2017.01.31

머신러닝, 조직에서 ‘스마트’하게 활용하는 법

BrandPost Sponsored by HPE
David Linthicum | HPE


비즈니스에 있어서 다음의 큰 기술적 진보는 무엇일까요? 클라우드? 빅 데이터? 머신러닝? 아니면 이 세 가지 모두의 결합이 실제적인 비즈니스 가치를 창출하는 것일까요?

사실 마지막 조건은 놀라울 정도로 까다롭습니다. 대다수 글로벌 엔터프라이즈 2,000여 곳은 통합, 분석 요약(Analytical Abstraction) 같은 기법을 통해 비즈니스 데이터를 전략적으로 활용하고, 머신러닝 시스템을 자사 데이터에 배치할 능력이 없기 때문입니다.

머신러닝에는 사용자의 데이터를 면밀히 가려내고 사용자의 비즈니스를 위한 똑똑한 의사결정을 함으로써 인간의 개입 필요성을 없애는 애플리케이션 개발이 포함되어 있습니다. 그 예로는 기후 패턴 또는 과거 이력에 따라 자동으로 재고를 보충하거나, 트래픽에 대한 구글 API를 사용해서 트럭 노선을 최적화하는 시스템 등이 있습니다.

요령은 머신러닝과 다른 분석 프로세스를 R&D 영역에서 비즈니스 영역으로 옮기는 것입니다. 이는 예측 분석(Predictive Analytics)을 포함한 데이터 이해를 임원들의 대시보드에서 핵심 비즈니스 프로세스로 옮겨놓는 것을 의미합니다. 이렇게 하면 재고 감소 예측, 최소 비용 노선계획 같은 머신러닝 기능을 기업이 비즈니스 운영에 사용하는 소프트웨어에서 바로 액세스 할 수 있게 됩니다.

클라우드 활용
머신러닝처럼 아주 새로운 기술을 사용할 때의 문제는 대다수 사람이 최신 기술이 실제 문제를 해결하는 것을 몸으로 겪기 전까지는 기술의 가치를 이해하지 못한다는 것입니다. 머신러닝의 근간인 AI(Artificial Intelligence: 인공 지능)는 등장한 지 수십 년이 지났으며, 머신러닝은 단지 여러 가지 AI 개념의 좀 더 현실적인 적용 분야에 불과함을 명심해야 합니다.

그렇다면 무엇이 바뀐 걸까요? 우선 한 가지 이유는 클라우드 컴퓨팅의 부상입니다. 머신러닝 시스템의 구축과 운영 가격은 아주 높습니다. 기술의 적용 분야를 아주 조심스럽게 선정해야 할 정도로 비쌉니다. 과거에는 극소수의 기업들만이 머신러닝의 용도를 찾아냈기 때문에 비즈니스에서 거의 사용되지 않기도 했습니다.

그러나 이제 기업은 저렴한 비용으로 AWS, 구글, 마이크로소프트 같은 클라우드 기반 머신러닝 서비스에 액세스할 수 있습니다. 데이터 그리고 관련 머신러닝 시스템 등 저렴한 클라우드 스토리지에서도 효과를 볼 수 있죠.

이제 비용을 감당할 수 있게 되었는데, 그렇다면 어떤 용도로 활용할 수 있을까요? 머신러닝, 빅 데이터, 클라우드 컴퓨팅의 결합은 의료, 운송, 소매 등 효율성 제고 여지가 있는 업계에 상당한 영향을 줄 것으로 보입니다.

수익 증가
소매 영역에서 머신러닝 기술을 적용하면 여러 가지 전략적 효과를 볼 수 있습니다. 대다수 소매 기업은 아주 적은 마진(판매수익)으로 운영되어, 효율성을 높일 수 있는 기술이 적용되면 곧바로 수익으로 직결됩니다.

소매업체는 이제 일 년간 판매 추세를 이해하기 위해 기존 데이터를 분석할 수 있습니다. 또, 기상자료나 주요 경제 지표 등의 외부 정보도 활용할 수 있습니다. 이런 데이터와 머신러닝 시스템이 연결되면 최신 정보를 근거로 주요 의사 결정을 할 수 있게 됩니다.

물론, 예측 분석에 머신러닝이 필수라는 것은 아닙니다. 그렇지만 분석 엔진에 머신러닝 시스템을 추가하면 시간이 흐르면서 머신러닝 시스템이 학습하게 되므로, 기존 내부 데이터와 외부 데이터를 활용해 재고뿐 아니라 구매 패턴까지도 예측할 수 있다는 장점이 있습니다. 머신러닝 시스템은 많은 데이터 패턴 맥락에서 데이터가 실제로 무엇을 의미하는지 이해하는 능력을 추가합니다.

사람과는 달리, 머신러닝 시스템은 데이터에서 수천 가지의 패턴을 고려할 수 있고 그런 패턴을 예상 결과에 연결할 수 있습니다. 예를 들면, 머신러닝 시스템은 대선이 있는 해에 특정 브랜드가 더 잘 팔릴 가능성이 있는지 또는 날씨가 변화하고 있는지를 알아낼 수 있습니다. 소매업체에는 판매량 증가와 비용 절감이라는 효과를 가져다주겠죠.

환자 건강 관리
의료 서비스에서는 환자 데이터를 기초로 비슷한 의사결정 패턴을 찾아냈습니다. 예를 들어, 웨어러블 기기는 분당 수천 개의 데이터 포인트(Data Point)를 분리할 수 있습니다. 그렇지만 이 데이터는 지속적으로 분석되지 않는 한 의미가 없죠. 부정적인 건강 상태를 예측할 수도 있는 데이터 패턴을 찾느라 컴퓨터 스크린을 노려보면서 몇 시간을 허비하는 것은 임상의의 시간이 제대로 활용되는 사례라고 할 수 없습니다.

머신러닝 시스템은 웨어러블 데이터 스트림을 가져와서 현재 그리고 과거의 혈압, 심장 박동, 신체 활동, 혈중 산소 레벨 등을 비교할 수 있습니다. 이 데이터는 수천 명의 다른 환자에 대한 역사적 패턴과 비교 분석되며 심장 마비나 뇌졸중 같은 데이터 패턴의 결과를 포함하고 있습니다. 이런 정보를 사용해서, 머신러닝 시스템은 데이터가 문제를 보이는 시점을 알 수 있다. 이 시스템은 환자가 복용 중인 약품, 가족 병력 그리고 유전적 질병뿐 아니라 과거의 결과 데이터도 고려합니다. 문제가 있으면 환자와 의사 모두에게 경고를 보냅니다.

의료진은 치료에 대해 결정을 하기 위해 이런 정보를 활용할 수 있습니다. 또 긴급 정도에 따라 의료 일정을 잡는 진료 시스템 등 비즈니스 프로세스에도 정보를 내장할 수 있습니다. 이에 따른 결과는 환자 사망률 감소입니다.

교통량 그리고 날씨
수송 문제를 해결하는 데도 머신러닝 기술을 응용할 수 있습니다. 예를 들면, 주류 유통회사는 배달 경로를 최적화하기 위해 구글의 교통량 API와 웨더닷컴(Weather.com)의 데이터를 사용할 수도 있습니다.

이런 경우 머신러닝 시스템은 단 3가지 데이터 세트만을 고려합니다. 교통량, 날씨, 경로 데이터. 몇 년 동안 머신러닝 시스템에 쌓인 경험을 근거로 배달 차량에 대한 이상적인 경로를 찾아보자는 발상입니다. 함께 고려할 수 있는 데이터로는 위치를 포함하여, 하중 데이터, 당일 전달해야만 하는 배달 등이 있겠습니다.

배달 지역을 이동할 때마다 “최선의 경로”가 실시간으로 전송됩니다. 날씨와 교통량 변화에 따른 조정을 위해 업데이트가 자동으로 이루어질 수 있습니다. 결과는 연료와 유지보수 비용의 상당한 절약입니다.

학습하는 시스템
진짜 질문은 이것입니다: 머신러닝은 조직에 어떻게 도움이 될 수 있을까요?

사용자의 데이터 활용에 따라 크게 좌우됩니다. 머신러닝 시스템은 딱 머신러닝 시스템을 움직이는 데이터만큼만 효율이 있습니다. 그래서 우선 1단계는 데이터 장벽을 허무는 것입니다. 2단계는 데이터 통합입니다. 퍼블릭 클라우드를 쓰면 비용과 위험을 크게 낮출 수 있지만, 사용자 고유의 데이터와 사용 패턴에 대한 비용과 위험을 이해하고 있어야만 합니다.

데이터 주도 머신러닝 시스템은 설정하는데 많은 기술을 필요로 하며, 바로 그 부분에서 대다수 비용이 발생합니다. 그렇지만 소속 기업의 효율성 제고를 위한 올바른 데이터 세트를 찾을 수 있다면, 이런 투자는 진행하면서 커다란 보상으로 돌아올 수 있습니다.

머신러닝 : 리더를 위한 교훈
l 머신러닝은 비즈니스를 위해 똑똑한 결정을 하기 위해 사용자의 데이터를 사용합니다.
l 의료, 운송, 그리고 소매업 같은 업계에서 효율성을 창출하기 위해 머신러닝, 빅 데이터, 그리고 클라우드를 결합하십시오.
l 퍼블릭 클라우드를 사용하면 데이터 통합 비용을 절감할 수 있습니다. 


2017.01.31

머신러닝, 조직에서 ‘스마트’하게 활용하는 법

BrandPost Sponsored by HPE
David Linthicum | HPE


비즈니스에 있어서 다음의 큰 기술적 진보는 무엇일까요? 클라우드? 빅 데이터? 머신러닝? 아니면 이 세 가지 모두의 결합이 실제적인 비즈니스 가치를 창출하는 것일까요?

사실 마지막 조건은 놀라울 정도로 까다롭습니다. 대다수 글로벌 엔터프라이즈 2,000여 곳은 통합, 분석 요약(Analytical Abstraction) 같은 기법을 통해 비즈니스 데이터를 전략적으로 활용하고, 머신러닝 시스템을 자사 데이터에 배치할 능력이 없기 때문입니다.

머신러닝에는 사용자의 데이터를 면밀히 가려내고 사용자의 비즈니스를 위한 똑똑한 의사결정을 함으로써 인간의 개입 필요성을 없애는 애플리케이션 개발이 포함되어 있습니다. 그 예로는 기후 패턴 또는 과거 이력에 따라 자동으로 재고를 보충하거나, 트래픽에 대한 구글 API를 사용해서 트럭 노선을 최적화하는 시스템 등이 있습니다.

요령은 머신러닝과 다른 분석 프로세스를 R&D 영역에서 비즈니스 영역으로 옮기는 것입니다. 이는 예측 분석(Predictive Analytics)을 포함한 데이터 이해를 임원들의 대시보드에서 핵심 비즈니스 프로세스로 옮겨놓는 것을 의미합니다. 이렇게 하면 재고 감소 예측, 최소 비용 노선계획 같은 머신러닝 기능을 기업이 비즈니스 운영에 사용하는 소프트웨어에서 바로 액세스 할 수 있게 됩니다.

클라우드 활용
머신러닝처럼 아주 새로운 기술을 사용할 때의 문제는 대다수 사람이 최신 기술이 실제 문제를 해결하는 것을 몸으로 겪기 전까지는 기술의 가치를 이해하지 못한다는 것입니다. 머신러닝의 근간인 AI(Artificial Intelligence: 인공 지능)는 등장한 지 수십 년이 지났으며, 머신러닝은 단지 여러 가지 AI 개념의 좀 더 현실적인 적용 분야에 불과함을 명심해야 합니다.

그렇다면 무엇이 바뀐 걸까요? 우선 한 가지 이유는 클라우드 컴퓨팅의 부상입니다. 머신러닝 시스템의 구축과 운영 가격은 아주 높습니다. 기술의 적용 분야를 아주 조심스럽게 선정해야 할 정도로 비쌉니다. 과거에는 극소수의 기업들만이 머신러닝의 용도를 찾아냈기 때문에 비즈니스에서 거의 사용되지 않기도 했습니다.

그러나 이제 기업은 저렴한 비용으로 AWS, 구글, 마이크로소프트 같은 클라우드 기반 머신러닝 서비스에 액세스할 수 있습니다. 데이터 그리고 관련 머신러닝 시스템 등 저렴한 클라우드 스토리지에서도 효과를 볼 수 있죠.

이제 비용을 감당할 수 있게 되었는데, 그렇다면 어떤 용도로 활용할 수 있을까요? 머신러닝, 빅 데이터, 클라우드 컴퓨팅의 결합은 의료, 운송, 소매 등 효율성 제고 여지가 있는 업계에 상당한 영향을 줄 것으로 보입니다.

수익 증가
소매 영역에서 머신러닝 기술을 적용하면 여러 가지 전략적 효과를 볼 수 있습니다. 대다수 소매 기업은 아주 적은 마진(판매수익)으로 운영되어, 효율성을 높일 수 있는 기술이 적용되면 곧바로 수익으로 직결됩니다.

소매업체는 이제 일 년간 판매 추세를 이해하기 위해 기존 데이터를 분석할 수 있습니다. 또, 기상자료나 주요 경제 지표 등의 외부 정보도 활용할 수 있습니다. 이런 데이터와 머신러닝 시스템이 연결되면 최신 정보를 근거로 주요 의사 결정을 할 수 있게 됩니다.

물론, 예측 분석에 머신러닝이 필수라는 것은 아닙니다. 그렇지만 분석 엔진에 머신러닝 시스템을 추가하면 시간이 흐르면서 머신러닝 시스템이 학습하게 되므로, 기존 내부 데이터와 외부 데이터를 활용해 재고뿐 아니라 구매 패턴까지도 예측할 수 있다는 장점이 있습니다. 머신러닝 시스템은 많은 데이터 패턴 맥락에서 데이터가 실제로 무엇을 의미하는지 이해하는 능력을 추가합니다.

사람과는 달리, 머신러닝 시스템은 데이터에서 수천 가지의 패턴을 고려할 수 있고 그런 패턴을 예상 결과에 연결할 수 있습니다. 예를 들면, 머신러닝 시스템은 대선이 있는 해에 특정 브랜드가 더 잘 팔릴 가능성이 있는지 또는 날씨가 변화하고 있는지를 알아낼 수 있습니다. 소매업체에는 판매량 증가와 비용 절감이라는 효과를 가져다주겠죠.

환자 건강 관리
의료 서비스에서는 환자 데이터를 기초로 비슷한 의사결정 패턴을 찾아냈습니다. 예를 들어, 웨어러블 기기는 분당 수천 개의 데이터 포인트(Data Point)를 분리할 수 있습니다. 그렇지만 이 데이터는 지속적으로 분석되지 않는 한 의미가 없죠. 부정적인 건강 상태를 예측할 수도 있는 데이터 패턴을 찾느라 컴퓨터 스크린을 노려보면서 몇 시간을 허비하는 것은 임상의의 시간이 제대로 활용되는 사례라고 할 수 없습니다.

머신러닝 시스템은 웨어러블 데이터 스트림을 가져와서 현재 그리고 과거의 혈압, 심장 박동, 신체 활동, 혈중 산소 레벨 등을 비교할 수 있습니다. 이 데이터는 수천 명의 다른 환자에 대한 역사적 패턴과 비교 분석되며 심장 마비나 뇌졸중 같은 데이터 패턴의 결과를 포함하고 있습니다. 이런 정보를 사용해서, 머신러닝 시스템은 데이터가 문제를 보이는 시점을 알 수 있다. 이 시스템은 환자가 복용 중인 약품, 가족 병력 그리고 유전적 질병뿐 아니라 과거의 결과 데이터도 고려합니다. 문제가 있으면 환자와 의사 모두에게 경고를 보냅니다.

의료진은 치료에 대해 결정을 하기 위해 이런 정보를 활용할 수 있습니다. 또 긴급 정도에 따라 의료 일정을 잡는 진료 시스템 등 비즈니스 프로세스에도 정보를 내장할 수 있습니다. 이에 따른 결과는 환자 사망률 감소입니다.

교통량 그리고 날씨
수송 문제를 해결하는 데도 머신러닝 기술을 응용할 수 있습니다. 예를 들면, 주류 유통회사는 배달 경로를 최적화하기 위해 구글의 교통량 API와 웨더닷컴(Weather.com)의 데이터를 사용할 수도 있습니다.

이런 경우 머신러닝 시스템은 단 3가지 데이터 세트만을 고려합니다. 교통량, 날씨, 경로 데이터. 몇 년 동안 머신러닝 시스템에 쌓인 경험을 근거로 배달 차량에 대한 이상적인 경로를 찾아보자는 발상입니다. 함께 고려할 수 있는 데이터로는 위치를 포함하여, 하중 데이터, 당일 전달해야만 하는 배달 등이 있겠습니다.

배달 지역을 이동할 때마다 “최선의 경로”가 실시간으로 전송됩니다. 날씨와 교통량 변화에 따른 조정을 위해 업데이트가 자동으로 이루어질 수 있습니다. 결과는 연료와 유지보수 비용의 상당한 절약입니다.

학습하는 시스템
진짜 질문은 이것입니다: 머신러닝은 조직에 어떻게 도움이 될 수 있을까요?

사용자의 데이터 활용에 따라 크게 좌우됩니다. 머신러닝 시스템은 딱 머신러닝 시스템을 움직이는 데이터만큼만 효율이 있습니다. 그래서 우선 1단계는 데이터 장벽을 허무는 것입니다. 2단계는 데이터 통합입니다. 퍼블릭 클라우드를 쓰면 비용과 위험을 크게 낮출 수 있지만, 사용자 고유의 데이터와 사용 패턴에 대한 비용과 위험을 이해하고 있어야만 합니다.

데이터 주도 머신러닝 시스템은 설정하는데 많은 기술을 필요로 하며, 바로 그 부분에서 대다수 비용이 발생합니다. 그렇지만 소속 기업의 효율성 제고를 위한 올바른 데이터 세트를 찾을 수 있다면, 이런 투자는 진행하면서 커다란 보상으로 돌아올 수 있습니다.

머신러닝 : 리더를 위한 교훈
l 머신러닝은 비즈니스를 위해 똑똑한 결정을 하기 위해 사용자의 데이터를 사용합니다.
l 의료, 운송, 그리고 소매업 같은 업계에서 효율성을 창출하기 위해 머신러닝, 빅 데이터, 그리고 클라우드를 결합하십시오.
l 퍼블릭 클라우드를 사용하면 데이터 통합 비용을 절감할 수 있습니다. 


X