Skip to content

ML이 유용한 경우.

Machine Learning (ML)이 기존의 **explicit programming**보다 유용한 경우는 다음과 같다.

  1. Task가 매우 복잡하여 **복잡하고 많은 조건들을 고려**해야 하는 경우
    • 기존 알고리즘으로 많은 **수동 조정(hand-tuning)**이나 **규칙(long lists of rules)**이 필요한 task를 가리킴.
    • ML이 아닌 **rule-based AI**로는 이같은 task를 처리하기 어려움.
  2. Task를 수행하기 위한 조건이나 환경이 **빈번하게 변경**되는 경우 (Fluctuating Environment)
  3. Task를 효과적으로 수행할 수 있는 기존의 방법이 없는 경우
    • 단, ML이 항상 해결하는 건 아니라는 점을 명심할 것.
  4. 관련 데이터가 분석하기에 너무 많고 문제 자체가 복잡한 경우.
    • ML 기법을 통해, 겉으로 보이지 않던 **패턴**이나 **특징**을 찾아낼 수 있음.

**1, 2번 경우의 대표적인 예**는 **spam filter**라고 할 수 있다.

  • Spam mail을 잘 표현할 수 있는 representation을 키워드 중심으로 만들 경우, 정말 많은 키워드가 필요하다.
  • 또한 spam mail을 발송하는 이들이 **해당 filter의 rule을 피하는 방식**으로 메일을 만들기 때문에 점점 더 많은 키워드가 필요해지고, 최근 spam 메일에 맞춰 **rule의 갱신이 지속적으로 필요**하다.

ML의 경우, data로부터 computer가 직접 rule을 만들어내기 때문에 구현물에서 개발자가 수정을 해줄 필요가 없다.
**즉, 한번 개발된 model로 충분**하다.
대신 최신 spam 메일에 대한 데이터를 학습 데이터로 해당 model에 공급해주어 model을 갱신(학습을 통해 model parameters의 갱신을 의미)해주면 된다. Online Learning 등의 기술을 적용하면 **학습 데이터의 변화에 대해 자동적으로 최적화되는 모델**을 얻을 수 있다.

  • ref. : Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition, Aurélien Géron

**3번 경우의 예**는

  • **음성 인식**이나
  • **의료 영상**을 이용한 진단,
  • 통역 등을 들 수 있다.

기존의 explicit programming으로는 사람 수준으로 음성이나 영상을 인식하기가 매우 어렵다. 기존의 **feature engineering**으로는 음성과 영상에 대한 **적절한 representation**이 쉽지 않았기 때문인데, 최근의 **deep learning**과 같은 ML 기법들을 통해 일부 task에서는 인간보다 높은 정확도와 재현성을 보이는 것도 가능해주고 있다.

**4번의 경우**는 사실 ML 보다는 **data mining**이 적절한 경우이다.

  • 하지만, ML의 많은 기법들(모두는 아님)이 특정 결과를 도출하는데 어떤 요소가 얼만큼의 영향을 끼쳤는지를 정량적으로 제시해줄 수 있으며,
  • 이를 통해 사람들에게 데이터의 분포나 해당 문제 해결에 필요한 **insight**를 제공해줄 수 있다.

주의할 점은 **deep learning**은 이같이 모델의 결과가 왜 이렇게 나왔는지를 해석하기가 다른 ML algorithms과 달리 매우 어렵다. 때문에 **Explainable AI (XAI)**나 **Class Activation Map (CAM)**과 같은 기술들이 꾸준히 연구 개발되고 있다. 이들 기술이 충분히 발전한다면 DL도 이같은 문제에서도 활용 가능성이 보다 높아질 것으로 기대된다.