2017.09.15

우버의 머신러닝 접근법···'조직 전체에 서비스형으로 제공하기'

Scott Carey | Computerworld UK
우버(Uber)에는 다른 기업에서 보기 힘든 이색 조직이 있다. 모바일 앱 개발자, 지도 전문가, 자율주행팀으로 구성된 팀에 사전 패키지화된 머신러닝 알고리즘을 ‘서비스형'으로 제공하는 팀이 있다.



우버의 머신러닝 책임자 대니 레인지는 자신이 AWS에서 근무하는 동안 개발한 구조를 우버에 적용했다. 그는 AWS에서 내부 머신러닝(Machine Learning) 플랫폼을 관리하며 AWS용 AML(Amazon Machine Learning) 개발 업무에 참여했던 이력을 보유한 인물이다. 

컴퓨터월드 UK(Computerworld UK)와의 인터뷰에서 레인지는 “우리 사업의 모든 부분을 더욱 스마트하게 하고 더 나은 사용자 경험을 제공하기 위한 시도로, 머신러닝 서비스 팀을 운영하고 있다. 이러한 목표 달성하기 위해 머신러닝을 하나의 인프라로 제공하는 팀을 운영한다. 우버의 비즈니스에는 이동하는 운전자와 탑승객, 운전자를 위한 지도 개선, 자율주행 자동차 등 3가지 핵심 영역이 있다”라고 말했다.

서비스형 머신러닝
레인지는 자신의 팀이 개발팀에 머신러닝 기능을 제공하는 방식이 다른 컴퓨팅 자원을 제공하는 방식과 비슷하다고 말했다.

“머신러닝은 예전부터 있어왔지만 소프트웨어 엔지니어가 쉽게 얻기 힘든 대상이었다 그래서 우리는 기업 내에서 서비스형 머신러닝을 클라우드 서비스로 구축했다”라고 그가 설명했다.

실제로 이는 웹 인터페이스나 모듈처럼 나타난다. API를 통하거나 프로그램에 따라 통합할 수 있도록 일련의 스톡 알고리즘이 개발자들에게 제공되게 된다.

레인지는 “개발자들이 이용할 수 있는 일련의 조정된 알고리즘이다. 그리고 그들은 자신의 데이터와 애플리케이션 또는 서비스를 이용해 고객 습관 또는 트래픽 혼잡에 대해 예측할 수 있는 모델을 구축한다”라고 말했다.

가령 지도 제작과 자율주행의 경우 레인지와 그의 팀은 ‘전통적인 머신러닝’ 알고리즘을 벗어나 컴퓨터 비전과 딥러닝(Deep Learning) 기법으로 진보할 수 있도록 시도하고 있다.

우버에서의 머신러닝 애플리케이션
우버는 이번 달 머신러닝 기법을 이용해 자사의 핵심 탑승객 앱의 개인화를 강화했다. 이 새로운 앱은 우선 습관과 현재 위치에 기초한 여러 예측을 포함하여 목적지를 묻는다. 예를 들어, 사무실에 있는 경우 앱은 탑승객이 집 또는 체육관 또는 술집에 가고 싶어할 것으로 가정하게 된다.

또한 우버는 그들의 이동 이력 데이터 위에 적용된 머신러닝 알고리즘도 이용하여 ETA(Estimated Time of Arrival) 정보를 더욱 정확하게 하고 계정 트래픽 패턴을 고려한다. 레인지는 이미 더 많은 데이터와 알고리즘을 우버 이츠(Uber Eats) 식품배달 사업부에 적용하여 예측 배달 시간을 크게 개선했다. 그는 “정확도가 26%나 증가했다”라고 전했다.

또한 우버는 양호한 탑승 위치에 관해 ‘학습’할 수 있도록 20억 개의 이동 로그에서 얻은 데이터를 활용하고 있다. 레인지는 이렇게 설명했다.

“우리는 데이터를 꼼꼼하게 추려내고 우리가 고객을 탑승시키는데 문제가 가장 적은 곳을 파악하는 머신러닝 알고리즘이 있다. 탑승 마찰을 통해 학습한다. 따라서 차량 도착부터 개인의 이동 시작까지 소요되는 시간을 측정할 수 있다.” ciokr@idg.co.kr
 
2017.09.15

우버의 머신러닝 접근법···'조직 전체에 서비스형으로 제공하기'

Scott Carey | Computerworld UK
우버(Uber)에는 다른 기업에서 보기 힘든 이색 조직이 있다. 모바일 앱 개발자, 지도 전문가, 자율주행팀으로 구성된 팀에 사전 패키지화된 머신러닝 알고리즘을 ‘서비스형'으로 제공하는 팀이 있다.



우버의 머신러닝 책임자 대니 레인지는 자신이 AWS에서 근무하는 동안 개발한 구조를 우버에 적용했다. 그는 AWS에서 내부 머신러닝(Machine Learning) 플랫폼을 관리하며 AWS용 AML(Amazon Machine Learning) 개발 업무에 참여했던 이력을 보유한 인물이다. 

컴퓨터월드 UK(Computerworld UK)와의 인터뷰에서 레인지는 “우리 사업의 모든 부분을 더욱 스마트하게 하고 더 나은 사용자 경험을 제공하기 위한 시도로, 머신러닝 서비스 팀을 운영하고 있다. 이러한 목표 달성하기 위해 머신러닝을 하나의 인프라로 제공하는 팀을 운영한다. 우버의 비즈니스에는 이동하는 운전자와 탑승객, 운전자를 위한 지도 개선, 자율주행 자동차 등 3가지 핵심 영역이 있다”라고 말했다.

서비스형 머신러닝
레인지는 자신의 팀이 개발팀에 머신러닝 기능을 제공하는 방식이 다른 컴퓨팅 자원을 제공하는 방식과 비슷하다고 말했다.

“머신러닝은 예전부터 있어왔지만 소프트웨어 엔지니어가 쉽게 얻기 힘든 대상이었다 그래서 우리는 기업 내에서 서비스형 머신러닝을 클라우드 서비스로 구축했다”라고 그가 설명했다.

실제로 이는 웹 인터페이스나 모듈처럼 나타난다. API를 통하거나 프로그램에 따라 통합할 수 있도록 일련의 스톡 알고리즘이 개발자들에게 제공되게 된다.

레인지는 “개발자들이 이용할 수 있는 일련의 조정된 알고리즘이다. 그리고 그들은 자신의 데이터와 애플리케이션 또는 서비스를 이용해 고객 습관 또는 트래픽 혼잡에 대해 예측할 수 있는 모델을 구축한다”라고 말했다.

가령 지도 제작과 자율주행의 경우 레인지와 그의 팀은 ‘전통적인 머신러닝’ 알고리즘을 벗어나 컴퓨터 비전과 딥러닝(Deep Learning) 기법으로 진보할 수 있도록 시도하고 있다.

우버에서의 머신러닝 애플리케이션
우버는 이번 달 머신러닝 기법을 이용해 자사의 핵심 탑승객 앱의 개인화를 강화했다. 이 새로운 앱은 우선 습관과 현재 위치에 기초한 여러 예측을 포함하여 목적지를 묻는다. 예를 들어, 사무실에 있는 경우 앱은 탑승객이 집 또는 체육관 또는 술집에 가고 싶어할 것으로 가정하게 된다.

또한 우버는 그들의 이동 이력 데이터 위에 적용된 머신러닝 알고리즘도 이용하여 ETA(Estimated Time of Arrival) 정보를 더욱 정확하게 하고 계정 트래픽 패턴을 고려한다. 레인지는 이미 더 많은 데이터와 알고리즘을 우버 이츠(Uber Eats) 식품배달 사업부에 적용하여 예측 배달 시간을 크게 개선했다. 그는 “정확도가 26%나 증가했다”라고 전했다.

또한 우버는 양호한 탑승 위치에 관해 ‘학습’할 수 있도록 20억 개의 이동 로그에서 얻은 데이터를 활용하고 있다. 레인지는 이렇게 설명했다.

“우리는 데이터를 꼼꼼하게 추려내고 우리가 고객을 탑승시키는데 문제가 가장 적은 곳을 파악하는 머신러닝 알고리즘이 있다. 탑승 마찰을 통해 학습한다. 따라서 차량 도착부터 개인의 이동 시작까지 소요되는 시간을 측정할 수 있다.” ciokr@idg.co.kr
 
X