 제한된 데이터에서, 기계 학습 알고리즘이 더 좋은 결과를 제공할 수 있습니다. 또한, 전통적인 기계 학습은 저자원 환경에서 유연하고 효율적인 해결책으로 중요합니다.

기본적으로, 문제를 해결하기 위한 최상의 모델의 선택은 조직이나 실무자의 필요와 문제의 성격에 따라 다릅니다.

2023年的 기계 학습

Leonardo AI를 사용하여 생성된 이미지

2023년, 전통적인 기계 학습은 여전히 발전하고 있으며, 딥 러닝과 생성적 인공 지능과 경쟁하고 있습니다. 특히 구조화된 데이터셋을 다루는 산업에서 여전히 사용되고 있습니다.

예를 들어, 많은 패스트 무브먼트 소비재 (FMCG) 회사는 표 형식의 데이터를 다루고 있으며, 기계 학습 알고리즘을 사용하여 개인화된 제품 추천, 가격 최적화, 재고 관리 및 공급망 최적화를 수행하고 있습니다.

さらに, 많은 비전 및 언어 모델은 여전히 전통적인 기술을 기반으로 하며, 하이브리드 접근 방식과 새로운 응용 프로그램에서 해결책을 제공하고 있습니다. 예를 들어, “本当に 딥 러닝 모델이 시간 시리즈 예측에 필요합니까?”라는 최근 연구에서는 그래디언트 부스팅 회귀 트리 (GBRT)가 시간 시리즈 예측에서 딥 뉴럴 네트워크보다 더 효율적임을 논의했습니다.

기계 학습의 해석 가능성은 여전히 매우 중요하며, SHAP (Shapley Additive Explanations) 및 LIME (Local Interpretable Model-agnostic Explanations)와 같은 기술을 사용하여 복잡한 기계 학습 모델을 설명하고 예측에 대한 통찰력을 제공할 수 있습니다.

마지막으로, 전통적인 기계 학습은 여전히 다양한 산업에서 확장성, 데이터 복잡성 및 자원 제약을 해결하는 강력한 해결책입니다. 이러한 알고리즘은 데이터 분석 및 예측 모델링에 필수적이며, 데이터 과학자의 도구 상자에서 중요한 부분을 차지할 것입니다.

이러한 주제가 관심을 끌면, Unite AI에서 추가적인 정보를 확인하세요.