머신러닝

머신러닝에서는 모든 상황에 대한 규칙을 일일이 작성하는 대신 과거 데이터로 모델을 학습시킨다. 모델은 학습 데이터 안의 통계적 관계와 패턴을 파악해 이를 내부 매개변수로 저장한다. 그런 다음 이렇게 학습된 패턴을 사용해 처음 접하는 새로운 데이터에 대한 예측을 내놓는다. 관련성 있고 정제된 데이터가 많을수록 결과는 대체로 더 신뢰할 만해진다.

크게 세 가지 접근법이 있다. 라벨이 달린 예시로 모델을 학습시키는 지도 학습, 라벨 없는 데이터에서 스스로 구조를 찾아내는 비지도 학습, 그리고 시행착오와 피드백을 통해 시스템이 배우는 강화 학습이다. 흔히 쓰이는 기법으로는 단순한 의사결정 트리와 선형 모델부터 복잡한 신경망까지 다양하다. 어떤 접근법이 가장 적합한지는 데이터의 종류, 과제의 성격, 결과가 얼마나 투명해야 하는지에 달려 있다.

기업에서는 데이터가 대량으로 쌓이고 사람이 수작업으로 추적하기에는 패턴이 너무 복잡해지는 영역, 예를 들어 수요 예측, 설비 고장 예측, 품질 편차 예측 등에 머신러닝이 흔히 적용된다. 그러나 학습된 모델은 고정된 규칙집이 아니다. 프로세스와 조건이 바뀌면 정기적으로 점검하고 재학습해야 한다. 그만큼 중요한 것은 결과의 품질이 기반 데이터의 품질과 대표성에 직접 좌우된다는 점이다.