머신러닝은 구체적인 프로그래밍 작업 없이 대량의 데이터를 활용해 컴퓨터가 스스로 학습하도록 합니다. 전세계적으로 가장 관련성 높은 기업 데이터가 SAP의 시스템과 비즈니스 네트워크 상에 존재합니다.
글쓴이: 유르겐 뮐러(Jürgen Müller)
지난 2016년 3월 역사적인 사건이 일어났습니다. 구글 딥마인드 챌린지에서 알파고(AlphaGo) 프로그램이 바둑 고수 이세돌 9단에게 승리함으로써 인공지능(AI)이 어느 수준까지 왔는지를 잘 보여주었습니다. “규칙은 간단하지만 복잡한 가능성이 존재하기 때문에 바둑은 AI 연구 분야에서 가장 중요한 마일스톤 중 하나로 자리해왔다”고 더버지(The Verge)에 샘 바이포드(Sam Byford)가 기고했습니다.
컴퓨터가 자율적으로 학습한다는 아이디어는 이미 수십년 동안 관심을 끌어 왔습니다. 그렇다면 최근 들어 어떤 변화가 생긴걸까요? 머신러닝이 최근 몇년 사이 탄탄한 토대를 갖게 된 이유는 뭘까요?
머신러닝이란? | SAP 인사이트(SAP Insights)
머신러닝은 인공지능(AI)의 하위 집합입니다. 학습과 개선을 위해 명시적으로 컴퓨터를 프로그래밍하는 대신, 컴퓨터가 데이터를 통해 학습하고 경험을 통해 개선하도록 훈련하는 데 중점을 둡니다.
머신러닝이 이제 가능한 이유
컴퓨팅 파워의 증가로 인해 마침내 머신러닝이 가능해졌습니다. 게임 분야를 필두로 3D 그래픽 전용 프로세서인 GPU(graphic processing unit)가 단순 작업의 병렬 연산 차원에서 최근 큰 성능 개선을 이루었는데, 이는 딥러닝(deep learning) 알고리즘이 가장 보편적으로 사용하는 방식입니다. 이는 멀티코어 아키텍처의 폭 넓은 확산 및 인메모리 데이터베이스와 맞물려 고도로 효율적인 머신러닝 알고리즘의 구현을 위한 길을 열었습니다.
머신러닝이 가능해진 또 다른 요인은 바로 빅데이터입니다. 다양한 소스(예: 텍스트, 이미지, 지리공간 데이터)에서 나온 거대한 데이터 세트를 활용해 머신을 훈련 시키고 스스로 학습하도록 합니다.
페이스북을 예로 들어 보죠. 사진 속의 개인들의 얼굴에 이름 태그를 추가하면서 세계 최대 규모의 얼굴 데이터베이스가 생겼습니다. 페이스북은 비주얼 인식 측면에서 머신을 가르치고 훈련시킬 수 있습니다. 머신이 데이터를 더 많이 이용할수록 얼굴 인식률이 개선됩니다.
나아가 머신러닝 분야의 기본 연구에 따라 보다 정교한 러닝 알고리즘이 나오고 학습의 기본원칙에 대해서도 이해가 늘었습니다. 인공신경망과 같은 근본 알고리즘은 인간의 뇌를 흉내냅니다. 신호를 전달하는 뇌의 시냅스를 흉내내고 뉴런과 유사한 단위로 구성된 네트워크를 상상해 볼 수 있습니다.
이러한 인공 신경망은 인풋 데이터의 복잡한 비선형 구조를 학습할 수 있고 머신은 보기, 읽기, 쓰기, 듣기, 말하기 등의 능력을 습득할 수 있습니다. 이를 위해서는 지속적인 머신 훈련 단계에서 지도학습(supervised learning) 기법을 적용해야 합니다.
강화학습(RL, Reinforcement Learning)은 러닝 알고리즘과 주변 환경 간의 행동과 피드백(상벌)을 모델링함으로써 지도학습을 확장해 자동차를 운전하거나 바둑을 두는 등 복잡한 과제를 처리할 수 있도록 합니다. 머신러닝 알고리즘을 토대로 향후에는 매우 정교한 상황도 해석할 수 있도록 머신을 훈련시킬 수 있습니다.
인공지능이란? | SAP 인사이트(SAP Insights)
현대의 컴퓨터 과학자들은 AI를 ‘환경을 인지하고 목표를 성공적으로 달성할 가능성을 극대화하도록 조치를 취할 수 있는 시스템’으로 정의합니다. 또한 데이터 해석 및 분석을 통해 학습하고 적응하는 능력이 있는 시스템으로 정의합니다.
끝으로 머신러닝이 주류 기술로 자리잡는 이유는 적용이 더 쉽기 때문입니다. 다양한 양질의 프리, 오픈소스 소프트웨어 패키지가 나와있고 이를 이용해 폭넓은 데이터 과학자와 개발자가 머신러닝에 액세스할 수 있게 되었습니다. 마찬가지로 머신러닝에 관한 MOOC (massive open online course)와 서적, 블로그 등 누구나 액세스할 수 있는 온라인 자료도 나와있습니다.
비즈니스 소프트웨어와 머신러닝의 만남
바둑 컴퓨터나 소셜미디어 얼굴 인식은 소비자 및 비즈니스 소프트웨어의 근본적인 변화를 예고합니다. 트랙티카(Tactica)의 예측에 따르면 “기업용 애플리케이션 부문의 AI 시스템 시장은 2015년 2억250만 달러에서 2024년에는 111억 달러 규모로 늘어나 56.1%의 연평균성장률(CAGR)을 보일 전망입니다.” 머신러닝이 기업용 솔루션의 필수요소로 자리하고 머신이 인간의 디지털 동료로 활동할 날이 멀지 않았습니다.
보기 – 머신 비전
머신은 이미 볼 수 있습니다. 이미지나 동영상 속의 제품과 같은 물체를 인식합니다. 제약회사에 어떤 영향이 있을지 상상해 보세요. 화학 반응이 생길 수 있는 약품들이 보관 창고에서 서로 너무 가까이 있지 않도록 보장할 필요가 있습니다. 모바일 앱의 도움으로 창고 담당자가 스마트폰으로 사진을 찍으면 머신의 이미지 인식 기능을 토대로 통합 ERP 시스템으로부터 해당 품목이 올바로 보관 되었는지 여부에 관해 즉시 피드백을 받습니다.
텍스트 인식과 이해
머신은 텍스트를 읽고 이해할 수도 있습니다. 예컨대 인사관리 영역에서 기업은 공석을 충원하기 위해 입사 지원자를 선별하는 데 최고 60%의 시간을 쓰고 있습니다. 머신러닝은 채용 담당자를 도와 자동 이력서 매칭을 통해 해당 직무에 맞는 최고의 후보자를 파악하거나 유망한 입사 지원자에 맞는 최상의 직무를 파악합니다. 이렇게 되면 채용 담당자는 수천 건의 이력서를 수작업으로 선별하는 대신에 후보자면접에 더 많은 시간을 투자할 수 있습니다.
글쓰기 – 텍스트 생성
머신은 쓸 수도 있습니다. 정형, 비정형 문맥 정보를 분석해 보고서를 자동 생성할 수 있습니다. 보험업의 경우 모든 클레임을 담당자가 일일이 심사하는 대신 머신이 간단한 보험 케이스에 대해 예비 결정을 내리고 응답서한을 작성할 수 있습니다. 이를 통해 보험사는 클레임을 보다 빨리 처리하고 생산성을 높일 수 있습니다.
챗GPT 적용 사례, 업무영역, 산업, 비즈니스 모델 등 | SAP 뉴스센터 블로그
문득 챗GPT와 함께 아이디어를 발전시켜 글을 써보면 어떨까 싶었습니다. 그래서 궁금했던 챗GPT 적용 사례를 비롯해 도입 효과가 큰 업무영역, 산업, 비즈니스 모델 등에 관해 물었습니다. 답변을 한글로 번역해 달라고 부탁한 결과를 공유합니다.
듣고 말하기
끝으로 머신은 듣고 말할 수 있습니다. 시스템은 사람의 목소리를 속도, 크기, 단조로움 등 40개 가량의 차원으로 분석할 수 있습니다. 이는 고객 서비스에서 매우 중요합니다.
고객 통화에서 고객이 채팅봇과 이야기하다가 점점 화가날 수 있습니다. 음성 데이터를 다양한 맥락에서 수집함으로써 머신은 대화의 분위기를 모니터할 인지 능력을 개선하며 문제가 예상되는 케이스를 콜센터 담당자에게 전달해 보다 복잡한 문제를 사람이 해결하도록 할 수 있습니다.
이상은 머신러닝이 비즈니스 환경에 인텔리전스를 제공할 수 있는 몇 가지 사례에 불과합니다. 분명히 머신러닝은 잠재력이 크며 SAP의 입장에서도 전략적인 주제입니다.
SAP 혁신센터네트워크(SAP Innovation Center Network)의 머신러닝 인큐베이션 팀은 SAP 애플리케이션을 인텔리전트하게 만들 다양한 머신러닝 적용사례 개발에 여념이 없습니다. 주어진 직무에 맞는 최적의 입사 지원자를 찾거나 지원자를 위한 최적의 직무 포지션을 찾아주는 이력서 매칭 도구에서 영업예측 자동화, 인보이스 매칭에 이르기까지 다양한 분야를 연구 중입니다.
대규모 파트너 에코시스템과 협업하고 25개 산업 특화 솔루션, 업무영역(LoB) 솔루션 부문과 함께 혁신적인 지능형 솔루션과 서비스 제공에 최선을 다하고 있습니다.