로운 것이 아닙니다. 사실, 역사는 60년 전 앨런 매디슨 튜링이 PC에 실제 지능이 있는지 없는지를 알아내기 위해 ‘튜링 테스트’를 만든 때로 거슬러 올라갑니다. 그러나 지난 25~30년 동안 음성 기술의 발전 측면에서 가장 큰 도약과 발전을 이루었다고 주장할 수도 있습니다. 하지만 여기서 저는 제 자신보다 앞서가고 있습니다.
머신 러닝을 이렇게 생각해 보세요. 인간으로서, 그리고 기술 사용자로서, 당신은 중요한 전화를 걸거나 어떤 것을 분류해야 하는 확실한 작업을 완료합니다. 예를 들어, 아침에 받은 편지함을 탐색하다가 ‘여기를 클릭하면 무료 크루즈를 드립니다’ 이메일을 스팸으로 표시하기로 결정합니다. 컴퓨터가 비슷한 일을 시도하는 방법을 어떻게 알 수 있을까요 시장성테스트?
머신 러닝은 오늘날 친인척들이 자연스럽게 하는 작업을 수행하도록 컴퓨터에 가르치는 알고리즘으로 구성되어 있습니다. AI에 대한 첫 번째 시도는 규칙을 작성하여 컴퓨터에 가르치는 것이었습니다. 날씨에 따라 권장 사항을 형성하도록 컴퓨터를 보여주고 싶다면 다음과 같이 말하는 규칙을 작성합니다. 날씨가 흐리고 몰락할 확률이 500분의 1보다 클 경우 우산을 가져가는 것이 좋습니다. 그러나 오래된 전문 시스템에서 사용된 이 접근 방식의 문제점은 규칙에 따라 배치할 자신감이 많지 않다는 것입니다. 50%의 시간 동안 맞습니까? 더 많습니까? 더 적습니까? 이러한 이유로 머신 러닝은 인간의 뇌가 수행하는 패턴 매칭을 모방하도록 발전했습니다. 오늘날 알고리즘은 컴퓨터가 연관된 객체의 옵션을 인식하도록 가르칩니다. 예를 들어 이러한 모델에서 컴퓨터에 사과라고 말한 사과가 표시됩니다. 그런 다음 컴퓨터는 해당 정보를 사용하여 사과의 다양한 특성을 분류하고 매번 새로운 정보를 기반으로 구축합니다. 처음에, 컴퓨터는 사과를 구형으로 분류하고, 무언가가 구형이면 그것은 사과라고 말하는 모델을 만들 것입니다.
그런 다음 나중에 연관 오렌지가 도입되면 PC는 한 가지가 구형이고 빨간색이면 사과라는 것을 알게 됩니다. 그런 다음 토마토가 도입되고, 그 다음에는 또 다른 것이 도입됩니다. 컴퓨터는 자주 모델을 지원하는 새 데이터를 수정하고 각 모델에 예측 값을 할당하여 객체가 다른 것보다 어떤 것인지에 대한 신뢰도를 나타냅니다. 예를 들어, 노란색은 사과에 대한 빨간색보다 바나나에 대한 예측 값이 더 높습니다.
머신 러닝은 세 가지 부분으로 구성됩니다.
1)결정을 구성하는 핵심이 되는 절차적 공식.
2) 결정을 구성하는 변수와 특징.
3) 해결책이 생각되는 기본 정보는 시스템을 알아낼 수 있도록 허용(훈련)합니다.
처음에는 해결책이 생각된 매개변수 정보가 모델에