AI의 기초 이해

최신 AI는 데이터 과학 및 기계 학습을 기반으로 하여 판단과 같은 인간의 혜택을 받는 작업을 자동화합니다. 비즈니스 리더의 목표는 수학이 아니며, 더 빠른 인사이트, 더 나은 의사 결정 및 보다 효율적인 운영이라는 안정적이고 반복 가능한 가치입니다.

데이터 과학이란?

데이터 과학은 데이터를 실행 가능한 인사이트를 제공하는 학제 간 분야입니다. 통계, 엔지니어링 및 도메인 전문 지식을 결합하여 문제를 정의하고, 데이터를 준비하고, 결과를 평가합니다. 대부분의 조직에서 데이터 과학자는 AI 솔루션의 설계 및 유효성 검사를 주도합니다.

기계 학습이란 무엇인가요?

기계 학습은 시스템에서 데이터 패턴을 학습하고 예측 또는 분류를 수행할 수 있는 일련의 기술입니다. 더 관련성이 높고 고품질의 데이터를 제공할수록 결과가 더 안정적입니다.

기계 학습의 예:

• 이메일 스팸 검색: 기계 학습은 의심스러운 단어, 차단된 도메인 또는 일치하지 않는 URL과 같은 신호를 식별하여 원치 않는 메시지를 필터링합니다.
• 신용 카드 사기 감지: 기계 학습은 비정형 위치 또는 갑작스런 지출 급증과 같은 비정상적인 패턴을 플래그로 지정하여 위험을 줄입니다.

딥 러닝이란?

딥 러닝은 특히 구조화되지 않은 데이터(이미지, 텍스트, 오디오)에서 계층화된 신경망을 사용하여 복잡한 패턴을 검색하는 ML의 하위 집합입니다. 수동으로 인코딩하기 어려운 미묘한 기능이나 관계를 인식해야 하지만 큰 데이터 세트와 중요한 컴퓨팅도 필요합니다.

딥 러닝의 예: 의료 이미징에서 딥 러닝은 여러 이미지에서 픽셀 수준 패턴을 분석하여 질병과 관련된 기능을 식별하는 데 도움이 되며 시간이 지남에 따라 감지 정확도가 향상됩니다.

기능을 결과로 전환

AI 작동 방식을 이해하는 것은 시작에 불과합니다. 비즈니스 리더의 경우 실제 질문은 기능을 신뢰할 수 있고 반복 가능한 값으로 변환하는 방법입니다. 다음 작업을 통해 파일럿에서 프로덕션으로 이동하고, 위험을 줄이고, AI가 실제로 의사 결정, 고객 환경 및 서비스 비용을 개선할 수 있습니다.

• 비즈니스 문제부터 시작: 필요에 맞는 기능 매치—검색과 요약에는 설명형 AI, 예측과 이상 탐지에는 예측형 AI, 권장 사항 및 최적화 제안에는 제시형 AI를 사용합니다.
• 데이터 품질에 투자: 깨끗하고 일관되며 레이블이 잘 지정된 데이터는 신뢰할 수 있는 AI의 기초입니다. 그것없이, 심지어 최고의 모델은 성능이 저조합니다.
• 작업 계획: 시간이 지남에 따라 결과를 안정적으로 유지하기 위해 조건이 변경될 때 성능을 모니터링하고, 드리프트를 검색하고, 모델을 다시 학습하는 방법을 정의합니다.
• 인간 개입 유지: AI는 전문성을 대체하는 것이 아니라 보완하는 데 사용해야 합니다. 특히 감독, 맥락, 판단이 필요한 중요한 결정에서는 더욱 그렇습니다.
• 중요한 사항 측정: AI 이니셔티브를 연결하여 가치 창출 시간, 정확도, 비용 절감, 고객 만족도와 같은 KPI(핵심 성과 지표)를 지우고 A/B/N 테스트를 사용하여 영향의 유효성을 검사합니다.

다음으로, AI 채택에 대한 Microsoft의 접근 방식을 살펴보세요.