12.11
ÁÖ¿ä´º½º
´º½ºÈ¨ > Ä®·³
[Àü¹®°¡ ±â°í] ±â°è ÇнÀ, µðÁöÅÐ ºñÁî´Ï½º¸¦ À̲ø´Ù¾Ë·º»ê´õ ¸°µç(Alexander Linden) °¡Æ®³Ê ¸®¼­Ä¡ ºÎ¹® ºÎ»çÀå

   
¡ã ¾Ë·º»ê´õ ¸°µç(Alexander Linden) °¡Æ®³Ê ¸®¼­Ä¡ ºÎ¹® ºÎ»çÀå

[ÄÄÇ»ÅÍ¿ùµå] ±â°è ÇнÀÀº ¸ÅÀÏ »ç¿ëÇÏÁö¸¸ ÀÎÁöÇÏÁö ¸øÇÒ Á¤µµ·Î ¿ì¸® »î¿¡ ¸¸¿¬ÇÑ ±â¼úÀÌ´Ù. ½ÇÁ¦ ÀÎÅÍ³Ý °Ë»ö, Àϱ⿹º¸ È®ÀÎ, ¿îÀü, ½º¸¶Æ®Æù À½¼ºÀνıâ´É »ç¿ë µîÀÌ ±â°è ÇнÀÀ» Ȱ¿ëÇÑ ÇýÅõé·Î, ¿À´Ã³¯ ±â°è ÇнÀÀº ÄÄÇ»ÅÍ °úÇÐÀÇ ÇѰ踦 ÀçÁ¤ÀÇÇϰí È®´ëÇÏ´Â ÇÙ½É Ã˸ÅÁ¦¶ó Àνĵǰí ÀÖ´Ù.

±â°è ÇнÀÀÇ ±âº» °³³äÀº ¼ö½Ê ³â Àü¿¡ Á¤¸³µÆÁö¸¸, ÀÌ¿¡ ´ëÇÑ °ü½ÉÀÌ ÃÖ°íÁ¶¿¡ ´ÞÇÑ °ÍÀº ÃÖ±ÙÀÌ´Ù. ÀÏ·Ê·Î ±â°è ÇнÀÀº ¹Ì±¹ ½ºÅÄÆ÷µå ´ëÇп¡¼­ °¡Àå Àαâ ÀÖ´Â °ú¸ñÀ¸·Î, 760¸í¿¡ ´ÞÇÏ´Â ÇлýµéÀÌ ¼®»ç °úÁ¤À» ¹â°í ÀÖ´Ù. ÃÖ±Ù °¡Æ®³Ê ¿¬±¸¿¡ µû¸£¸é, ±â°è ÇнÀÀ» Æ÷ÇÔÇϴ ÷´Ü ºÐ¼®(Advanced Analytics)ÀÌ ºñÁî´Ï½º ºÐ¼® ¼ÒÇÁÆ®¿þ¾î ½ÃÀå¿¡¼­ °¡Àå ºü¸£°Ô ¼ºÀå ÁßÀÌ´Ù. ±â°è ÇнÀ ºÐ¾ßÀÇ ¼ºÀåÀ» ÁÖµµÇÏ´Â ¿äÀεéÀº ´ÙÀ½°ú °°´Ù

¡Ü °í°´°úÀÇ »óÈ£ÀÛ¿ë ¹× ¼Ò¼È ¹Ìµð¾î, ¼¾¼­, ¿¬°á ±â±â, ±â°è·ÎºÎÅÍ »ý¼ºµÇ´Â ¹æ´ëÇÑ ¾çÀÇ µ¥ÀÌÅÍ
¡Ü ³ë·ÃÇÑ ¿£Áö´Ï¾îÁ¶Â÷ ¼­·Î ¿¬°áµÈ ÇÏÀ§½Ã½ºÅÛÀÇ º¹À⼺°ú ÇØ´ç ½Ã½ºÅÛ°£ÀÇ »óÈ£ÀÛ¿ëÀ¸·Î ¹ß»ýÇÏ´Â ½Ã½ºÅÛ ¿ªÇÐÀ» ¿ÏÀüÈ÷ ÀÌÇØÇÏ±â ¾î·Æ´Ù´Â Á¡
¡Ü ÀüÅëÀûÀÎ ½Ã½ºÅÛ °øÇÐÀÌ ºñ¿ëÈ¿À²ÀûÀÎ ¼Ö·ç¼Ç µµÃâ¿¡ ÀÖ¾î Àå¾Ö¹°·Î ÀÛ¿ëÇÑ´Ù´Â ÀÚ°¢
¡Ü Àú·ÅÇÑ Àθ޸𸮠½ºÅ丮Áö, °í¼Ó ÄÄÇ»ÅÍ Çϵå¿þ¾î, »ç¿ëÀÌ °£ÆíÇÑ Å¬¶ó¿ìµå ¼Ö·ç¼ÇÀÇ µîÀå

±â¼ú ¼³¸í

±â°è ÇнÀÀÇ Á߽ɿ¡´Â µ¥ÀÌÅͷκÎÅÍ Áö½Ä ÃßÃâÀ» ¸ñÇ¥·Î ÇÏ´Â ¿©·¯ Åë°èÀû ÇÁ·¹ÀÓ¿öÅ©°¡ Á¸ÀçÇϸç, ÃßÃâÇϰíÀÚ ÇÏ´Â Áö½Ä°ú °¡¿ë µ¥ÀÌÅÍÀÇ Á¾·ù¿¡ ¸Â´Â ÇÁ·¹ÀÓ¿öÅ© ¼±ÅÃÀÌ °¡´ÉÇÏ´Ù. ÀÌ·¯ÇÑ ±â°è ÇнÀ ÇÁ·¹ÀÓ¿öÅ©·Î´Â µ¥ÀÌÅÍÀÇ ±ºÁýÈ­(clustering)¿Í Â÷¿ø Ãà¼Ò(dimensionality reduction)¸¦ À§ÇÑ ÀÚÀ² ÇнÀ(unsupervised learning), ´Éµ¿ ÇнÀ, ÁØÁöµµ ÇнÀ(semisupervised learning), °­È­ ÇнÀ µîÀÌ ÀÖ´Ù.

°¡Àå ´ëÇ¥ÀûÀÎ ±â°è ÇнÀÀº ‘Áöµµ ÇнÀ(supervised learning)’À¸·Î, Àüü ±â°è ÇнÀ °ü·Ã ¿ë·ÊÀÇ 95%¿¡ ÇØ´çÇÑ´Ù. Áöµµ ÇнÀÀÇ Çʼö ¿ä¼ÒÀÎ ‘ÈÆ·Ã µ¥ÀÌÅÍ(training data)’´Â ±â°è ÇнÀ ¸ðµ¨À» °¡¸£Ä¡´Âµ¥ »ç¿ëµÇ´Â °³³äÀ¸·Î ±â°è ÇнÀÀÌ Á¦°øÇؾ߸¸ ÇÏ´Â °üÃø°ª°ú °á°ú°ª °£ÀÇ ¹Ù¶÷Á÷ÇÑ ´ëÀÀ°ü°è(mapping)¸¦ ¼³¸íÇÑ´Ù. ÀÌ·¯ÇÑ ´ëÀÀ°ü°è¸¦ Ȱ¿ëÇØ ¸ÅÃâ, ¼ö¿ä µîÀÇ Á¤·®¿¹ÃøÀ̳ª ±â°è °íÀå, °í°´ ±¸¸Å/ÀÌÅ» °°Àº ƯÁ¤ »óȲÀÇ ºÐ·ù, ÇØ´ç »óȲÀÌ ÀϾ °¡´É¼ºÀ» ¿¹ÃøÇÒ ¼ö ÀÖ´Ù.

Áöµµ ÇнÀ¿¡¼­ÀÇ ¸ðµ¨ ¼±Á¤(Model Selection)À̶õ, ƯÁ¤ µ¥ÀÌÅͷκÎÅÍ ¿¹ÃøÇϰíÀÚ ÇÏ´Â »óȲÀ» ¸ÅÇÎ(Mapping)Çϰųª Ãß»óÀûÀÎ ÆÐÅÏÀ» ¼³¸íÇÏ´Â ¹æ½ÄÀ» °í¸£´Â °ÍÀÌ´Ù. °¡Àå ´Ü¼øÇÑ À¯Çü¿¡´Â ¼±Çü ȸ±Í ºÐ¼®(Linear Regressions) ¶Ç´Â ¼º°úÁöÇ¥(Scorecards)°¡ ÀÖ°í, Á¶±Ý ¹ßÀüµÈ ÇüÅ¿¡´Â ÀÇ»ç°áÁ¤ Æ®¸®(Decision Trees)¿Í ½Å°æ ȸ·Î¸Á(Neural Nets)ÀÌ ÀÖÀ¸¸ç, ÇöÀç °¡Àå ¹ßÀüµÈ À¯ÇüÀ¸·Î´Â ¾Ó»óºí ¸ðµ¨(Ensemble Model)°ú ½ÉÃþ ½Å°æ ȸ·Î¸Á(Deep Neural Nets)ÀÌ ÀÖ´Ù.

Áöµµ ÇнÀ

¼Ò¸Å À¯Åë¾÷ÀÚ°¡ ƯÁ¤ ¼Ò¸ÅÁ¡¿¡¼­ ÇÑ °í°´ÀÇ ÁöÃâ¾×À» ÃßÁ¤ÇϰíÀÚ ÇÑ´Ù°í »ó»óÇØº¸ÀÚ. °è»êÀ» ´Ü¼øÇÏ°Ô Çϱâ À§ÇØ °í°´À» ÇØ´ç ¼Ò¸ÅÁ¡À¸·ÎºÎÅÍ °ÅÁÖÁö±îÁöÀÇ °Å¸®, Áï (x)¿¡ µû¶ó ±¸ºÐÇϱâ·Î ÇÑ´Ù. °¢ °í°´(x)°¡ ¼Ò¸ÅÁ¡À» ¹æ¹®ÇÒ ¶§¸¶´Ù ¼ÒºñÇÏ´Â ÁöÃâ¾×(y)À» ¿¹ÃøÇغ¸¶ó.

Çö½Ç¿¡¼­´Â ¼ö¹é¸¸ °³ÀÇ µ¥ÀÌÅÍ Æ÷ÀÎÆ®¸¦ °í·ÁÇØ¾ß°ÚÁö¸¸, ¿©±â¼­´Â ÈÆ·Ã µ¥ÀÌÅ͸¦ ±¸¼ºÇÏ´Â µ¥ÀÌÅÍ Æ÷ÀÎÆ®°¡ ¿ÀÁ÷ 4°³¶ó°í °¡Á¤ÇÑ´Ù. ¸¸¾à µ¥ÀÌÅÍ »çÀÌ¾ðÆ¼½ºÆ®µéÀÌ ¼±Çü ȸ±Í¸¦ »ç¿ëÇÑ´Ù¸é, ÁöÃâ¾× (y)´Â ¶óÀÎ a*x+b·Î °è»êµÇ°í, ÇØ´ç ¶óÀο¡¼­ ‘a’´Â ±â¿ï±â(slope), ‘b’´Â ±³Â÷Á¡(intercept)¿¡ ÇØ´çÇÑ´Ù.

   
¡ã Áöµµ ÇнÀÀÇ ÀÌÇØ(Ãâó: °¡Æ®³Ê(2014³â 8¿ù)
 

±â¿ï±â¿Í ±³Â÷Á¡À» ±¸ÇÏ´Â °úÁ¤Àº µ¥ÀÌÅ͸¦ ¼öÇÐÀû ÃÖÀûÈ­ ÇÁ·Î¼¼½º(Mathematical Optimization Process)¿¡ Àû¿ëÇÏ´Â °ÍÀ̸ç, ÀÌ´Â ÁÖ¾îÁø ÈÆ·Ã µ¥ÀÌÅÍ¿¡ °¡Àå ±ÙÁ¢ÇÑ ¶óÀÎÀ» µµÃâÇÏ·Á´Â °ÍÀÌ´Ù.

¼±Çü ȸ±Í¿Í ·ÎÁö½ºÆ½(logistic) ȸ±Í ¸ðµ¨ÀÇ °³³ä ÀÚü´Â ´Ü¼øÇÏÁö¸¸, À̵éÀº ±â°è ÇнÀ ºÐ¾ß¿¡¼­ °¡Àå ¼º°øÀûÀÎ ¸ðµ¨ÀÌ´Ù. Åë°èÇÐ°è ¼ø¼öÁÖÀÇÀÚµéÀº ÀÌ ¸ðµ¨µéÀ» ±â°è ÇнÀÀ̶ó ĪÇϴµ¥ ¹Ý´ëÇÒ ¼ö ÀÖÁö¸¸, °³³ä ÀÚü´Â µ¿ÀÏÇÏ¸ç ½ÇÁ¦ ±â°è ÇнÀ¿¡¼­ ÈǸ¢ÇÑ ¼º°ú¸¦ ³»°í ÀÖ´Ù. ¾Õ¼­ µç ¿¹¿¡¼­ ¼±Çü ȸ±Í ºÐ¼®À» Ȱ¿ëÇϸé, °¡Àå °¡±î¿î ¼Ò¸ÅÁ¡À¸·ÎºÎÅÍ 15¸¶ÀÏ ¶³¾îÁø °÷¿¡ »ç´Â °í°´ÀÇ ÁöÃâ¾×À» 80´Þ·¯·Î ¿¹ÃøÇÒ ¼ö ÀÖ´Ù.

¿î¿µ ¿ä°Ç

ÆÐŰÁö ¾ÖÇø®ÄÉÀÌ¼Ç ÀÌ¿ëÀ̳ª ÀÚü ½Ã½ºÅÛ ±¸Ãà¿¡ À־ ±â°è ÇнÀ ¼Ö·ç¼ÇÀÇ ¿î¿µ ¶óÀÌÇÁ »çÀÌŬÀ» ÀÌÇØÇÏ´Â °ÍÀÌ ¹«¾ùº¸´Ù Áß¿äÇÏ´Ù. ¿î¿µ ¶óÀÌÇÁ »çÀÌŬÀº ´ÙÀ½ 5´Ü°è ¸ðµ¨·Î ¼³¸íµÉ ¼ö Àִµ¥, ÀÌ´Â ¿©·¯ »ê¾÷¿¡ Àû¿ë °¡´ÉÇÑ CRISP-DM(Cross Industry Standard Process for Data Mining) ¹æ¹ý·ÐÀÇ ´Ü¼øÈ­µÈ ¹öÀüÀÌ´Ù. ±â°è ÇнÀ ¿î¿µ »çÀÌŬÀº ´ÙÀ½ÀÇ °úÁ¤À» Æ÷ÇÔÇÑ´Ù.

   
¡ã Ãâó: CRISP-DMÀ¸·ÎºÎÅÍ ÃßÃâ

¡Ü ºñÁî´Ï½º ÀÌÇØ (Business Understanding)
¡Ü µ¥ÀÌÅÍ ÀÌÇØ (Data Understanding)
¡Ü µ¥ÀÌÅÍ Áغñ ¹× Ư¡ ¿£Áö´Ï¾î¸µ (Data Preparation and Feature Engineering)
¡Ü °ËÁõ°úÁ¤À» Æ÷ÇÔÇÑ ¸ðµ¨ ÇÁ·ÎÅäŸÀÌÇÎ (Model Prototyping)
¡Ü ¸ðµ¨ ¼³Ä¡ (Model Development)

1~2´Ü°è´Â ´ç¸éÇÑ ºñÁî´Ï½º ¹®Á¦¿Í °ü·Ã ºñÁî´Ï½º ÇÁ·Î¼¼½º¿¡ ´ëÇÑ ±âº»ÀûÀÎ ÀÌÇØ¸¦ ¹ÙÅÁÀ¸·Î °¡¿ë µ¥ÀÌÅÍ ¼Ò½º Áß È°¿ë °¡´ÉÇÑ µ¥ÀÌÅ͸¦ ¸ðÀ¸´Â ÀÛ¾÷À» Æ÷ÇÔÇÑ´Ù. ºñÁî´Ï½º ¹®Á¦¿¡ ´ëÇÑ ±íÀº ÀÌÇØ ¾øÀÌ´Â ±â°è ÇнÀ ÇÁ·¹ÀÓ¿öÅ©¿¡ ¸Â°Ô µ¥ÀÌÅ͸¦ ÀûÀýÈ÷ º¯È¯Çϴµ¥ ½ÇÆÐÇÒ ¼ö ÀÖ´Ù.

3´Ü°è´Â µ¥ÀÌÅÍ »çÀÌ¾ðÆ¼½ºÆ®µéÀÌ Á¾Á¾ ÀÛ¾÷ ½Ã°£ÀÇ ´ëºÎºÐÀ» ÇÒ¾ÖÇÏ´Â ‘µ¥ÀÌÅÍ Áغñ’¿Í ‘ÇÇó ¿£Áö´Ï¾î¸µ’ ´Ü°èÀÌ´Ù. ÀÌ ´Ü°èÀÇ ¸ñÇ¥´Â Á¤È®ÇÑ ¿¹Ãø°ú Áø´Ü°ªÀ» Á¦°øÇÒ °¡Àå ¿¬°ü¼º ÀÖ´Â µ¥ÀÌÅÍ ÆÄÆ®¿¡ Á¢±ÙÇÏ´Â °ÍÀÌ´Ù. ¶ÇÇÑ, µ¥ÀÌÅͰ¡ ±â°è ÇнÀ ½Ã½ºÅÛ¿¡ Àû¿ëµÇ´Â ¹æ½Ä°ú °ü·ÃÀÌ ±í´Ù. À̸¦ ÇÇó ¿£Áö´Ï¾î¸µÀ̶ó ºÎ¸£¸ç, ´ëºÎºÐ ½ÃÇàÂø¿À¸¦ ÅëÇØ ÇàÇØÁø´Ù. 3´Ü°è¿¡¼­ ¸¹Àº ½Ã°£ÀÌ ¼Ò¿äµÇ´Â ¸¸Å­, µ¥ÀÌÅÍ °úÇÐÀÚ´Â ´ë·®ÀÇ µ¥ÀÌÅ͸¦ °Å¸£°í, º¯È¯Çϰí, ÇÕÄ¡°í, ºÐ·ùÇÏ´Â Àü¹®°¡, ‘µ¥ÀÌÅÍ ·©±Û·¯(data wrangler)’ÀÇ µµ¿òÀ» ¹Þ±âµµ ÇÑ´Ù.

4´Ü°è¿¡¼­´Â ÈÆ·Ã°ú °ËÁõÀÌ ÀÌ·ïÁö¸ç, °è»êÀûÀ¸·Î ±î´Ù·Î¿ï ¼ö ÀÖ´Ù. ƯÈ÷, ½ÉÃþ ½Å°æ ȸ·Î¸ÁÀ̳ª ¼­Æ÷Æ® º¤ÅÍ ¸Ó½Å(support vector machine)°ú °°ÀÌ º¹ÀâÇÑ ±â°è ÇнÀ ¸ðµ¨À» »ç¿ëÇÒ ¶§ ´õ¿í ±×·¯ÇÏ´Ù. Å×½ºÆÃ ´Ü°è ÀÚüµµ °è»êÀûÀ¸·Î ±î´Ù·Î¿ï ¼ö ÀÖÀ¸¸ç, µ¥ÀÌÅͰ¡ ºÎÁ·ÇØ Àü¹®°¡ °ËÁõ Å×Å©´ÐÀÌ ¿ä±¸µÇ´Â °æ¿ì ƯÈ÷ ±×·¸´Ù.

5´Ü°è´Â ÃÖÁ¾ °á°ú¸¦ ±¸ÇöÇÒ ¼ö ÀÖ´Â ºñÁî´Ï½º ÇÁ·Î¼¼½º ÀÎÇÁ¶ó°¡ ÇÊ¿äÇÑ ´Ü°èÀÌ´Ù. ÀÌ ´Ü°èÀÇ ¸ñÀûÀº ´õ¿í Á¤È®ÇÑ ÀÇ»ç °áÁ¤À» À§ÇØ ±â°è ÇнÀ¿¡¼­ µµÃâÇÑ ÆÐÅÏÀ» ºñÁî´Ï½º ȯ°æ¿¡ Àû¿ëÇÏ´Â °ÍÀÌ´Ù. ÀϹÝÀûÀÎ ¸ðµ¨ ±¸Ãà ¹æ¹ý¿¡´Â ÀÎ-µ¥ÀÌÅͺ£À̽º ½ºÄھ(in-database scoring), ¿¹Ãø¸ðÇüÇ¥½Ã¾ð¾î(Predictive Model Markup Language), R¾ð¾î(R language), ¼­ºñ½ºÁöÇâ ¾ÆÅ°ÅØÃ³(SOA: Service-Oriented Architecture) ¶Ç´Â ·ê ¿£Áø(rule engine) µîÀÌ ÀÖ´Ù.

ÀϹÝÀûÀ¸·Î À§ 5´Ü°è´Â ¹Ýº¹µÈ´Ù´Â Á¡À» À¯³äÇ϶ó. ƯÁ¤ ´Ü°è¸¦ ¼öÇàÇÏ´Â µ¿¾È, Àüü ¼Ö·ç¼ÇÀ» °³¼±Çϱâ À§ÇØ ÀÌÀü ´Ü°è·Î µ¹¾Æ°¡¼­ º¯°æÀ» ÁøÇàÇÒ ¼ö ÀÖ´Ù.

»ç·Ê

±â¾÷ÀÇ ±â°è ÇнÀ Ȱ¿ë »ç·Ê´Â ¸Å¿ì ´Ù¾çÇÏ´Ù. ±× Áß ¸î¸î ±â´É ¹× »ê¾÷ »ç·Ê¸¦ Á¦½ÃÇÑ´Ù.

¡Ü ¿µ¾÷ ¹× ¸¶ÄÉÆÃ

- Á¦Ç° Ãßõ(product recommendation)À̳ª ÃÖÀû ´ë¾È Á¦½Ã(next best action)µî ÃֽЏ¶ÄÉÆÃ ±â¹ý¿¡¼­, ±¸¸Å °¡´É¼ºÀÌ °¡Àå ³ôÀº Á¦Ç°À» ¿¹ÃøÇϱâ À§ÇØ ±â°è ÇнÀ ¸ðµ¨ÀÌ »ç¿ëµÈ´Ù. ±¸¸Å °æÇâ(propensity-to-buy) ¸ðµ¨À̶ó°íµµ ºÒ¸®´Â ÀÌ ¸ðµ¨Àº ÃÖ±Ù ±¸¸Å³»¿ª, °³ÀÎÁ¤º¸¿Í °°Àº °í°´ ÇÁ·ÎÆÄÀÏÀ» ÀÔ·ÂÁ¤º¸(input)·Î Ȱ¿ëÇØ ÇØ´ç °í°´ÀÌ ÁÖ¾îÁø Á¦¾È¿¡ ¹ÝÀÀÇÒ °¡´É¼ºÀ» ¿¹ÃøÇÑ´Ù.

- °í°´ ÀÌÅ» °æÇâ(customer churn propensity)Àº À§ »ç·Ê¿Í ¸Å¿ì À¯»çÇÏÁö¸¸, °í°´ÀÇ ÀÌÅ» °æÇâÀ» ÃßÁ¤ÇÑ´Ù´Â Á¡ÀÌ ´Ù¸£´Ù.

- ‘´ÙÀ̳»¹Í ÇÁ¶óÀ̽Ì(Dynamic Pricing)’ ±â°è ÇнÀ ¸ðµ¨Àº °ú°Å ¸ÅÃâ, ³¯¾¾, °æÀï°ü°è µî ³»·¿ÜºÎ ¿äÀÎÀ» °¨¾ÈÇÏ¿©, ƯÁ¤ °¡°Ý´ë¿¡¼­ ÇØ´ç Á¦Ç°¿¡ ´ëÇÑ ¼ö¿ä¸¦ ¿¹ÃøÇÑ´Ù.

¡Ü À§Çè ¹× »ç±â °ü¸®

- ÀÌ»ó°Å·¡Å½Áö(fraud detection) °úÁ¤¿¡¼­ ±â°è ÇнÀÀº ÀϹÝÀûÀ¸·Î ƯÁ¤ °Å·¡ÀÇ ¹ß»ý °¡´É¼ºÀ» ¿¹ÃøÇϴµ¥ »ç¿ëµÇ¸ç, ÇöÀç ÁøÇà ÁßÀÎ °Å·¡ÀÇ À§Çèµµ°¡ ¾ó¸¶³ª ³ôÀºÁö º¸¿©ÁØ´Ù.

- ½Å¿ëÀ§Çè(credit risk)¿¡¼­ ±â°è ÇнÀ ¼Ö·ç¼ÇÀº ´ëÃâ ½ÅûÀÚÀÇ »çȸ°æÁ¦ÀûÀΠƯ¼º, ½Å¿ëÁ¤º¸¿Í Áö±ÞÀ̷°ú °°Àº ¼¼ºÎÁ¤º¸¸¦ ¹ÙÅÁÀ¸·Î ƯÁ¤ ´ëÃâ¿¡ ´ëÇÑ Ã¤¹«ºÒÀÌÇà °¡´É¼ºÀ» ¿¹ÃøÇÑ´Ù.

¡Ü °ø°ø ¼­ºñ½º, ½º¸¶Æ® ½ÃƼ, ½º¸¶Æ® ±³Åë

- ¿¹Ãø ¹æ¹ü ¼ö»ç(predictive policing)´Â ³¯¾¾, °èÀý, ±³Åë, ½ºÆ÷Ã÷ À̺¥Æ®, ÃÖ±Ù ¹üÁË ¹× Á˼ö ¼®¹æ ÇöȲ µî°ú °°Àº µµ½ÃÀÇ Çö ¿ä°ÇÀ» °¨¾ÈÇÏ¿©, ÇØ´ç µµ½Ã ³»¿¡¼­ °ø°ø¹üÁË, »ìÀÎ, Àýµµ µîÀÇ Æ¯Á¤ ¹üÁ˰¡ ÀϾ °¡´É¼ºÀ» ¿¹ÃøÇÑ´Ù. ÀÌ¿Í °°Àº ¹üÁË ¿¹ÃøÀÌ ÀûÁßÇÒ °¡´É¼ºÀº ¸Å¿ì ³·Áö¸¸, Àü¹ÝÀûÀ¸·Î ¼øÂû ÀηÂÀ» ÀûÀýÈ÷ ¹èÄ¡Çϴµ¥ ÈξÀ È¿°úÀûÀÌ´Ù.

- ±¸±ÞÂ÷ °æ·Î ¹èÁ¤(emergency car routing)ÀÇ °æ¿ì, º´¿ø Á÷¿ø ¼ö, ȯÀÚ µ¥ÀÌÅÍ, ÀÔ¿ø ÁßÀΠȯÀÚµéÀÇ Áõ»ó°ú °°Àº ÅõÀÔ º¯¼öµé(input factors)À» ÀÌ¿ëÇÏ¿©, ¿©·¯ º´¿øÀÇ ÀÀ±Þ½Ç ´ë±â½Ã°£À» ´ë·«ÀûÀ¸·Î ¿¹ÃøÇϰí, ±¸±ÞÂ÷°¡ ´ë±â½Ã°£À» ÃÖ¼ÒÈ­ ÇÒ ¼ö ÀÖ´Â ¹æ¾ÈÀ» ¾Ë·ÁÁØ´Ù.

- ÀÚ¿ø ¹èºÐ(resource allocation)Àº ±â°è ÇнÀ ȸ±Í ¹®Á¦·Î °ø½ÄÈ­ÇÒ ¼ö ÀÖ´Ù. ¼ö¿ä ÀÌ·Â, ³¯¾¾, ¼¾¼­ µ¥ÀÌÅÍ ¶Ç´Â ±³Åë »óȲ µî°ú °°Àº ÀÔ·ÂÁ¤º¸¸¦ »ç¿ëÇØ ¼ö¿ä¸¦ ÃøÁ¤ÇÑ ÈÄ ÀÚ¿øÀ» ÀûÀýÈ÷ ¹èºÐÇϴµ¥ Ȱ¿ë °¡´ÉÇÏ´Ù. ´º¿å½ÃÀÇ ¾¾Æ¼ ¹ÙÀÌÅ©(Citi Bike), ½ÃÄ«°íÀÇ µðºñ ¹ÙÀÌÅ©½º(Divvy Bikes), ¾Ï½ºÅ׸£´ãÀÇ ¸Æ¹ÙÀÌÅ©(MacBike)¿Í ÆÄ¸®ÀÇ º§¸®ºê(Velib) µî ´Ù¾çÇÑ µµ½ÃÀÇ ÀÚÀü°Å °øÀ¯ ½Ã½ºÅÛÀÌ ½ÇÁ¦ ±â°è ÇнÀÀ» Ȱ¿ë ÁßÀÌ´Ù. ƯÁ¤ ¿ª¿¡¼­ ÀÌ¿ë °¡´ÉÇÑ ÀÚÀü°Å ¼ö°¡ ¹®Á¦°¡ µÇ°ï Çϴµ¥, ÀÌ¿ë·üÀ» ÃÖ´ëÈ­Çϱâ À§ÇØ ÀÚÀü°Å Àç°í·®ÀÌ Áö¼ÓÀûÀ¸·Î Á¶Á¤µÉ Çʿ䰡 ÀÖ´Ù.

- ±³Åë ÃÖÀûÈ­(Traffic Optimization)´Â ¼¾¼­ µ¥ÀÌÅÍ(sensor data), »ç°í, µµ·Î °ø»ç »óȲÀ» Ȱ¿ëÇØ ±³ÅëüÁõ ÆÐÅÏÀ» ÆÄ¾ÇÇÏ´Â °ÍÀ¸·Î ½ÇÇö °¡´ÉÇÏ´Ù. ¿©±â¼­ ±â°è ÇнÀÀº ±³Åë üÁõ ¶Ç´Â µµ·Î ÅëÁ¦ µîÀ» ¿¹ÃøÇÏ°í ´ëÁß ¹ö½º, ½Â¿ëÂ÷, »ó¾÷¿ë Â÷·®¿¡ ºü¸¥ °æ·Î¸¦ Á¦¾ÈÇÑ´Ù.

- Â÷·® ÀÚµ¿È­(Vehicle Automation)¿¡¼­ Ÿ Â÷·®À̳ª º¸ÇàÀÚ¿ÍÀÇ Ãæµ¹À» ¸·±â À§ÇØ Â÷ÀÇ À§Ä¡¸¦ Á¶Á¤ÇÏ´Â ÀÚµ¿ Á¶Çâ(steering) ±â¼úÀº ²Ï ±î´Ù·Î¿î ¹®Á¦ÀÌ´Ù. ÀÚµ¿ Á¶ÇâÀ» ±â°èÇнÀ¿¡ Àû¿ëÇϸé, µðÁöÅÐÈ­µÈ ÀÚµ¿Â÷ÀÇ Àü¹æ Á¶¸ÁÀ» ÀÚµ¿Â÷ ¾Õ¹ÙÄû À§Ä¡¿¡ ´ë·«ÀûÀ¸·Î ¸ÂÃâ ¼ö ÀÖ´Ù. ±¸±Û(Google)ÀÇ °æ¿ì, ½ºÆ®¸®Æ® ºä(Street View) ÇÁ·ÎÁ§Æ®¸¦ À§ÇÑ »çÁø µ¥ÀÌÅ͸¦ ¼öÁýÇÏ¸ç ±× ºÎ»ê¹°·Î ÀÚµ¿ Á¶Çâ¿¡ ÇÊ¿äÇÑ ÈÆ·Ã µ¥ÀÌÅ͸¦ ¸ðÀ¸´Â ÁßÀÌ´Ù.

¡Ü °ø±Þ »ç½½ ÇÁ·Î¼¼½º ¹× µðÁöÅÐ »ý»ê

- ÀÚ»ê ¼º´É °ü¸®(asset performance management)¿¡¼­ ±â°è ÇнÀÀº dz·Â Åͺó, ž翭 ÆÐ³Î, ÇÙ ¿øÀÚ·Î µîÀÇ Àڻ꿡 ´ëÇÑ ¿î¿µ Á¶°ÇÀ» ÀÔ·ÂÁ¤º¸·Î Ȱ¿ëÇØ Àå¾Ö ¹ß»ý ½ÃÁ¡À» ¿¹ÃøÇÑ´Ù. À¯Áöº¸¼ö ºñ¿ëÀ» ÁÙÀ̰í, ´Ù¿îŸÀÓÀ» ÃÖ¼ÒÈ­ÇÏ´Â °ÍÀÌ ¸ñÀûÀÌ´Ù.

- »ý»ê °úÁ¤(production processes) ÃÖÀûÈ­ÀÇ °æ¿ì, »ý»ê °úÁ¤ÀÇ Çö ¼º´É ÁöÇ¥¸¦ ÀÔ·Â Á¤º¸·Î ÃëÇÑ ´ÙÀ½, »ý»ê °úÁ¤ÀÇ ¾î´À °÷¿¡ °¡º¯¼ºÀÌ Á¸ÀçÇÏ´ÂÁö, ÀÌ·¯ÇÑ °¡º¯¼ºÀ» ¾î¶»°Ô °ü¸® ¶Ç´Â Á¦°ÅÇÒ °ÍÀÎÁö °áÁ¤ÇÑ´Ù. ÀÌ´Â Á¦Ç° ´Ü°¡¸¦ ÃÖ¼ÒÈ­Çϰí, Àåºñ °¡µ¿·üÀ» °³¼±ÇÏ´Â µ¿½Ã¿¡ ´Ù¾çÇÑ Á¦Ç° ±¸¼ºÀ» ¼ö¿ëÇϴµ¥ µµ¿òÀ» ÁØ´Ù.

- â°í ÀÚµ¿È­(warehouse automation)¿¡¼­ ±â°è ÇнÀÀº ÀÛ¾÷·®, Á¦Ç° À§Ä¡, ¼³ºñ °¡µ¿·ü»Ó¸¸ ¾Æ´Ï¶ó °í°´ ¼ö¿ä, â°í Åë·ÎÀÇ ½Ç½Ã°£ À̹ÌÁö, ¼­ºñ½º ¼öÁØ µîÀÇ ÀÔ·Â Á¤º¸¸¦ ÃëÇØ â°í ÀÚ¿øÀ» ÃÖÀûÈ­ÇÏ°í ´õ ³ª¾Æ°¡ »ý»ê¼º °³¼±°ú ºñ¿ë ÃÖ¼ÒÈ­¸¦ ´Þ¼ºÇÑ´Ù.

- ¿ø°Ý Ž»ç(remote sensing)¿¡¼­ ±â°è ÇнÀÀº À̹ÌÁö, Àû¿Ü¼± ¶Ç´Â ¹æ»ç¼± ¼öÁØ µî »ç¹°¿¡ ´ëÇÑ °¨°¢ ¼öÄ¡¸¦ ÀÔ·ÂÁ¤º¸·Î ÃëÇÏ¿©, ÇØ´ç ¹°Ã¼¸¦ À籸¼ºÇÑ´Ù. ÀÌ´Â Àη¿¡ ÀÇÇÑ Á÷Á¢ Á¶»ç°¡ ºÒ°¡´ÉÇϰųª, ¸¹Àº ºñ¿ëÀÌ ¿ä±¸µÇ´Â À§ÇèÇÑ È¯°æÀÇ »ê¾÷ ºÐ¾ß¿¡¼­ ´Ù¾çÇÏ°Ô È°¿ëµÈ´Ù.

¡Ü ÇコÄɾî

- ÄÄÇ»ÅÍ Áö¿ø Áø´Ü(computer-aided diagnostics)¿¡¼­ ±â°è ÇнÀÀº ¹ÙÀÌÅÐ »çÀÎ, Áõ»ó, ½ÇÇè½Ç °Ë»ç ¶Ç´Â µ¶¼º¹°Áú ³ëÃâ µî°ú °°Àº ȯÀÚÀÇ »óŸ¦ ÀÔ·ÂÁ¤º¸·Î »ï¾Æ Áúº´À» Áø´ÜÇϰí, ½ÉÁö¾î Ä¡·á¹ýÀ» Á¦¾ÈÇÑ´Ù. ÀÇ»çµéÀÇ ¹Ý´ë¿Í ½Ã½ºÅÛ¿¡ ´ëÇÑ »çȸÀû È®½Å ºÎÁ·À¸·Î ÄÄÇ»ÅÍ Áö¿ø Áø´Ü ½Ã½ºÅÛÀÇ º¸±ÞÀº ´õµò »óȲÀÌÁö¸¸ Áõ°Å ±â¹Ý Áø´Ü(evidence-based diagnostics) ½Ã½ºÅÛÀÌ Áö¼ÓÀûÀ¸·Î °³¼±µÊ¿¡ µû¶ó °ð º¯È­°¡ ÀÖÀ» Àü¸ÁÀÌ´Ù. ÇöÀç ¼¾¼­°¡ ±Þ¼ÓÈ÷ È®»êµÇ´Â °ÍÀ» °í·ÁÇϸé, ±â°è ÇнÀÀÌ ÀÇ»çµéº¸´Ù ´õ Á¤È®ÇÑ Áø´ÜÀ» Á¦°øÇÒ ¼ö ÀÖÀ» °ÍÀÌ´Ù.

- Á÷¿ø ´ë»ó Á¶±â °æº¸ ½Ã½ºÅÛ(early-warning systems for employees)¿¡¼­ ±â°è ÇнÀ ¸ðµ¨Àº °ø±â ¿À¿°µµ, Àåºñ ¼º´É, Á÷¿ø »ý»ê¼º°ú ÀÌ»ó Çൿ µî À§Çè ȯ°æ¿¡¼­ÀÇ ¼¾¼­ µ¥ÀÌÅ͸¦ ºÐ¼®ÇØ »ç°í °¡´É¼ºÀ» ¿¹ÃøÇÑ´Ù. Æ®·° ¿îÀüÀڵ鿡°Ô ÀáÀçÀû »ç°í¸¦ ¾Ë¸®±â À§ÇÑ ¿ëµµ·Î ³Î¸® äÅõſ ¹Ù ÀÖ´Ù.

¡Ü »ç¿ëÀÚ ÀÎÅÍÆäÀ̽º °³¼±À» À§ÇÑ ÀÎÁö ´É·Â

ÃÖ±Ù ½ÉÃþ ½Å°æ ȸ·Î¸ÁÀÇ ¹ßÀüÀ¸·Î, ‘µè±â,’ ‘Àбâ’, ‘º¸±â’ µî ÄÄÇ»ÅÍ¿Í ±â°èÀÇ ÀÎÁö´É·ÂÀÌ È®ÀåµÇ°í ÀÖ´Ù.

- À½¼º ÀνÄ(speech recognition)Àº ±âº»ÀûÀ¸·Î À½Çâ µ¥ÀÌÅͰ¡ ÅØ½ºÆ® µ¥ÀÌÅÍ·Î º¯È¯µÇ´Â ¸ÊÇÎ ÀÛ¾÷À» ÀǹÌÇϸç, °Å´ë ÈÆ·Ã µ¥ÀÌÅÍ ¼¼Æ®¿¡ ±â¹ÝÇÑ´Ù. ÃÖ±Ù ½ÉÃþ ½Å°æ ȸ·Î¸Á°ú °°Àº °í±Þ ºÐ¼® Å×Å©´Ð À¯ÇüÀÌ À½¼º ÀνÄÀ» »ó´çÈ÷ °³¼±Çß´Ù.

- ÅØ½ºÆ® ºÐ¼®(text analytics)Àº ´ë·®ÀÇ ÅØ½ºÆ® ÁýÇÕÀ» Áö½Ä ±×·¡ÇÁ·Î Ç¥ÇöÇÏ´Â °ÍÀÌ´Ù. ÀÌ ÀÛ¾÷Àº ÁÖ·Î ÅØ½ºÆ® ³»¿¡ µ¶¸³µÈ °³Ã¼µé°ú ±×µéÀÇ °ü°è¸¦ ½Äº°ÇÔÀ¸·Î½á ÀÌ·ç¾îÁø´Ù. ÀÌ·± ½Äº° ÀÛ¾÷Àº Á¡Â÷ ±â°è ÇнÀ¿¡ ÀÇÁ¸Çϰí ÀÖÀ¸¸ç, ±â°è ÇнÀÀº ÅØ½ºÆ®°¡ °ü·Ã °³Ã¼¿Í ´ëÀÀµÇ´Â °úÁ¤À» ´ã´çÇÑ´Ù. °ü·Ã ºÐ¾ß ¶ÇÇÑ ºü¸£°Ô ¹ßÀü ÁßÀÌ´Ù.

- À̹ÌÁö ÀνÄ(image recognition)Àº “»çÁø ¼Ó ÆÒ ³¯°³¿¡ ÈìÀÌ ¾ø´Â°¡?” ȤÀº “ÀÌ ±æ°Å¸® »çÁø ¼Ó¿¡ »ç¶÷ÀÌ Àִ°¡?”¿¡ µû¶ó »çÁøÀ» ºÐ·ùÇÏ´Â °ÍÀÌ´Ù. À̹ÌÁö ÀνÄÀÇ ÇÑ ºÐ¾ßÀÎ ¾ó±¼ ÀνÄ(Face Recognition)Àº ¾ó±¼ À̹ÌÁöÀÇ ºñÆ®¸ÊÀ» ÀνÄÇØ, ÇØ´ç Àι°ÀÇ À̸§À» Á¦°øÇÑ´Ù.

¡Ü ÇýÅðú À§Çè

¹®Á¦ÀÇ º¹À⼺ÀÌ Áõ°¡Çϸ鼭 ½Ã½ºÅÛ ¼³°èÀÚ¿Í ¼Ö·ç¼Ç ¿£Áö´Ï¾î°¡ ¹®Á¦¸¦ ¿ÏÀüÈ÷ ÀÌÇØÇϴµ¥ ´õ ¸¹Àº ½Ã°£ÀÌ ¼Ò¿äµÇ¸ç, ÃÖ¾ÇÀÇ °æ¿ì, ¹®Á¦ ÇØ°á ÀÚü°¡ ºÒ°¡´ÉÇØÁö°í ÀÖ´Ù. ±â°è ÇнÀÀº µðÁöÅÐ ºñÁî´Ï½º ½Ã³ª¸®¿À°¡ °¡Áø º¹À⼺À» ÇØ°áÇÒ ¼ö ÀÖ´Â ¸î °¡Áö ¹æ¾ÈÀ» Á¦½ÃÇÑ´Ù.

- ±â°è ÇнÀÀÌ º¸À¯ÇÑ µ¥ÀÌÅÍ À¶ÇÕ ´É·ÂÀº ´Ù¾çÇÑ µ¥ÀÌÅÍ ¼Ò½º¸¦ °£´ÜÈ÷ ÀÔ·Â º¤ÅÍ(input vector)·Î ¿¬°á½Ãų ¼ö ÀÖ¾î µ¥ÀÌÅÍ ´Ù¾ç¼º ¹®Á¦¸¦ ÇØ°áÇÑ´Ù.

- ±â°è ÇнÀÀº µ¥ÀÌÅÍ ³»¿¡¼­ ƯÁ¤ ÆÐÅÏÀ» ¿¹ÃøÇÒ ¼ö ÀÖ´Â ´Ü¼­¸¦ »ç¿ëÇÑ´Ù. Àü¹®°¡ ¶Ç´Â ÀüÅëÀûÀÎ ¼ÒÇÁÆ®¿þ¾î°¡ ¾î¶² ÆÐÅÏÀ» °¨ÁöÇÒ ¼ö ¾øÀ» ¸¸Å­ »ê¹ßÀûÀÌ°í °íÂ÷¿øÀûÀÎ µ¥ÀÌÅ͸¦ ó¸®ÇØ¾ß ÇÏ´Â °æ¿ì, ±â°è ÇнÀÀÌ ¹®Á¦¸¦ ÇØ°áÇÒ ¼ö ÀÖ´Ù.

- ±â°è ÇнÀÀ» »ç¿ëÇϸé, »ç¶÷ÀÌ ¹®Á¦ÀÇ °³³äÀ» ¿Ïº®ÇÏ°Ô ÀÌÇØÇÒ Çʿ䰡 ¾ø´Ù. ÀÚµ¿ Á¶Çâ ÀåÄ¡ÀÇ °æ¿ì, Á¶Çâ ÀåÄ¡ÀÇ ¹°¸®ÇÐÀûÀÎ °³³ä Á¤µµ´Â ¾Ë¾Æ¾ß°ÚÁö¸¸, ÀÚµ¿Â÷ÀÇ Àü¸é¿¡ ¸ÂÃç Â÷¼±¿¡ ¸ÂÃç ¹ÙÄûÀÇ À§Ä¡°¡ ¾î¶»°Ô ¹Ù²î´Â°¡´Â ¾Ë Çʿ䰡 ¾ø´Ù.

- ±â°è ÇнÀÀº °í°´ Âü¿©µµ, ½Å¿ëÁ¤º¸ ½É»ç°úÁ¤(credit underwriting), ǰÁú ¸ð´ÏÅ͸µ°ú °°ÀÌ Àϰü¼º À¯Áö°¡ Áß¿äÇÑ °æ¿ì, Àü¹® Àηº¸´Ù ÈξÀ ÀϰüµÈ ¼Ö·ç¼ÇÀ» Á¦°øÇÑ´Ù.

Àΰ£ ÇнÀ(human learning)°ú ´Þ¸®, ±â°è ÇнÀÀº ´ë·®ÀÇ µ¥ÀÌÅͼ¼Æ®¸¦ ó¸®Çϰí, »õ·Î¿î ¿äÀÎÀ» °í·ÁÇØ Áö½ÄÀ» Áö¼ÓÀûÀ¸·Î ¾÷µ¥ÀÌÆ® ÇÒ ¼ö ÀÖ´Ù. ±×·¯³ª ´Ù¾çÇÑ ÇýÅÿ¡µµ ºÒ±¸ÇÏ°í ±â°è ÇнÀÀº À§Çè¿ä¼Ò¿Í ÇѰ踦 °¡Áö¸ç, ±× Áß ÀϺδ ¾Æ·¡¿Í °°´Ù.

- °úÀûÇÕ(over-fitting) ¶Ç´Â °úµµÇÑ ÀϹÝÈ­(Overgeneralization) ¹®Á¦´Â ±â°è ÇнÀ ¹æ½ÄÀÌ ³Ê¹«³ª °­·ÂÇØ¼­ ÈÆ·Ã µ¥ÀÌÅ͸¦ Ãß»óÈ­ÇÏÁö ¾Ê°í ¿ÏÀüÈ÷ ¾Ï±âÇßÀ» ¶§ ¹ß»ýÇÑ´Ù. ÀÌ´Â ÀϹÝÀûÀÎ ÆÐÅÏÀ» µµÃâÇØ ³»Áö ¸øÇÏ°Ô Çϸç, ±× °á°ú ÇØ´ç ½Ã½ºÅÛÀÌ »õ·Î¿î Á¤º¸ ¹× ȯ°æÀ» ´Ù·çÁö ¸øÇÏ°Ô µÈ´Ù. ÀÌ ¹®Á¦¸¦ ÇØ°áÇÏ·Á¸é ½Ã½ºÅÛÀÇ ±ÔĢȭ¸¦ Á¦ÇÑÇϰí, Æ÷°ýÀûÀÎ Å×½ºÆ®¸¦ ÅëÇØ °á°ú ¸ðµ¨À» Ç×»ó °ËÁõÇØ¾ß ÇÑ´Ù.

- ¸ðµ¨ ¼º´É ¾àÈ­(model performance deterioration) ¹®Á¦´Â °ú°Å Çö»óµéÀÌ ´õ ÀÌ»ó ¹Ì·¡¿¡ À¯»çÇÏ°Ô ÀϾÁö ¾ÊÀ» ¶§ ¹ß»ýÇÑ´Ù. À¯µ¿ÀûÀÎ ¹°°¡»ó½Â·ü, °èÀý º¯È­, »õ·Î¿î ¸¶ÄÉÆÃ ¹æ¹ý ¹× Á¦Ç° Ãâ½Ã¿Í °°ÀÌ »õ·Ó°í ¿¹ÃøÀÌ ¾î·Á¿î ½ÃÀå º¯È­µé·Î ÀÎÇØ, ¸ðµ¨ÀÌ ‘°íÀå(breaking)’³ª´Â °ÍÀÌ´Ù. ¸ðµ¨ÀÇ ¼º´ÉÀÌ ÀúÇϵǰí, ½ÉÁö¾î À߸øµÈ ¿¹Ãø°ú °áÁ¤À» ³»¸± ¼ö Àֱ⠶§¹®¿¡, ¸ðµ¨ÀÇ ¼º´ÉÀ» Áö¼ÓÀûÀ¸·Î ¸ð´ÏÅ͸µ ÇÏ´Â °ÍÀÌ ¸Å¿ì Áß¿äÇÏ´Ù.

- Ȱ¿ëÇÒ ¼ö ÀÖ´Â Á¤È®ÇÑ µ¥ÀÌÅͰ¡ ÃæºÐÇÏÁö ¾ÊÀ» °æ¿ìµµ ¹®Á¦´Ù. ±â°è ÇнÀ ÇÁ·ÎÁ§Æ®ÀÇ ½ÇÆÐ´Â Á¾Á¾ ºÎÁ¤È®ÇÏ°í ¿ÏÀüÄ¡ ¸øÇÑ µ¥ÀÌÅÍ¿¡¼­ ±âÀÎÇÑ´Ù. ½ÇÁ¦·Î ÁöÁø ¹ß»ý ¿¹Ãø°ú À¯»çÇÑ Ç°Áú ¶Ç´Â Àå¾Ö ¿¹ÃøÀº µ¥ÀÌÅÍ ºÎÁ· ¶§¹®¿¡ ¾ÆÁ÷ ÇØ°áÀÌ ¾î·Æ´Ù. ¾î¶² °æ¿ì´Â °ú°Å Áß ÀϺθ¸ °üÃøÇØ¼­ Àå±âÀûÀÎ µ¥ÀÌÅͰ¡ ºÎÁ·ÇÑ °ÍÀÌ ¹®Á¦À̱⵵ Çϰí, ¿ä±¸µÇ´Â ÀϺΠµ¥ÀÌÅͰ¡ ºñ½Î°Å³ª ¼öÁý ÀÚü°¡ ºÒ°¡´ÉÇØ µ¥ÀÌÅͰ¡ ¿ÏÀüÄ¡ ¸øÇÑ °ÍÀÌ ¹®Á¦°¡ µÇ±âµµ ÇÑ´Ù. ±×·¯³ª µ¥ÀÌÅÍ´Â ½ÇÇèÀ» ÅëÇØ Á÷Á¢ ¼öÁýÇÒ ¼öµµ ÀÖ°í, ¿ÜºÎ ¼Ò½º¸¦ ÅëÇØ Á¶´ÞÇØ ¿Ã ¼öµµ ÀÖ´Ù. ¿¹¸¦ µé¾î, µ¥ÀÌÅͺ£À̽º ¸¶ÄÉÆÃÀÇ °æ¿ì, ‘Å×½ºÆ® Ä·ÆäÀÎ(test campaigns)’À» ½Ç½ÃÇÏ¿© À¯¿ëÇÑ µ¥ÀÌÅ͸¦ ¾òÀ» ¼ö ÀÖ´Ù.

- ¿µ¿ª º¹À⼺(Domain Complexity)À̶õ, ±â°è ÇнÀ ¸ðµ¨ÀÌ ¹°¸®ÇÐÀ̳ª »ý¹°Çаú °°Àº ºÐ¾ßÀÇ ½ÉÃþÀû Àü¹®Áö½ÄÀ» Å͵æÇÒ ¼ö ¾ø´Ù´Â »ç½Ç¿¡ ±â¹ÝÇÑ´Ù. º¹ÀâÇÏ°í ¿¹Ãø ºÒ°¡´ÉÇÑ ÁÖÁ¦ÀÇ ´µ¾Ó½º¸¦ ±â°è ÇнÀÀÌ ÀÌÇØÇÒ ¼ö ¾ø±â ¶§¹®¿¡, ¹ý¿ø ÆÇ°á¿¡ ´ëÇÑ Á¤È®ÇÑ ¿¹Ãø ¿ª½Ã ÇöÀç ºÒ°¡´ÉÇÏ´Ù. À¯»çÇÑ ¿ø¸®·Î, ±â°è ÇнÀÀº °ú°Å ÇнÀµÈ ³»¿ëÀ» ÀüÈÄ »çÁ¤°ú °ü·ÃÁö¾î ´Ù¸¥ ¿µ¿ª¿¡ Àû¿ëÇÏÁö ¸øÇϱ⠶§¹®¿¡, ¹°¸®Çаú ±ÝÀ¶ ¼­ºñ½º °°Àº ºÐ¾ß °£ Â÷ÀÌÁ¡À» ÀÌÇØÇÏÁö ¸øÇÒ ¼ö ÀÖ´Ù.

- »ùÇøµ ¿À·ù ¹× ÆíÇâ(Sampling Error or Bias) ¹®Á¦´Â µ¥ÀÌÅÍ ¼öÁý ¹æ¹ýÀ̳ª µ¥ÀÌÅÍ Ãà¼Ò ÇàÀ§ ¶§¹®¿¡ µ¥ÀÌÅͰ¡ Çö½ÇÀ» ¹Ý¿µÇÏÁö ¸øÇØ ÀϾ´Â ÈçÇÑ ¹®Á¦´Ù. ÇÑ ¿¹·Î ÇàÀο¡°Ô ¼³¹®Áö ÀÛ¼ºÀ» ÁÁ¾ÆÇÏ´ÂÁö ¹¯´Â °æ¿ì¸¦ µé ¼ö ÀÖ´Ù. ÇÑ ÆÀÀÌ ¹Û¿¡ ³ª°¡ 2¸¸°³ÀÇ ¼³¹®Áö¸¦ ¹Þ¾Æ¿Ô´Ù¸é, ÀÀ´äÀÚµéÀÌ ¼³¹®Áö ÀÛ¼ºÀ» ÁÁ¾ÆÇÑ´Ù°í ÇØ¼®ÇÒ ¼ö ÀÖ´Ù. ±×·¯³ª 5¸¸ ¸íÀÇ »ç¶÷µé¿¡°Ô ¹°¾î 2¸¸°³ÀÇ ¼³¹®Áö ÀÀ´äÀ» ¹ÞÀº °ÍÀ̶ó¸é ¼³¹®Áö ÀÛ¼ºÀ» ½È¾îÇÏ´Â 3¸¸ ¸íÀÇ ´äº¯À» ³õÄ£ ¼ÀÀÌ µÈ´Ù.

- ¹Ì·¡ µ¥ÀÌÅÍ À¯Ãâ(Data Leakage from the Future)À̶õ °ú°Å µ¥ÀÌÅÍ¿¡¸¸ ÇØ´çÇÏ´Â ÀÔ·Â µ¥ÀÌÅÍ¿¡ ¹Ì·¡ µ¥ÀÌÅ͸¦ Æ÷ÇÔ½ÃŰ´Â °æ¿ì¸¦ ¸»Çϴµ¥, ¼÷·ÃµÈ µ¥ÀÌÅÍ »çÀÌ¾ðÆ¼½ºÆ®µéµµ Á¾Á¾ ÀÌ·± ½Ç¼ö¸¦ ¹üÇÑ´Ù. ¿¹¸¦ µé¸é ºÎµ¿»ê °¡°ÝÀ» ¿¹ÃøÇÒ ¶§ ¸ÅÀÔ ÀÌÈÄ ÁöºÒÇÏ´Â ÀÎÁö¼¼ ¹× ºÎµ¿»ê ¼ö¼ö·á¿Í °°Àº µ¥ÀÌÅ͸¦ ÀÔ·Â µ¥ÀÌÅÍ¿¡ Æ÷ÇÔ½ÃŰ´Â °æ¿ì´Ù. ÀÌ·± ¸ðµ¨Àº µ¥ÀÌÅÍ °ËÁõ±îÁö´Â ¸Å¿ì ¿ì¼öÇÑ ¿¹Ãø ¼º´ÉÀ» º¸ÀÌ´Ù°¡ ½ÇÁ¦ ±¸Ãà ½Ã¿¡´Â ±²ÀåÈ÷ ³·Àº ÀûÁß·üÀ» º¸ÀδÙ.

Àαâ±â»ç ¼øÀ§
(¿ì)08503 ¼­¿ïƯº°½Ã ±Ýõ±¸ °¡»êµðÁöÅÐ1·Î 181 (°¡»ê W CENTER) 1713~1715È£
TEL : 02-2039-6160  FAX : 02-2039-6163  »ç¾÷ÀÚµî·Ï¹øÈ£:106-86-40304
°³ÀÎÁ¤º¸/û¼Ò³âº¸È£Ã¥ÀÓÀÚ:±è¼±¿À  µî·Ï¹øÈ£:¼­¿ï ¾Æ 00418  µî·ÏÀÏÀÚ:2007.08  ¹ßÇàÀÎ:±è¿ë¼®  ÆíÁýÀÎ:±è¼±¿À