ML이 유용한 경우.¶

ML이 기존의 explicit programming보다 유용한 경우는 다음과 같다.

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 가르킴.
- ML이 아닌 Rule-based AI로는 이같은 task를 처리하기 어려움.
Task를 수행하기 위한 조건이나 환경이 빈번하게 변경 되는 경우 (Fluctuating Environment)
Task를 효과적으로 수행할 수 있는 기존의 방법이 없는 경우
- 단, ML이 항상 해결하는 건 아니라는 점을 명심할 것.
관련 데이터가 분석하기에 너무 많고 문제 자체가 복잡한 경우.
- ML기법을 통해, 겉으로 보이지 않던 패턴이나 특징을 찾아낼 수 있음

1,2번 경우의 대표적인 예 는 spam filter라고 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 최적화 되는 모델 을 얻을 수 있다.

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

3번 경우의 예 는

음성 인식이나
의료 영상을 이용한 진단,
통역 등을 들 수 있다.

기존의 explicit programming으로는 사람 수준으로 음석이나 영상을 인식이 매우 어렵다. 기존의 feature engineering으로는 음성과 영상에 대한 적절할 representation이 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 Mining이 적절한 경우이다.

하지만, ML의 많은 기법들(모두는 아님)이 특정 결과를 도출하는데 어떤 요소가 얼만큼의 영향을 끼쳤는지를 정량적으로 제시해줄 있으며,
이를 통해 사람들에게 데이터의 분포나 해당 문제 해결에 필요한 insight를 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.