이 문서의 번역:

예측 분석(predictive analysis) vs 기계 학습(machine learning)

예측 분석은 패턴과 행동을 찾기 위해 널리 사용되는 외부 데이터와 과거 데이터를 검사하는 것이다. 기계 학습은 알고리즘이 데이터를 제공한 후 미리 정해진 규칙과 규정 없이 정보를 처리하도록 하는 AI 절차다.

데이터 분석은 축적된 데이터를 사용하여 특정 상황에서 발생할 수 있는 상황을 예측하는 예측 분석으로 이어진다. 이 예측은 역사적 자료로 구성되며, 인간에게 데이터와 관련해 질문하고, 패턴을 인증하고, 가정을 만들고, 시험한다. 이는 미래가 과거와 같은 패턴을 따를 것이라는 가정을 기반으로 한다. “만약(what if)” 가정은 과거에 대한 인간의 이해를 통해 개발되며 예측 능력은 인간 데이터 분석가의 양, 시간 및 비용 제한에 의해 제한된다.

기계학습은 예측 분석을 둘러싼 인식의 연속이다. AI 머신러닝은 인간이 달성할 수 없는 속도와 능력으로 상상할 수 있는 모든 고객 대 제품 일치를 예측하기 위해 데이터를 평가하고 재평가할 수 있다. AI는 그 일에 적합한 도구들의 선정에 관한 것이다.

사람들은 종종 예측 분석과 기계 학습이 같다는 오해를 한다. 하지만 이는 사실과 거리가 멀다.

예측 분석은 미래에 대하여 상당한 정확성을 가진다. 제조자는 최신 예측 분석 도구와 모델을 기반으로 현재 정보와 함께 과거 데이터를 이용하여 향후 며칠 또는 몇 년 동안의 추세와 행동을 신뢰가능한 수준으로 예측할 수 있다.

제조업체는 예측 분석을 통해 위험을 파악하고 기회를 발견하기 위해 데이터 세트 내에 포함된 패턴을 최대한 많이 발견하고, 활용할 수 있다. 예를 들어, 여러 행동 사이의 관계를 보기 위한 모델을 설계할 수 있다. 이러한 모델은 공급망 및 조달 절차의 여러 범주에 걸쳐 정보에 입각한 의사결정을 가능하게 하여 특정 조건 집합에 의해 야기되는 잠재적 또는 위험의 평가에 도움을 준다.

클래스 멤버십을 예측하는 분류 모델과 숫자를 예측하는 회귀 모델이 있다. 이러한 모델은 데이터 마이닝 및 통계 분석을 수행하여 데이터의 추세와 패턴을 결정하는 알고리즘으로 구성된다. 예측 분석 소프트웨어 솔루션에는 예측 모델을 만드는 데 활용할 수 있는 알고리즘이 있다. 이러한 알고리즘은 데이터를 포함하는 일련의 카테고리를 식별하는 분류자로 정의된다.

의사결정 나무(decision trees)와 같이 일반적으로 사용되는 몇 가지 예측 모델이 있다.

의사결정 나무는 여러 변수를 분석하는 직접적이면서도 효과적인 방법이다. 의사결정 나무는 데이터를 세그먼트 줄기들로 분류하는 다양한 방법을 사용하는 알고리즘에 의해 만들어진다. 의사결정 나무는 데이터를 입력 변수의 그룹화에 근거하여 하위 집합으로 분할하여 의사결정 경로의 이해를 용이하게 한다.

회귀(regression)는 또 다른 모델이다. 회귀 분석은 변수 사이의 관계를 계산하고, 큰 개별 데이터 세트에서 유의한 패턴을 찾아내고, 변수들이 서로 어떻게 관계되는지를 계산한다.

신경망(neural networks)은 인간의 뇌에서 뉴런의 작용과 유사하게 발달되어 있다. 이들 네트워크는 심층 학습 기술의 집합체다. 그것들은 보통 복잡한 패턴 인식 문제를 해결하기 위해 사용된다. 이 방법은 데이터의 비선형적 관계를 다루는 데 특화되어 있다. 그리고 이것은 특정 변수를 알 수 없을 때 잘 작동한다. 신경 네트워크는 트레이닝 데이터셋에서 주어진 입력에 대한 예상 출력을 학습한다. 이 방법은 적응도가 높으며 데이터가 지속적으로 입력됨에 따라 스스로를 수정해나간다.

예측 분석은 은행 및 금융 서비스 산업에서 사용된다. 이것은 금융 사기를 탐지하고, 방지하며 시장 위험을 결정하고, 전망을 확인하는 데 사용된다.

모든 제조업체들이 보안 문제에 집중하고 있는 만큼 예측 분석은 보안에 중요한 역할을 한다. 보안 기관은 일반적으로 예측 분석을 사용하여 부조화를 탐지하고, 사기를 발견하고, 소비자 활동을 파악하며, 데이터 보안을 개선한다. 제조업체는 예측 분석을 사용하여 누가 무엇을 어디서 구매하는지에 대하여 더 잘 이해할 수 있게 된다. 이는 제조업체가 미리 계획을 세우고 소비자 동향을 바탕으로 제품을 만드는 데 도움이 된다.

예측 분석과 기계 학습은 연결되어 있는 개념이지만, 분명히 다른 점이 존재한다. 기계 학습은 예측 분석보다 훨씬 더 광범위하다.

기계학습은 알고리즘이 데이터를 제공하고 미리 정해진 규칙 없이 처리하도록 하는 AI 절차다. 이것은 실수를 통해 배운 것을 미래의 운영을 향상시키기 위해 사용한다. 데이터는 기계 학습을 지속하기 때문에, 기계가 알고리즘을 개선하기 위해 엄청난 양의 데이터에 접근할 때 그 결과물이 최상으로 나타난다.

기계 학습에는 일반적으로 두 가지 유형이 있다. 하나는 기계가 원하는 결과물의 종류를 알 수 있도록 교육 데이터가 제공되는 곳에서 관찰된다. 분류된 데이터는 원하는 범주의 매개변수에 대한 정보를 제공하며 알고리즘이 그들을 구분하는 방법을 결정할 수 있도록 한다. 이 학습은 스팸메일과 일반 통신을 구별하는 알고리즘을 가르치기 위해 사용될 수 있다.

감독자가 없는 학습에서는 교육 데이터가 제공되지 않는다. 알고리즘은 패턴이나 공유 요소에 대한 데이터 질량을 분석한다. 그런 다음 대량의 비정형 데이터를 정리하고 분류할 수 있다. 감독되지 않은 학습을 지능적 프로파일링에 활용함으로써 제조자의 가장 가치 있는 고객 사이의 유사성을 발견한다.

몇몇 기계학습 어플리케이션들은 자율주행차, 아마존 같은 온라인 소매상들의 온라인 추천 뿐만 아니라 고객들이 소셜 미디어에서 당신의 회사에 대해 고객들이 어떻게 생각하는지 보여준다.

기계학습과 자연어 처리는 현재 예측 분석에 활용되고 있다. 그 시스템은 자연어로 처리된 정보를 사용한다. 따라서, 시스템은 결과를 비교하고 올바른 결론을 제공하는 데 더 능숙해진다. 후속 정보는 예측 분석에 사용된다. 이러한 모든 기술과 기법은 함께 사업 성장과 성공을 위한 이론과 가설을 예측, 계획, 예측 및 테스트하기 위한 건설적인 정보를 제공한다.

예측 분석과 기계 학습의 사용은 그간 지속적으로 증가해 왔다. 그들은 효율적인 개인 맞춤 서비스에 대한 요구를 충족시킨다.

이것들은 프로젝트의 규모에 맞게 조정될 수 있으며, 이러한 유연성은 경영진의 디지털 툴 박스에서 필수적인 부분을 차지한다.

출처 : manufacturing tomorrow
번역 : K-Smart Factory

이 문서의 번역:
예측_분석_predictive_analysis_vs_기계_학습_machine_learning.txt · 마지막으로 수정됨: 2019/10/23 14:46 저자 wikiadmin
CC Attribution-Share Alike 3.0 Unported
Powered by PHP Driven by DokuWiki Recent changes RSS feed Valid CSS Valid XHTML 1.0 Valid HTML5