넘버스
넘버스
지도 학습의 가장 큰 문제가 트레이닝 데이터의 레이블링 비용이라면, 데이터가 레이블링되지 않는 비지도 학습의 가장 큰 문제는 제대로 작동하지 않는 경우가 많다는 점이다. 그러나 비지도 학습에도 적합한 용도가 있다. 비지도 학습은 데이터 집합의 차원을 축소하고 데이터의 패턴과 구조를 탐색하고 비슷한 개체 그룹을 찾고 데이터에서 이상점과 노이즈를 찾는 데 효과적인 경우가 있다.
일반적으로 연구를 위한 데이터 분석에서 패턴과 군집을 찾고 데이터의 차원을 축소하고 잠복 특징을 발견하고 이상점을 제거하기 위해 비지도 학습 방법을 시도할 가치는 충분하다. 그런 다음 목표와 데이터에 따라 지도 학습으로 전환해서 계속 연구를 진행하거나 사전 학습된 모델을 사용해서 예측을 수행하면 된다.
비지도 학습이란?
인간 어린이가 학습하는 방법을 생각하면 된다. 부모나 교사가 어린이에게 개와 고양이를 알아보는 방법을 가르치기 위해 모든 품종의 개와 고양이를 보여줄 필요는 없다. 어린이는 많은 설명 없이 몇 개의 예시만으로 학습하고 스스로 일반화할 수 있다. 물론 치와와를 처음 보는 아이는 고양이라고 착각할 수도 있지만 그 정도는 비교적 신속하게 교정할 수 있다.어린이는 자신이 보는 사물을 직관적으로 그룹으로 분류한다. 비지도 학습의 목표 중 하나는 기본적으로 컴퓨터가 이와 같은 능력을 개발하도록 하는 데 있다. 딥마인드(DeepMind)의 알렉스 그레이브스와 켈리 클랜시는 “비지도 학습: 호기심 많은 아이”라는 블로그 글에서 다음과 같이 썼다.
비지도 학습은 주어진 특정 작업 없이 관찰 대상 데이터를 학습하는 데 대해 에이전트(컴퓨터 프로그램)에 보상을 제공함으로써 자율 지능을 생성하도록 설계된 페러다임이다. 즉, 에이전트는 학습을 위해 학습한다.
학습을 위해 학습하는 에이전트는 복잡한 그림을 이분법적 결정(예를 들어 개나 고양이)으로 축소하는 시스템에 비해 잠재력이 훨씬 더 크다. 로렌스 버클리 연구소의 연구진이 수백만 개의 재료과학 초록을 대상으로 텍스트 처리 알고리즘(Word2vec)을 실행해 새로운 열전재료의 발견을 예측함으로써 시연한 바와 같이, 사전 정의된 작업을 수행하는 대신 패턴을 파악하면 놀랍고 유용한 결과를 얻을 수 있다.
군집화 방법
군집화(clustering) 문제는 모델에 비슷한 데이터 포인트 그룹을 찾도록 요구하는 비지도 학습 문제다. 현재 여러 가지 군집화 알고리즘이 사용되는데, 알고리즘마다 특상이 조금씩 다르다. 일반적으로 군집화 알고리즘은 척도 또는 데이터 포인트의 특징 벡터 사이의 거리 함수를 살펴본 다음 서로 “가까운” 데이터 포인트를 그룹으로 묶는다. 군집화 알고리즘은 클래스가 겹치지 않을 때 가장 효과적으로 작동한다
계층적 군집화
계층적 군집화 분석(HCA)은 응집적이거나(개별 포인트부터 시작해서 상향식으로 군집을 만들어 최종적으로 단일 군집 생성) 분열적일 수 있다(단일 군집으로 시작해서 개별 포인트가 될 때까지 군집을 분열). 운이 좋다면 유의미한 분류를 반영하는 군집화 프로세스의 중간 단계를 찾을 수 있다.
군집화 프로세스는 일반적으로 덴드로그램(트리 다이어그램)으로 표시된다. HCA 알고리즘에는 대체로 많은 계산 시간[O(n3)]과 메모리[O(n2)] 리소스가 필요하다. 이는 비교적 작은 데이터 집합에 이 알고리즘을 적용하기 어려운 제약 요소다.
HCA 알고리즘은 다양한 척도와 연결 기준을 사용할 수 있다. 유클리드 거리와 유클리드 제곱거리는 모두 수치 데이터에서 일반적이다. 해밍 거리와 레벤슈타인 거리는 비수치 데이터에 일반적이다. 단일 연결과 완전 연결은 일반적이며, 두 가지 모두 군집화 알고리즘을 간소화할 수 있다(각각 SLINK와 CLINK). SLINK는 최적의 솔루션 발견을 보장하는 소수 군집화 알고리즘 가운데 하나다.
k-평균 군집화
k-평균 군집화 문제는 각 군집 내의 변동(제곱합) 최소화를 목표로 유클리드 거리 척도를 사용해서 n개의 관측을 k개의 군집으로 나눈다. 벡터 양자화의 한 방법이며 특징 학습에 유용하다.
로이드의 알고리즘(센트로이드 업데이트를 사용하는 반복적 군집 집합체)은 문제를 해결하는 데 가장 일반적으로 사용되는 휴리스틱이며 비교적 효율적이지만 전역 수렴을 보장하지 않는다. 이를 개선하기 위해 포기(Forgy) 또는 무작위 분할법으로 생성되는 무작위 초기 군집 센트로이드를 사용해서 알고리즘을 여러 번 실행하는 경우가 많다.
k-평균은 평균이 군집 중앙을 향해 수렴하도록 분리 가능한 구체 군집을 전제하고 데이터 포인트의 순서에는 의미가 없다고 전제한다. 가장 가까운 군집 중앙으로의 배치가 올바른 배치가 되도록 각 군집의 크기는 비슷해야 한다.
k-평균 군집을 해결하기 위한 휴리스틱은 일반적으로 가우시안 혼합 모델의 기댓값 최대화(EM) 알고리즘과 비슷하다.
혼합 모델
혼합 모델은 관찰의 부분모집단이 확률 분포, 일반적으로 수치 관측의 경우 정규 분포, 비수치 데이터의 경우 카테고리 분포에 해당한다고 전제한다. 각 부분모집단은 그 자체의 분포 매개변수, 예를 들어 정규 분포의 평균 및 분산을 가질 수 있다.
기댓값 최대화(EM)는 성분 수가 지정된 혼합의 매개변수를 확인하기 위해 가장 많이 사용되는 기법 중 하나다. EM 외에 마르코프 연쇄 몬테카를로, 모멘트 일치, 특이값 분해를 사용하는 스펙트럼법, 도식 해법으로도 혼합 모델을 풀 수 있다.
최초의 혼합 모델 응용은 머리와 몸 길이의 비율로 두 가지 종류의 바닷게를 분리하는 작업이었다. 칼 피어슨은 1984년 모멘트 일치를 사용해서 이 문제를 풀었다.
혼합 모델의 일반적인 확장은 혼합 성분 정체성을 정의하는 잠재변수가 독립 균등 분산 무작위 변수라고 전제하지 않고 대신 이 변수를 마르코프 연쇄에 연결하는 것이다. 이렇게 해서 나온 결과 모델이 은닉 마르코프 모델로, 가장 일반적인 순차 계층 모델 중 하나다.
DBSCAN 알고리즘
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)은 1996년에 개발된 비모수 데이터 군집화 알고리즘이다. R* 트리 또는 기타 기하학적 인덱스 구조를 사용해서 기하학적 영역 쿼리를 가속화할 수 있는 데이터베이스에서 사용하는 데 최적화됐다.
기본적으로 DBSCAN은 일부 거리 엡실론 내의 최소 이웃 수보다 많은 코어 포인트를 군집화하고, 엡실론 내에 이웃이 없는 이상점으로 폐기하고, 코어 포인트의 엡실론 내에 있는 포인트를 해당 군집에 추가한다. DBSCAN은 가장 일반적인 군집화 알고리즘 중 하나이며 임의 형상 군집을 찾을 수 있다.
OPTICS 알고리즘
OPTICS(Ordering Points To Identify the Clustering Structure)는 공간 데이터에서 밀도 기반 군집을 찾기 위한 알고리즘이다. OPTICS는 DBSCAN과 비슷하지만 변동성 포인트 밀도 사례를 다룬다는 차이가 있다.
DBSCAN과 OPTICS 아이디어의 변형은 간단한 이상점과 노이즈 탐지 및 제거에도 사용할 수 있다.
Tags
함께 보면 좋은 콘텐츠
Sponsored
Seagate
“작지만 큰 영향력” 하드 드라이브의 나노 스케일 혁신
ⓒ Seagate 플래터당 3TB라는 전례 없는 드라이브 집적도를 자랑하는 새로운 하드 드라이브 플랫폼이 등장하며 디지털 시대의 새로운 이정표를 세웠다. 플래터당 3TB를 저장할 수 있다는 것은 동일한 면적에서 스토리지 용량을 기존 드라이브 대비 거의 두 배로 늘릴 수 있다는 것을 의미한다. 이러한 혁신은 데이터 스토리지의 미래와 데이터센터의 디지털 인프라에 괄목할 만한 영향을 미친다. AI의 발전과 함께 데이터의 가치가 그 어느 때보다 높아졌다. IDC에 따르면 2027년에는 전 세계에서 총 291ZB의 데이터가 생성될 것으로 예측되며, 이는 스토리지 제조 용량의 15배 이상일 것으로 보인다. 대부분의 데이터를 호스팅하는 대형 데이터 센터에 저장된 데이터 중 90%가 하드 드라이브에 저장된다. 즉, AI 애플리케이션의 주도로 데이터가 급증함에 따라 물리적 공간을 늘리지 않으면서도 데이터를 저장할 수 있는 스토리지 기술 혁신이 필요하다. 데이터 스토리지 인프라를 업그레이드하는 것은 단순히 기술적인 문제가 아니라 지금 시대가 직면한 규모, 총소유비용(TCO), 지속가능성이라는 과제에 대한 논리적 해답인 셈이다. 열 보조 자기 기록(HAMR) 기술은 선구적인 하드 드라이브 기술로 드라이브 집적도 향상을 위해 지난 20년 동안 수많은 연구를 거쳐 완성되어 왔다. 씨게이트 모자이크 3+ 플랫폼은 이러한 HAMR 기술을 씨게이트만의 방식으로 독특하게 구현한 것으로, 미디어(매체)부터 쓰기, 읽기 및 컨트롤러에 이르는 복잡한 나노 스케일 기록 기술과 혁신적인 재료 과학 역량을 집약한 결정체다. 이 플랫폼은 데이터 비트를 변환하고 자기 및 열 안정성을 유지하면서 더욱 촘촘하게 패킹해서 각 플래터에 훨씬 더 많은 데이터를 안정적이고 효율적으로 저장할 수 있다. 예를 들어, 기존 데이터센터에 있는 16TB 드라이브를 30TB 드라이브로 업그레이드하면 동일한 면적에서 스토리지 용량을 두 배로 늘릴 수 있다. 더 낮은 용량에서 업그레이드한다면 상승 폭은 더욱 커진다. 이 경우, 테라바이트당 전력 소비량이 40% 감소하는 등 스토리지 총소유비용(TCO)이 크게 개선된다. 또한 효율적인 자원 할당과 재활용 재료 사용으로 운영 비용을 절감하고 테라바이트당 탄소 배출량을 55% 감소시켜 데이터센터가 지속 가능성 목표를 달성할 수 있다. 드라이브 집적도 향상은 하이퍼스케일과 프라이빗 데이터센터의 판도를 바꿀 수 있다. 데이터센터가 급증하며 전력사용량과 탄소배출량 역시 늘어나 데이터센터의 지속가능성이 화두가 되고 있는 가운데, 과학기술정보통신부는 ‘탄소중립 기술혁신 추진전략-10대 핵심기술 개발방향’에서 2030년까지 데이터센터 전력소모량을 20% 절감하겠다고 밝힌 바 있다. 이러한 목표에 발맞춰, 집적도를 획기적으로 개선한 대용량 데이터 스토리지를 활용하는 것은 원활하고 지속적인 AI 모델 학습, 혁신 촉진 및 비즈니스 성공을 위해 필수적이다. 엔터프라이즈 데이터센터의 경우 제한된 공간, 전력, 예산에 맞춰 확장할 수 있는 지속 가능한 방법을 찾아야 한다. 하드 드라이브의 집적도 혁신은 점점 더 커져가는 클라우드 생태계와 AI 시대에 대응하는 해답이자, 동일한 공간에 더 많은 엑사바이트를 저장하면서도 자원 사용은 줄이도록 인프라를 확장할 수 있는 방법이다. 이는 글로벌 데이터 영역에서 경쟁력을 유지하고 글로벌 디지털 경제의 선두주자로서 입지를 강화하는 데 매우 중요하다.
Seagate
'반박 불가' 하드 드라이브와 SSD에 관한 3가지 진실
ⓒ Getty Images Bank 하드 드라이브가 멸종할 것이라는 논쟁이 10년 넘게 계속되고 있다. 빠른 속도와 뛰어난 성능이 필요한 애플리케이션에 적합한 플래시 스토리지의 연매출이 증가하고 있는 것은 자명한 사실이다. 하지만, 클라우드의 보편화 및 AI 사용 사례의 등장으로 인해 방대한 데이터 세트의 가치가 높아지는 시대에 하드 드라이브는 플래시 스토리지로 대체할 수 없는 가치를 가지고 있다. 전 세계 엑사바이트(EB) 규모 데이터의 대부분을 저장하는 하드 드라이브는 데이터센터에서 그 어느 때보다 필수적이다. 전 세계 데이터 세트의 대부분이 저장된 엔터프라이즈 및 대규모 클라우드 데이터센터는 데이터 성장에서 핵심이 될 것이다. 하드 드라이브와 SSD를 비교하자면, 하드 드라이브 스토리지는 2022년에서 2027년 사이 6,996EB 증가할 것으로 예상되는 반면, SSD는 1,363EB 증가할 것으로 보인다. ⓒ Seagate 생성형 AI 시대에는 콘텐츠를 경제적으로 저장해야 하기 때문에 플래시 기술과 밀접하게 결합된 컴퓨팅 클러스터는 더 큰 하드 드라이브 EB의 다운스트림 수요를 직간접적으로 촉진할 것이다. 하드 드라이브가 왜 데이터 스토리지 아키텍처의 중심이 될 수밖에 없는지는 시장 데이터를 근거로 설명 가능하다. 가격 책정 근거 없는 믿음 : SSD 가격이 곧 하드 드라이브 가격과 같아질 것이다. 사실 : SSD와 하드 드라이브 가격은 향후 10년간 어느 시점에도 수렴하지 않을 것이다. 데이터가 이를 명확하게 뒷받침한다. 하드 드라이브는 SSD에 비해 테라바이트당 비용 면에서 확고한 우위를 점하고 있으며, 이로 인해 하드 드라이브는 데이터센터 스토리지 인프라의 확고한 주춧돌 역할을 하고 있다. IDC 및 포워드 인사이트(Forward Insights)의 연구에 따르면, 하드 드라이브는 대부분의 기업 업무에 가장 비용 효율적인 옵션으로 유지될 것으로 전망된다. 엔터프라이즈 SSD와 엔터프라이즈 하드 드라이브의 TB당 가격 차이는 적어도 2027년까지 6대 1 이상의 프리미엄이 유지될 것으로 예상된다. ⓒ Seagate 이러한 TB당 가격 차이는 장치 구입 비용이 총소유비용(TCO)에서 가장 큰 비중을 차지하는 데이터센터에서 특히 두드러지게 드러난다. 장치 구입, 전력, 네트워킹, 컴퓨팅 비용을 포함한 모든 스토리지 시스템 비용을 고려하면 TB당 TCO는 하드 드라이브 기반 시스템이 훨씬 더 우수하게 나타난다. ⓒ Seagate 따라서, 플래시는 특정 고성능 작업의 수행에 탁월한 스토리지이지만, 하드 드라이브는 당분간 안정적이고 비용 효율적이며 널리 채택된 솔루션을 제공하는 데이터센터에서 계속해서 주류로 사용될 것이다. 공급과 확장의 관계 근거 없는 믿음 : NAND 공급이 모든 하드 드라이브 용량을 대체할 정도로 증가할 수 있다. 사실 : 하드 드라이브를 NAND로 완전히 교체하려면 감당할 수 없는 설비투자(CapEx)가 필요하다. NAND 산업이 모든 하드 드라이브 용량을 대체하기 위해 공급을 빠르게 늘릴 수 있다는 주장은 재정적, 물류적으로 엄청난 비용이 발생한다는 점을 간과한 낙관적인 생각이다. 산업 분석기관 욜 인텔리전스(Yole Intelligence)의 2023년 4분기 NAND 시장 모니터 리포트에 따르면, 전체 NAND 산업은 2015년~2023년 사이 3.1제타바이트(ZB)를 출하하면서 총 매출의 약 47%에 해당하는 2,080억 달러의 막대한 자본 지출을 투자해야 했다. 반면, 하드 드라이브 산업은 데이터센터 스토리지 수요의 거의 대부분을 매우 자본 효율적인 방식으로 해결하고 있다. 씨게이트가 2015년~2023년 사이 3.5ZB의 스토리지를 출하하며 투자한 자본은 총 43억 달러로, 전체 하드 드라이브 매출의 약 5%에 불과하다. 그러나 NAND 산업의 경우 ZB당 약 670억 달러에 해당하는 금액을 투자한 것으로 나타나 하드 드라이브가 데이터센터에 ZB를 공급하는 것이 훨씬 더 효율적임을 알 수 있다. ⓒ Seagate 작업 부하 근거 없는 믿음 : 올 플래시 어레이(AFA)만이 최신 엔터프라이즈 작업 부하의 성능 요구를 충족할 수 있다. 사실 : 엔터프라이즈 스토리지 아키텍처는 일반적으로 디스크 또는 하이브리드 어레이, 플래시, 테이프를 사용하여 특정 작업 부하의 비용, 용량, 성능 요구 사항에 최적화할 수 있도록 미디어 유형을 혼합한다. 기업이 플래시 없이는 최신 작업 부하의 성능 수요를 따라잡지 못할 위험이 있다는 주장은 다음과 같은 3가지 이유로 반박 가능하다. 첫째, 대부분의 최신 작업 부하에는 플래시가 제공하는 성능상의 이점이 필요하지 않다. 전 세계 데이터의 대부분은 클라우드와 대규모 데이터센터에 저장되어 있으며, 이러한 환경에서는 작업 부하 중 극히 일부에만 상당한 성능이 필요하다는 파레토 법칙을 따르고 있다. 둘째, 예산 제약이 있고 데이터 세트가 빠르게 증가하는 기업들은 성능뿐만 아니라 용량과 비용의 균형을 맞춰야 한다. 플래시 스토리지는 읽기 집약적인 시나리오에서는 탁월한 성능을 발휘하지만 쓰기 작업이 증가하면 내구성이 떨어져 오류 수정과 오버프로비저닝에 추가 비용이 발생한다. 또한, 대규모 데이터 세트나 장기 보존의 경우 영역 밀도가 증가하는 디스크 드라이브가 더 비용 효율적인 솔루션일 뿐만 아니라 수천 개의 하드 드라이브를 병렬로 활용하면 플래시를 보완하는 성능을 달성할 수 있다. 셋째, 수많은 하이브리드 스토리지 시스템은 다양한 미디어 유형의 강점을 단일 유닛에 원활하게 통합하고 최대한으로 활용할 수 있도록 세밀하게 조정된 소프트웨어 정의 아키텍처를 사용한다. 이러한 스토리지는 유연성을 제공하므로 기업은 지속적으로 변화하는 요구 사항에 따라 스토리지 구성을 조정할 수 있다. AFA와 SSD는 고성능의 읽기 집약적인 작업에 매우 적합하다. 하지만 하드 드라이브가 이미 훨씬 낮은 TCO로 제공하는 기능을 AFA로 불필요하게 비싼 방법으로 제공하는 것은 비용 효율적이지 않을 뿐만 아니라, AFA가 하드 드라이브를 대체할 수 있다고 주장하는 근거가 될 수 없다.
추천기사
