웹 앱

머신 러닝이란 무엇입니까?

2021년 10월 30일

목차

기계 학습 소개

연구원들은 상상력이 풍부한 기계를 만드는 것을 오랫동안 꿈꿔 왔습니다. 프로그래머블 PC가 처음 발명되었을 때 사람들은 그런 기계가 언젠가는 인간처럼 지능화되고 인간처럼 작업을 수행할 수 있을지 궁금해했습니다. 오늘날 인공 지능은 다양한 분야에서 광범위하게 응용되는 새로운 기술입니다. AI의 개념은 인간의 지능을 인공 기계로 시뮬레이션하여 기계가 인간처럼 생각하고 작업을 수행할 수 있도록 하는 것입니다.

모든 면에서 인간처럼 작동하는 기술이 필요한 이유는 무엇입니까?

인간은 일을 하는 정확도는 매우 높으나 일에 대한 능률이 만족스럽지 못하며 인간이 하는 일의 속도를 높이는 데는 항상 한계가 있지만 기계는 그렇지 않고 기계가 하는 일은 매우 정확하고 균일하며 확장 가능.

19세기에는 이러한 문제를 극복하기 위해 소프트웨어 혁명이 일어났지만 이러한 문제를 다루기에 충분하지 않았습니다. 소프트웨어는 일련의 규칙에 공식적으로 정의된 작업을 수행할 수 있으므로 이러한 규칙을 고려하여 프로그래머가 프로그램을 작성할 수 있습니다.

예를 들어, 주어진 두 숫자의 합을 계산합니다. 오늘날의 세계에서 속도와 정확성 면에서 컴퓨터는 이 작업에서 어떤 인간도 이길 수 있습니다. 그러나 공식적인 규칙이 없고 인간의 지능이 필요한 문제는 컴퓨터로 해결하기가 매우 어렵습니다.

예를 들어, 얼굴을 인식하기 위해 인간은 얼굴을 매우 쉽게 인식할 수 있지만 얼굴에 대한 공식적인 규칙을 작성하는 것은 매우 복잡하기 때문에 컴퓨터는 인식하기가 매우 어렵습니다. 따라서 인공 지능의 진정한 도전은 인간이 수행하기는 쉽지만 형식적으로 설명하기 어려운 작업을 해결하는 것입니다.

IBM에서 개발한 Deep Blue 체스 게임 시스템의 예를 들어 보겠습니다. 체스 규칙은 일련의 공식 규칙으로 완전히 정의할 수 있습니다. 따라서 이러한 규칙은 프로그래머가 쉽게 프로그램으로 변환하고 프로그래머가 미리 제공했습니다.

인공 지능은 인간의 지능을 비교할 수 없는 계산 능력을 갖춘 기계로 이전함으로써 이 문제를 해결하려고 합니다.

일상 생활에서 인간은 자신의 작업을 해결하기 위해 세계에 대한 지식이 필요하며 그러한 지식은 주관적이고 직관적이므로 프로그래머가 일련의 규칙으로 표현하기가 어렵습니다.

그래서 여기에서 우리는 인간처럼 행동하거나 지능적인 방식으로 행동하기 위해 컴퓨터가 유사한 지식을 필요로 한다는 것을 이해할 수 있습니다. 따라서 AI의 핵심 과제는 이 비공식적이거나 주관적인 정보를 컴퓨터와 인공 지능의 연구원에 넣는 것입니다. 정보 분야는 기본적으로 이 목표를 달성하려고 합니다.

연구원들은 이 목표를 달성하기 위한 매우 기본적인 방법을 찾아냈습니다. 그들은 지식 기반 접근 방식을 사용했습니다. 이 접근 방식에서 연구자들은 세계에 대한 지식을 형식 언어로 하드 코딩합니다.

컴퓨터는 논리적 추론 규칙을 사용하여 이러한 형식 언어의 문장에 대해 자동으로 추론할 수 있습니다. 이것은 매우 기본적이고 단순하며 순진한 접근 방식이기 때문에 연구자들이 세계를 정확하게 고안할 수 있을 만큼 충분히 복잡한 공식 규칙을 고안하는 데 어려움을 겪기 때문에 이 접근 방식을 사용하는 프로젝트는 성공하지 못합니다. 그러한 프로젝트의 한 예가 Cyc입니다. 순환 추론 엔진이다.

위의 프로젝트(지식 기반 접근 방식 기반)가 직면한 어려움은 하드 코딩된 지식에 의존하고 있습니다. 따라서 이러한 어려움을 극복하기 위해 AI 시스템은 원시 데이터에서 패턴을 추출하여 세계에서 자체 지식을 얻을 수 있는 능력이 필요합니다. 이 기능을 기계 학습이라고 합니다.

기계 학습

기계 학습의 도입으로 컴퓨터는 실제 세계에 대한 지식을 습득하고 주관적으로 보이는 결정을 내릴 수 있습니다. 이러한 방식으로 기계 학습은 지식 기반 접근 방식의 한계를 극복할 수 있습니다.

위키피디아에 따르면

머신 러닝은 경험을 통해 자동으로 개선되는 컴퓨터 알고리즘에 대한 연구입니다.

미첼에 따르면

컴퓨터 프로그램은 P로 측정되는 T의 작업 성능이 경험 E로 향상되는 경우 작업 T 및 성능 측정 P의 일부 클래스와 관련하여 경험 E로부터 학습한다고 합니다.

문헌에 존재하는 많은 유형의 기계 학습 알고리즘이 있습니다. 여기에서 알고리즘의 그룹화는 학습 스타일을 기반으로 수행됩니다. Machine Learning 알고리즘의 알고리즘을 광범위하게 그룹화하면 그림 1에 나와 있습니다. 하나씩 자세히 살펴보겠습니다.

기계 학습

학습 스타일에 따른 머신 러닝 알고리즘 그룹화

지도 학습

Supervised Learning은 이름에서 알 수 있듯이 감독자가 교사로 존재하는 것입니다. 지도 학습에서는 레이블이 지정된 데이터를 사용하여 기계를 훈련합니다. 레이블이 지정된 데이터는 모든 입력에 대해 레이블이 잘 지정된 출력이 있음을 의미합니다.

훈련 과정에서 기계는 레이블이 지정된 데이터에서 세계에 대한 지식을 얻습니다. 훈련 후 결과를 예측하기 위한 새로운 데이터 세트가 머신에 제공됩니다. 목표는 기계가 훈련 데이터 세트에서 얻은 유사한 종류의 패턴을 학습하고 실제 값 출력을 예측하기 위해 테스트된 데이터 세트에 학습된 지식을 적용하도록 하는 것입니다.

더 나은 이해를 위해 Iris 데이터 세트의 예를 들어보겠습니다. Iris 데이터 세트는 150개의 붓꽃 식물의 다른 부분에 대한 측정값 모음입니다. 데이터 세트의 각 예는 꽃받침 길이, 꽃받침 너비, 꽃잎 길이, 꽃잎 너비와 같은 식물의 각 부분에 대한 측정으로 구성됩니다. 데이터 세트는 또한 각 식물이 속한 종을 기록합니다. 데이터 세트에는 세 가지 다른 종이 있습니다. 따라서 여기 Iris 데이터 세트에서 볼 수 있듯이 각 Iris 식물에는 종으로 레이블이 지정됩니다.

또한보십시오 상위 15개 최고의 영업 관리 소프트웨어

지도 학습 알고리즘은 이 데이터 세트를 연구하고 측정에 따라 붓꽃 식물을 3가지 다른 종으로 분류하는 방법을 학습할 수 있습니다.

지도 학습이라는 용어는 기본적으로 기계에게 무엇을 해야 하는지 보여주는 교사가 제공한 목표 y를 의미합니다.

지도 학습은 그림 2와 같이 두 가지 범주의 알고리즘으로 분류됩니다.

지도 학습

회귀

회귀 알고리즘은 하나 이상의 입력 또는 예측 값을 기반으로 연속 결과(목표)를 예측합니다. 간단히 말해서 출력 값은 가중치와 같은 실제 값입니다.

다양한 종류의 회귀 알고리즘이 있습니다. 다른 회귀 알고리즘의 유형은 독립 변수의 수, 회귀선의 모양 및 종속 변수의 유형에 따라 다릅니다. 몇 가지 유형의 회귀 기술을 살펴보겠습니다.

선형 회귀는 연속 값을 예측하는 가장 기본적이고 널리 사용되는 회귀 알고리즘 중 하나입니다. 여기서는 입력(예측자)과 출력 사이의 선형 관계를 가정합니다.

선형 회귀 알고리즘

선형 회귀 이름은 회귀 문제를 해결할 수 있음을 나타냅니다. 이러한 알고리즘의 목적은 벡터 x를 사용하고 스칼라 값 y를 출력으로 예측할 수 있는 시스템을 구축하는 것입니다. 간단히 말해서 이 알고리즘은 최적의 직선을 사용하여 입력과 출력 간의 관계를 설정합니다.

y=wTx

여기서 w는 매개변수의 벡터입니다. 매개변수는 시스템의 동작을 제어하는 ​​값입니다.

각 기능이 출력에 미치는 영향을 결정하는 가중치 집합 'w'를 생각할 수 있습니다. 특성은 입력의 특성일 뿐입니다.

예를 들어

중고차 가격을 예측할 수 있는 시스템을 갖고 싶다고 가정해 봅시다. 여기에는 브랜드, 연식, 엔진 효율, 용량, 주행 거리 및 기타 여러 정보와 같이 자동차의 가치에 영향을 미치는 자동차 속성이 있습니다.

y=w0 * 용량+w1 * 주행거리 +w3 * 엔진 효율

이러한 기능이 양수 가중치 wi를 받으면 이러한 가중치가 증가하면 예측 값이 증가하고 그 반대의 경우도 마찬가지입니다. 가중치 'wi'의 크기가 크면 예측에 큰 영향을 미칩니다. 가중치 'wi'가 0이면 예측에 영향을 미치지 않습니다.

분류

분류는 입력이 속하는 범주를 예측하려는 지도 학습 개념입니다. 분류 문제를 해결하기 위해 학습 알고리즘은 f:R-{1,2,…k}와 같은 함수를 생성하려고 시도합니다. 간단히 말해서, 출력이 가변적일 때 출력은 질병 또는 비질병과 같은 범주입니다. 즉, 이 문제에서 출력은 이산적입니다. 예를 들어, Iris 데이터 세트에서 입력에 세 가지 특징(꽃받침 길이(sl), 꽃받침 너비(sw), 꽃잎 길이(pl), 꽃잎 너비(pw))가 주어지면 3개의 종의 클래스를 예측해야 합니다.

명확하게 이해하기 위해 객체 인식의 또 다른 예를 들어 보겠습니다.

여기서 입력은 이미지이고 출력은 이미지의 개체를 식별하는 숫자 코드입니다.

분류 알고리즘에는 여러 가지가 있습니다. 분류 알고리즘에는 지원 벡터 머신 로지스틱 회귀, 의사 결정 트리, 랜덤 포레스트 등이 포함됩니다. 몇 가지 알고리즘을 자세히 살펴보겠습니다.

서포트 벡터 머신

서포트 벡터 머신은 분류 및 회귀 문제 모두에 사용할 수 있는 지도 학습 알고리즘이지만 대부분 분류 문제에 사용됩니다.

각각 두 클래스 중 하나 또는 다른 것으로 레이블이 지정된 훈련 데이터 세트가 주어지면 SVM 훈련 알고리즘은 한 범주 또는 다른 범주에 새 예제를 할당하는 모델을 빌드하여 이를 비확률적 이진 선형 분류기로 만듭니다.

기본적으로 이 알고리즘은 새로운 예를 분류하는 n차원 장소에서 최적의 초평면을 찾으려고 합니다. 2차원 공간에서(입력 특징의 수가 2인 경우) 이 초평면은 그림 3과 같이 평면을 두 부분으로 나누는 선에 불과합니다.

에 따르면 위키피디아

SVM 모델은 개별 범주의 예가 가능한 한 넓은 명확한 간격으로 분할되도록 매핑된 공간의 점으로 예를 표현한 것입니다. 그런 다음 새 예는 동일한 공간에 매핑되고 해당 갭의 측면을 기반으로 범주에 속할 것으로 예측됩니다.

img 617dd7d8dd962

그림 3

SVM은 두 클래스 사이의 여백을 최대화하려고 합니다. 최대 마진은 모든 클래스에서 가장 가까운 훈련 데이터 포인트까지의 거리가 가장 큰 초평면에 의해 달성됩니다.

이것은 이해하기 매우 직관적입니다. 그림에서 선의 측면에 속하는 모든 데이터 포인트는 하나의 클래스로 레이블이 지정되고 선의 다른 쪽에 속하는 포인트는 두 번째 클래스로 레이블이 지정됩니다. 이제 그림 3에서 볼 수 있듯이 무한한 양의 선이 그 사이를 지나고 있습니다.

그렇다면 어떤 라인이 가장 잘 작동하는지 어떻게 알 수 있습니까? 이 알고리즘은 그림 3과 같이 두 클래스를 분리할 뿐만 아니라 가장 가까운 샘플에서 최대한 멀리 떨어진 선을 선택하려고 합니다.

비지도 학습

지도 학습에서 목표는 감독자가 정확한 값을 제공한 입력에서 출력으로의 매핑을 학습하는 것입니다. 비지도 학습에서는 입력 데이터만 제공되며 이러한 감독자는 없습니다. 목표는 입력의 규칙성을 찾는 것입니다.

일부 패턴이 다른 패턴보다 더 많이 발생하도록 입력 공간에 구조가 있습니다.

또한보십시오 Google Chrome 다중 프로세스 실행 문제에 대한 9가지 수정 사항

비지도 학습에 사용되는 두 가지 주요 방법은 클러스터 분석과 주성분입니다.

클러스터 분석에서 목표는 입력의 그룹화를 찾는 것입니다.

명확하게 이해하기 위해 예를 들어 보겠습니다.

모든 회사에는 많은 고객 데이터가 있습니다. 고객 데이터에는 인구 통계 정보와 회사와의 과거 거래가 포함됩니다. 회사는 어떤 유형의 고객이 자주 발생하는지 보기 위해 회사 프로필의 분포를 보고 싶어할 수 있습니다. 이러한 시나리오에서 클러스터링은 속성이 유사한 고객을 동일한 그룹에 할당합니다. 이러한 클러스터된 그룹은 다른 그룹에 특정한 서비스 및 제품과 같은 회사의 전략을 결정하는 데 도움이 될 수 있습니다.

이 클러스터링 분석을 수행하는 인기 있는 알고리즘은 K-평균 클러스터링입니다. K-means에 대해 더 자세히 살펴보겠습니다.

K-평균 클러스터링

K-means 클러스터링은 인기 있고 간단한 비지도 학습 알고리즘 중 하나입니다.

K-means는 중심 기반 알고리즘으로 중심에서 주어진 점의 거리를 계산하여 한 점을 클러스터에 할당합니다. K-Means에서 각 클러스터는 중심과 연결됩니다.

이 알고리즘은 다음과 같이 작동합니다.

  1. 먼저 무작위로 호출된 k 포인트를 초기화합니다.
  2. 그런 다음 각 항목을 가장 가까운 평균으로 분류하고 지금까지 해당 평균으로 분류된 항목의 평균인 평균 좌표를 업데이트합니다.
  3. 주어진 반복 횟수에 대해 이 단계를 반복하고 주어진 횟수만큼 반복하면 클러스터가 생깁니다.
기계 학습

그림:4

반 지도 알고리즘

지도 학습에서 우리는 데이터 세트가 인간에 의해 수동으로 레이블이 지정되어야 함을 보았습니다. 이 프로세스는 데이터 세트의 양이 매우 크기 때문에 비용이 많이 듭니다. 비지도 학습에서는 레이블이 지정된 데이터 세트가 필요하지 않지만 적용 범위가 제한됩니다.

이러한 한계를 해결하기 위해 semi-supervised learning의 개념이 도입되었습니다. 이 스타일의 학습에서 알고리즘은 소량의 레이블이 지정된 데이터와 많은 양의 레이블이 지정되지 않은 데이터의 조합으로 학습됩니다. 준지도 학습은 지도 학습과 비지도 학습 사이에 속합니다.

레이블이 지정되지 않은 데이터를 사용하기 위해 Semi-Supervised 알고리즘은 데이터에 대해 다음 관계를 가정합니다.

    연속성:서로 더 가까운 지점이 동일한 출력 레이블을 공유할 가능성이 더 높다고 가정합니다.무리 :데이터를 개별 클러스터로 나눌 수 있는 경우 동일한 클러스터의 포인트가 레이블을 공유할 가능성이 더 높습니다.다양성:데이터는 대략적으로 입력 공간보다 훨씬 낮은 차원의 다양체에 있습니다. 이 가정을 통해 정의된 거리와 밀도를 사용할 수 있습니다. 다양성 .

실제 세계와 관련하여 지도 학습, 비지도 학습 및 반 지도 학습의 세 가지 유형의 학습 스타일을 이해할 수 있습니다.

학생이 교사의 감독하에 있는 지도 학습. 학생이 스스로 개념을 파악해야 하는 비지도 학습에서. 교사가 수업에서 몇 가지 개념을 가르치고 유사한 개념을 기반으로 하는 숙제로 질문을 제공하는 반 지도 학습.

강화 학습

강화 학습은 환경과 상호 작용하여 학습하는 것입니다. 학습 프로세스에는 행위자, 환경 및 보상 신호가 포함됩니다. 행위자는 행위자가 그에 따라 보상을 받는 환경에서 행동을 취하기로 선택합니다. 여기서 시스템의 출력은 일련의 작업입니다.

이러한 경우 단일 조치가 중요하지 않습니다. 여기서는 목표에 도달하기 위한 일련의 시정 조치가 중요합니다. 이를 정책이라고도 합니다. 행위자는 받는 보상을 늘리기를 원하므로 환경과 상호 작용하기 위한 최적의 좋은 정책을 배워야 합니다. 좋은 예가 게임입니다. 게임에서 한 번의 움직임 자체는 중요하지 않습니다. 올바른 올바른 움직임의 연속이 필요합니다(즉, 움직임이 승리로 이어짐).

강화 학습 설정

그림 5: 강화 학습 설정

`강화학습은 지금까지 살펴본 다른 학습 유형과 매우 다릅니다. 지도 학습에서 보았듯이 데이터와 레이블이 주어지고 주어진 데이터의 출력을 예측하는 임무가 주어집니다. 비지도 학습에서는 데이터만 제공되고 데이터에서 기본 구조를 찾는 작업이 수행됩니다. 강화에서는 데이터도 레이블도 제공되지 않습니다.

강화 학습의 응용 프로그램은 다음과 같습니다.

  1. 자율주행차
  2. 로봇 모터 제어
  3. 에어컨 제어
  4. 광고 게재위치 최적화
  5. 주식 시장 거래 전략
  6. 게임 플레이

딥러닝

자동차 이미지를 분석할 때 빨간 자동차 이미지의 개별 픽셀은 밤에 검은색에 매우 가깝습니다. 이 예는 많은 인공 지능 응용 프로그램이 직면한 어려움에 대한 통찰력을 제공할 수 있습니다. 인간 수준의 이해가 필요하기 때문에 이러한 높은 수준의 추상적인 특징을 추출하는 것은 매우 어렵습니다.

딥 러닝은 단순한 것에서 복잡한 기능을 만들어 이 문제를 해결합니다. 딥러닝 모델의 가장 기본적인 예는 Multilayer Perceptron입니다. 다층 퍼셉트론은 입력 값을 출력 값에 매핑하는 수학 함수일 뿐입니다. 이 기능은 많은 간단한 기능으로 구성됩니다.

딥 러닝은 세계를 중첩된 개념 계층으로 표현하여 강력한 기능과 유연성을 달성하는 특정 종류의 기계 학습입니다. 각 개념은 더 단순한 개념과 관련하여 정의되고 더 추상적인 표현은 덜 추상적인 개념으로 계산됩니다.

Deep Neural Network, Deep Belief network, Convolutional Neural Network, Recurrent Neural Network와 같은 딥 러닝 알고리즘은 컴퓨터 비전, 음성 인식, 자연어 처리 등의 분야에 적용되었습니다.

심층 신경망

Deep Neural Network는 인간 두뇌의 기능과 작동 방식에서 영감을 받았습니다. 심층 신경망의 기본 빌딩 블록은 노드입니다. 노드는 인간 두뇌의 뉴런과 같습니다. 자극이 그들을 때리면 노드에서 프로세스가 발생합니다. 일반적으로 노드는 그림 6과 같이 레이어로 그룹화됩니다.

심층 신경망

그림 6 : 심층 신경망

다양한 유형의 심층 신경망이 있으며 이들 간의 차이점은 작동 원리, 동작 계획 및 적용 영역에 있습니다.

    CNN(컨볼루션 신경망): 모든 픽셀을 일일이 확인할 필요가 없기 때문에 주로 이미지 인식에 사용됩니다. CNN은 입력층, 출력층, 은닉층으로 구성된다. 히든 레이어는 일반적으로 컨볼루션 레이어, 풀링 레이어 및 완전 연결 레이어로 구성됩니다. Convolutional 및 max-pooling 계층은 특징 추출기 역할을 하고 추출된 특징의 비선형 변환을 수행하고 분류기 역할을 하는 완전 연결 계층입니다. 컨볼루션 레이어는 입력에 컨볼루션 연산을 적용합니다. 풀링 레이어는 공간 크기를 줄이기 위해 컨볼루션 레이어 바로 다음에 사용됩니다(깊이가 아닌 너비와 높이만). 이것은 매개변수의 수를 줄이므로 계산이 줄어들 뿐만 아니라 특징 검출기가 입력에서의 위치에 대해 더 불변하게 만드는 데 도움이 됩니다. 이 애니메이션으로 회선 연산을 이해하기 쉽습니다
기계 학습
    순환 신경망(RNN):순환 신경망은 이전 출력을 모델에 대한 입력으로 사용할 수 있도록 하는 신경망 클래스입니다. 1980년대에 처음 도입되었습니다. RNN은 순환 계층으로 알려진 특수한 유형의 신경망을 활용하기 때문에 피드포워드 신경망과 다릅니다. Recurrent Neural Network의 기본 아이디어는 순차 정보를 사용하는 것입니다. CNN과 같은 전통적인 신경망에서는 모든 입력과 출력이 서로 독립적이라고 가정했습니다. 그러나 이것을 가정하는 것은 그다지 좋은 생각이 아닌 많은 작업에 대해. 예를 들어 문장에서 다음 단어를 예측하려면 그 앞에 어떤 단어가 왔는지 아는 것이 더 좋습니다. RNN은 시퀀스의 모든 요소에 대해 동일한 작업을 수행하고 출력이 이전 계산에 종속되기 때문에 순환적이라고 합니다. 간단히 말해서 RNN에는 지금까지 계산된 정보를 캡처하는 메모리가 있습니다. 이론적으로 RNN은 정보를 긴 순서로 사용할 수 있지만 실제로는 몇 단계만 되돌아보는 것으로 제한됩니다.
또한보십시오 iPhone이 바이러스에 감염될 수 있습니까? 바이러스를 확인하고 제거하는 방법

벤 다이어그램을 사용하여 AI, 머신 러닝 및 딥 러닝 간의 관계를 살펴보겠습니다.

기계 학습

그림 7 : 이 그림은 딥 러닝, 머신 러닝 및 인공 지능 간의 관계를 보여줍니다.

인공 지능의 응용

AI가 활용되는 분야는 다양하다. 분야에는 마케팅, 은행, 금융, 농업, 의료, 게임, 우주 탐사, 자율 주행 차량, 챗봇, 인공 창의성 등이 포함됩니다.

마케팅 및 뱅킹 분야를 살펴보겠습니다.

마케팅

초기(AI가 적용되지 않고 책에만 존재) 초기에는 온라인 상점에서 어떤 제품을 구매하려면 정확한 이름으로 제품을 검색해야 했습니다. 그래서 제품의 정확한 명칭을 모르면 제품을 찾기가 매우 어렵습니다.

그러나 요즘에는 전자 상거래 상점에서 항목을 검색할 때 해당 항목과 관련된 가능한 모든 결과를 얻습니다. 제품을 찾기 위해 정확한 철자나 제품 이름에 대해 고민할 필요가 없습니다. 또 다른 예는 Netflix에서 적절한 영화를 찾는 것입니다.

응용 프로그램은 올바른 제품을 찾는 데 국한되지 않습니다. AI의 발전은 과거 거래 및 구매 취향을 분석하여 관심을 기반으로 제품을 추천할 수 있습니다. 이 데이터에 따르면 AI는 어떤 유형의 제품이 귀하와 관련이 있는지 알 수 있으며 이를 기반으로 제품을 필터링하여 귀하에게 추천합니다.

이런 식으로 AI는 마케팅에서 중요한 역할을 하고 제품의 온라인 판매를 늘리고 Flipkart와 같은 전자 상거래 회사, 아마존 , 또는 Netflix와 같은 회사는 AI의 힘을 활용하여 매우 쉽게 제품을 판매하고 수익을 내고 있습니다.

은행업

은행 분야에서 AI 시스템은 더 빠르게 성장하고 있습니다. 많은 은행들이 이미 AI 시스템을 도입하여 고객 지원, 이상 감지, 신용카드 사기와 같은 다양한 서비스를 제공하고 있습니다.

HDFC 은행의 예를 들어보겠습니다. 그들은 전자 가상 비서(EVA)라는 AI 기반 챗봇을 개발했습니다. 이 챗봇은 이미 3백만 개 이상의 고객 쿼리를 처리했습니다. Eva는 0.4초 이내에 간단한 답변을 제공할 수 있습니다. Bank of America의 챗봇 이름은 Erica입니다. American Express는 AmEX 챗봇을 사용하여 고객에게 혜택을 제공합니다.

MasterCard와 RBS WorldPay는 AI와 딥 러닝을 사용하여 사기 거래를 감지하고 카드 사기를 방지했습니다. 이 AI 시스템은 수백만 달러를 절약했습니다. AI 기반 사기 탐지 알고리즘은 95% 이상의 정확도로 사기 탐지에 더 정확합니다. 그들은 실시간으로 새로운 사기 시도를 감지하기 위해 빠르게 적응할 수 있는 능력을 가지고 있습니다.

은행에서 AI의 가장 중요한 응용 프로그램은 사기 공격으로 인한 상인의 평균 손실이 연간 수익의 1.5%인 것으로 추정되기 때문에 위험 관리입니다. JPMorgan은 또한 AI 기술을 사용하여 맬웨어, 트로이 목마 및 바이러스를 감지하는 조기 경고 시스템을 개발하기 시작했습니다. 이 탐지 시스템은 사기 이메일이 실제로 직원에게 전송되기 훨씬 전에 의심스러운 행동을 식별한다고 합니다.

추천 기사

  • Unsecapp.Ex는 무엇이며 안전합니까?Unsecapp.exe은(는) 무엇이고 안전합니까?
  • 15 최고의 UML 다이어그램 도구 및 소프트웨어15 최고의 UML 다이어그램 도구 및 소프트웨어
  • [수정됨] Windows가 지정된 장치, 경로 또는 파일 오류에 액세스할 수 없음[수정됨] Windows가 지정된 장치, 경로 또는 파일 오류에 액세스할 수 없음
  • Windows에서 작동하지 않는 Windows 업데이트에 대한 16가지 수정 사항Windows에서 작동하지 않는 Windows 업데이트에 대한 16가지 수정 사항
  • AMD Radeon 설정에 대한 4가지 수정 사항AMD Radeon 설정에 대한 4가지 수정 사항이 열리지 않음
  • 확대/축소 스크린샷 도구: 팁과 요령확대/축소 스크린샷 도구: 팁과 요령