Offcanvas

���������

구글, 새로운 AI 아키텍처 '패스웨이즈' 공개··· “멀티태스킹하는 AI”

구글이 자사의 차세대 AI 아키텍처 패스웨이즈(Pathways)를 발표했다. AI가 풀어야 할 복잡한 과제를 고려하면, 새로운 접근법이 필요하다는 것이 구글 리서치 담당 수석 부사장 제프 딘의 설명이다. 실제로 AI에 대한 기대는 매우 크다. 특히 질병이나 전염병, 날로 증가하는 불평등, 기후변화와 같은 위협 등 인류가 직면한 거대한 과제를 해결하는 데 AI의 도움이 필요하기 때문이다.   패스웨이즈는 AI에 대한 새로운 사고 방식을 기반으로 한다. 딘은 블로그 포스트를 통해 기존 AI 시스템의 약점 중 다수를 보완하고 강점을 융합할 수 있다고 강조했다. 현재 AI 모델은 보통 단일 작업에 맞춰 학습한다. 새로운 문제를 해결하기 위해서는 처음부터 다시 훈련해야 한다. 그 결과, 수천 가지 개별 작업을 위한 수천 가지 모델이 생겨났다. 새로운 작업을 반복적으로 학습하는 것은 시간이 오래 걸릴 뿐만 아니라 더 많은 데이터도 필요하다. 딘은 이런 속성을 기존 AI 세상의 가장 큰 단점으로 꼽았다. 딘은 전통적인 IA 접근법과 인간이 학습하는 방식을 비교하며, “만약 새로운 기술을 배우기 전에 기존에 배운 모든 것을 깨끗이 잊어버린다고 상상해 보자. 줄넘기를 예로 들어보자. 균형을 잡고 뛰고 팔의 움직임과 맞추는 방법을 매번 새로 배워야 하는 것이다”라고 설명했다.   멀티태스킹 AI를 지향하는 패스웨이즈 패스웨이즈 아키텍처로 구글이 개발하는 AI 모델은 기존 기술을 새로운 기술과 결합해 다양한 작업을 동시에 수행할 수 있다. 예를 들어, 항공사진으로 지형의 고도를 모델링하는 시스템은 해당 지역에서 홍수가 어떻게 확산될지 예측하는 법도 배울 수 있다. 즉, 패스웨이즈의 모델은 앞으로 등장할 복잡한 과제를 해결하는 데 필요한 다양한 역량을 갖추게 되며, 필요에 따라 이런 역량을 가져와 결합해 사용할 수 있다. 인간이 여러 가지 감각으로 세상을 인식하는 것처럼, 패스웨이즈 역시 여러 가지 감각을 가져야 한다. 현재의 AI 시스템은 한 번에 한 ...

구글 패스웨이즈 pathways 머신러닝 멀티태스킹 신경망 학습

2021.11.05

구글이 자사의 차세대 AI 아키텍처 패스웨이즈(Pathways)를 발표했다. AI가 풀어야 할 복잡한 과제를 고려하면, 새로운 접근법이 필요하다는 것이 구글 리서치 담당 수석 부사장 제프 딘의 설명이다. 실제로 AI에 대한 기대는 매우 크다. 특히 질병이나 전염병, 날로 증가하는 불평등, 기후변화와 같은 위협 등 인류가 직면한 거대한 과제를 해결하는 데 AI의 도움이 필요하기 때문이다.   패스웨이즈는 AI에 대한 새로운 사고 방식을 기반으로 한다. 딘은 블로그 포스트를 통해 기존 AI 시스템의 약점 중 다수를 보완하고 강점을 융합할 수 있다고 강조했다. 현재 AI 모델은 보통 단일 작업에 맞춰 학습한다. 새로운 문제를 해결하기 위해서는 처음부터 다시 훈련해야 한다. 그 결과, 수천 가지 개별 작업을 위한 수천 가지 모델이 생겨났다. 새로운 작업을 반복적으로 학습하는 것은 시간이 오래 걸릴 뿐만 아니라 더 많은 데이터도 필요하다. 딘은 이런 속성을 기존 AI 세상의 가장 큰 단점으로 꼽았다. 딘은 전통적인 IA 접근법과 인간이 학습하는 방식을 비교하며, “만약 새로운 기술을 배우기 전에 기존에 배운 모든 것을 깨끗이 잊어버린다고 상상해 보자. 줄넘기를 예로 들어보자. 균형을 잡고 뛰고 팔의 움직임과 맞추는 방법을 매번 새로 배워야 하는 것이다”라고 설명했다.   멀티태스킹 AI를 지향하는 패스웨이즈 패스웨이즈 아키텍처로 구글이 개발하는 AI 모델은 기존 기술을 새로운 기술과 결합해 다양한 작업을 동시에 수행할 수 있다. 예를 들어, 항공사진으로 지형의 고도를 모델링하는 시스템은 해당 지역에서 홍수가 어떻게 확산될지 예측하는 법도 배울 수 있다. 즉, 패스웨이즈의 모델은 앞으로 등장할 복잡한 과제를 해결하는 데 필요한 다양한 역량을 갖추게 되며, 필요에 따라 이런 역량을 가져와 결합해 사용할 수 있다. 인간이 여러 가지 감각으로 세상을 인식하는 것처럼, 패스웨이즈 역시 여러 가지 감각을 가져야 한다. 현재의 AI 시스템은 한 번에 한 ...

2021.11.05

어떻게 세상 바꿀까?··· 도전장 던진 'AI 스타트업' 5곳

소매업, 제조업, 농업 등 다양한 산업에서 ‘딥러닝(Deep Learning)’이 어려운 과제를 해결하고 있다. 여기에 앞장서고 있는 스타트업을 살펴본다.  딥러닝과 뉴럴 네트워크의 발전은 자연어 처리(NLP) 및 컴퓨터 비전에 엄청난 혁신을 가져왔다. 또한 이 기술에는 제조, 소매, 공급망, 농업 등 수많은 비즈니스 영역의 어려운 과제를 해결할 잠재력이 있다. 그리고 가장 중요한 혁신의 뒤에는 기술 스타트업이 자리하고 있기 마련이다. 여기에서는 ‘응용 AI(applied AI)’ 스타트업을 소개한다. 이 스타트업들은 완전 자율주행차를 향해 가는 것부터 농업 생산의 경계를 넓히는 것까지 다양한 산업 과제를 해결하기 위해 이미지, 텍스트, 오디오, 영상, 범주형 데이터, 표 형식 데이터 또는 이들의 조합을 처리하는 가지각색의 기술을 적용하고 있다.    1. 아르고 AI(Argo AI) 아직 멀었는가? 자율주행차가 약속한 미래가 실현되길 오랫동안 기다리고 있지만 자율주행 기술 분야의 준비 작업은 계속되고 있다. ‘아르고 AI’는 자율주행차에 필요한 모든 것을 갖춘 플랫폼을 목표로 하는 스타트업이다. 버스나 기차를 타지 않아도 출퇴근 길에 책을 읽을 수 있는 멋진 미래로 가는 데 필요한 모든 소프트웨어, 하드웨어, 지도, 원격 인프라를 다룬다.   포드(Ford), 폭스바겐(Volkswagen) 등과 협력해 연구 범위를 넓혀 나가는 가운데 아르고 AI는 최근 ‘아르고 라이다(Argo Lidar)’를 공개했다. 이는 최대 400m 떨어진 물체를 인식할 수 있는 새로운 라이다 시스템이다.  회사에 따르면 이는 야간 및 저조도 환경에서 잘 작동하며, 다른 라이다 시스템에서는 문제를 일으킬 수 있는 상황(예: 터널에서 나올 때 밝기가 급격히 달라지는 것 등)도 원활하게 처리할 수 있다.  아르고 AI는 터무니없는 전망을 내놓기 보다는 안전한 보조 운전(assisted-driving) 경험을 위한 모든 요소...

AI 인공지능 머신러닝 딥러닝 뉴럴 네트워크 신경망 자연어 처리 컴퓨터 비전 응용 AI 아르고 AI 라이다 센서 세레스 이미징 랜딩 AI 센티넬 딥페이크 스탠다드 아마존 고

2021.07.14

소매업, 제조업, 농업 등 다양한 산업에서 ‘딥러닝(Deep Learning)’이 어려운 과제를 해결하고 있다. 여기에 앞장서고 있는 스타트업을 살펴본다.  딥러닝과 뉴럴 네트워크의 발전은 자연어 처리(NLP) 및 컴퓨터 비전에 엄청난 혁신을 가져왔다. 또한 이 기술에는 제조, 소매, 공급망, 농업 등 수많은 비즈니스 영역의 어려운 과제를 해결할 잠재력이 있다. 그리고 가장 중요한 혁신의 뒤에는 기술 스타트업이 자리하고 있기 마련이다. 여기에서는 ‘응용 AI(applied AI)’ 스타트업을 소개한다. 이 스타트업들은 완전 자율주행차를 향해 가는 것부터 농업 생산의 경계를 넓히는 것까지 다양한 산업 과제를 해결하기 위해 이미지, 텍스트, 오디오, 영상, 범주형 데이터, 표 형식 데이터 또는 이들의 조합을 처리하는 가지각색의 기술을 적용하고 있다.    1. 아르고 AI(Argo AI) 아직 멀었는가? 자율주행차가 약속한 미래가 실현되길 오랫동안 기다리고 있지만 자율주행 기술 분야의 준비 작업은 계속되고 있다. ‘아르고 AI’는 자율주행차에 필요한 모든 것을 갖춘 플랫폼을 목표로 하는 스타트업이다. 버스나 기차를 타지 않아도 출퇴근 길에 책을 읽을 수 있는 멋진 미래로 가는 데 필요한 모든 소프트웨어, 하드웨어, 지도, 원격 인프라를 다룬다.   포드(Ford), 폭스바겐(Volkswagen) 등과 협력해 연구 범위를 넓혀 나가는 가운데 아르고 AI는 최근 ‘아르고 라이다(Argo Lidar)’를 공개했다. 이는 최대 400m 떨어진 물체를 인식할 수 있는 새로운 라이다 시스템이다.  회사에 따르면 이는 야간 및 저조도 환경에서 잘 작동하며, 다른 라이다 시스템에서는 문제를 일으킬 수 있는 상황(예: 터널에서 나올 때 밝기가 급격히 달라지는 것 등)도 원활하게 처리할 수 있다.  아르고 AI는 터무니없는 전망을 내놓기 보다는 안전한 보조 운전(assisted-driving) 경험을 위한 모든 요소...

2021.07.14

김진철의 How-to-Big Data | 빅데이터의 미래 (9)

지난 서른다섯 번째 글부터는 빅데이터 비즈니스와 기술의 미래를 현재 기술들의 동향과 전망을 가지고 같이 엿보고 있다. 빅데이터 비즈니스와 기술의 미래로서, 사이버 물리 시스템(CPS)으로 발전해가는 미래 정보통신 기술과 지능형 서비스의 미래를 소개하였고, 앞으로의 빅데이터 비즈니스와 기술의 발전은 이 사이버 물리 시스템(CPS)으로 구현되는 다양한 지능형 서비스들을 중심으로 이루어질 것이라고 설명하였다. 이와 함께, 이 사이버 물리 시스템(CPS)의 기반이 되는 다양한 기술들의 현재와 미래, 이들의 사이버 물리 시스템과의 관련성에 대해서 살펴보고 있다. 지금까지 클라우드 컴퓨팅 기술, 5G 이동통신과 모바일 에지 컴퓨팅으로 대표되는 미래 통신 기술, 사물인터넷(IoT)과 에지 컴퓨팅 기술들이 어떻게 사이버 물리 시스템(CPS) 기반의 지능형 서비스와 관련이 있는지 같이 살펴보았다.   인공지능 기술에 대한 우리들의 오해 (1) – 지나친 낙관론과 과대평가 이번 글부터 두, 세 편의 글에서는 사이버 물리 시스템(CPS) 기반 지능형 서비스의 가장 핵심이 될 것으로 보이는 인공지능 기술의 현재와 미래, 전망에 대해서 같이 살펴보고자 한다. 우리나라 대기업들이 앞다투어 인공지능 기술에 대한 대규모 투자 계획을 발표하고 있고, 우리나라 정부를 포함한 세계 각국 정부들도 인공지능 기술 경쟁에서 앞서 나가기 위해 다양한 계획들을 발표하고 있는 현 상황에서 과연 이런 인공지능 기술에 대한 열기가 기대하는 만큼의 물질적인 번영과 부를 가져다줄 수 있을지, 그렇다면 어느 정도로 광범위하고 다양하게 우리 사회에 영향을 끼칠지 같이 생각해보는 시간을 가지려고 한다. 2016년 1월 “알파고(AlphaGo)”가 이세돌 9단을 이긴 사건을 계기로 최근 5년간은 IT 기술 매체의 많은 지면과 영역을 인공지능 관련 기술들에 관한 내용이 채워왔다. “알파고”를 만든 구글의 “딥마인드(DeepMind)”는 여전히 수익을 내지 못하고 2019년 8월 기준으로 1조 5천억 원이 ...

김진철 빅데이터 빅데이터 비즈니스 인공지능 사이버 물리 시스템 지능형 서비스 텐서플로우 파이토치 딥러닝 머신러닝 기계학습 알파고 딥마인드 이세돌 우버 튜링테스트 시냅스 신경망 에어플로우 쿠브플로우 폰 노이만 반도체 4차 산업혁명

2020.07.27

지난 서른다섯 번째 글부터는 빅데이터 비즈니스와 기술의 미래를 현재 기술들의 동향과 전망을 가지고 같이 엿보고 있다. 빅데이터 비즈니스와 기술의 미래로서, 사이버 물리 시스템(CPS)으로 발전해가는 미래 정보통신 기술과 지능형 서비스의 미래를 소개하였고, 앞으로의 빅데이터 비즈니스와 기술의 발전은 이 사이버 물리 시스템(CPS)으로 구현되는 다양한 지능형 서비스들을 중심으로 이루어질 것이라고 설명하였다. 이와 함께, 이 사이버 물리 시스템(CPS)의 기반이 되는 다양한 기술들의 현재와 미래, 이들의 사이버 물리 시스템과의 관련성에 대해서 살펴보고 있다. 지금까지 클라우드 컴퓨팅 기술, 5G 이동통신과 모바일 에지 컴퓨팅으로 대표되는 미래 통신 기술, 사물인터넷(IoT)과 에지 컴퓨팅 기술들이 어떻게 사이버 물리 시스템(CPS) 기반의 지능형 서비스와 관련이 있는지 같이 살펴보았다.   인공지능 기술에 대한 우리들의 오해 (1) – 지나친 낙관론과 과대평가 이번 글부터 두, 세 편의 글에서는 사이버 물리 시스템(CPS) 기반 지능형 서비스의 가장 핵심이 될 것으로 보이는 인공지능 기술의 현재와 미래, 전망에 대해서 같이 살펴보고자 한다. 우리나라 대기업들이 앞다투어 인공지능 기술에 대한 대규모 투자 계획을 발표하고 있고, 우리나라 정부를 포함한 세계 각국 정부들도 인공지능 기술 경쟁에서 앞서 나가기 위해 다양한 계획들을 발표하고 있는 현 상황에서 과연 이런 인공지능 기술에 대한 열기가 기대하는 만큼의 물질적인 번영과 부를 가져다줄 수 있을지, 그렇다면 어느 정도로 광범위하고 다양하게 우리 사회에 영향을 끼칠지 같이 생각해보는 시간을 가지려고 한다. 2016년 1월 “알파고(AlphaGo)”가 이세돌 9단을 이긴 사건을 계기로 최근 5년간은 IT 기술 매체의 많은 지면과 영역을 인공지능 관련 기술들에 관한 내용이 채워왔다. “알파고”를 만든 구글의 “딥마인드(DeepMind)”는 여전히 수익을 내지 못하고 2019년 8월 기준으로 1조 5천억 원이 ...

2020.07.27

매스웍스, 매트랩 및 시뮬링크 릴리스 2020a 발표

매스웍스가 매트랩(MATLAB)과 시뮬링크(Simulink)의 릴리스 2020a를 발표했다. 이번 릴리스는 딥러닝을 위한 한층 확대된 AI 기능들을 제공한다. 회사에 따르면 엔지니어들은 향상된 딥 네트워크 디자이너(Deep Network Designer) 앱을 통해 신경망을 훈련시키고, 새로운 익스페리먼트 매니저(Experiment Manager) 앱을 통해 다양한 딥러닝 실험을 관리하며, GPU 코더(GPU Coder)를 통해 증가한 네트워크 지원 옵션을 활용해 딥러닝 코드를 생성할 수 있다. 이와 더불어 R2020a는 자동차 및 무선 엔지니어들을 위한 새로운 기능을 제공할 뿐 아니라, 매트랩 및 시뮬링크의 모든 사용자들을 위한 수 백 개의 새로운 기능 및 향상된 기능들을 탑재하고 있다고 회사 측은 설명했다. 매스웍스의 마케팅 담당 이사인 데이비드 리치는 “매스웍스는 AI 기반 시스템 구축을 지원하는 종합적인 플랫폼을 제공한다”라며, “매스웍스는 AI 워크플로우 개발에 30년 간의 제품, 컨설팅 및 기술 지원 관련 경험을 적용했으며, 이러한 AI 워크플로우를 통해 엔지니어와 과학자들이 데이터를 정리하고, 모델을 구축하며, 프로덕션 IT 또는 임베디드 시스템으로 배포하는 일련의 과정을 성공적으로 완수하도록 한다”라고 말했다. R2020a에서 향상된 딥러닝 툴박스(Deep Learning Toolbox) 기능은 ▲익스페리먼트 매니저 앱 ▲딥 네트워크 디자이너 앱 등이다. ​​익스페리먼트 매니저 앱은 여러 건의 딥러닝 실험에 대한 관리, 훈련 파라미터 추적, 결과 분석 및 코드를 비교하며, 딥 네트워크 디자이너 앱은 이미지 분류를 위한 대화형 방식의 네트워크 훈련, 훈련을 위한 매트랩 코드 생성, 사전 훈련된 모델 액세스를 지원한다.  또한, GPU 코더는 클라우드 환경 및 엣지 디바이스에서 AI 시스템을 구현할 수 있도록 지원하는 다크넷-19(Darknet-19), 다크넷-53(Darknet-53), 인셉션-레즈넷-v2(Inc...

AI 인공지능 딥러닝 매스웍스 신경망

2020.05.07

매스웍스가 매트랩(MATLAB)과 시뮬링크(Simulink)의 릴리스 2020a를 발표했다. 이번 릴리스는 딥러닝을 위한 한층 확대된 AI 기능들을 제공한다. 회사에 따르면 엔지니어들은 향상된 딥 네트워크 디자이너(Deep Network Designer) 앱을 통해 신경망을 훈련시키고, 새로운 익스페리먼트 매니저(Experiment Manager) 앱을 통해 다양한 딥러닝 실험을 관리하며, GPU 코더(GPU Coder)를 통해 증가한 네트워크 지원 옵션을 활용해 딥러닝 코드를 생성할 수 있다. 이와 더불어 R2020a는 자동차 및 무선 엔지니어들을 위한 새로운 기능을 제공할 뿐 아니라, 매트랩 및 시뮬링크의 모든 사용자들을 위한 수 백 개의 새로운 기능 및 향상된 기능들을 탑재하고 있다고 회사 측은 설명했다. 매스웍스의 마케팅 담당 이사인 데이비드 리치는 “매스웍스는 AI 기반 시스템 구축을 지원하는 종합적인 플랫폼을 제공한다”라며, “매스웍스는 AI 워크플로우 개발에 30년 간의 제품, 컨설팅 및 기술 지원 관련 경험을 적용했으며, 이러한 AI 워크플로우를 통해 엔지니어와 과학자들이 데이터를 정리하고, 모델을 구축하며, 프로덕션 IT 또는 임베디드 시스템으로 배포하는 일련의 과정을 성공적으로 완수하도록 한다”라고 말했다. R2020a에서 향상된 딥러닝 툴박스(Deep Learning Toolbox) 기능은 ▲익스페리먼트 매니저 앱 ▲딥 네트워크 디자이너 앱 등이다. ​​익스페리먼트 매니저 앱은 여러 건의 딥러닝 실험에 대한 관리, 훈련 파라미터 추적, 결과 분석 및 코드를 비교하며, 딥 네트워크 디자이너 앱은 이미지 분류를 위한 대화형 방식의 네트워크 훈련, 훈련을 위한 매트랩 코드 생성, 사전 훈련된 모델 액세스를 지원한다.  또한, GPU 코더는 클라우드 환경 및 엣지 디바이스에서 AI 시스템을 구현할 수 있도록 지원하는 다크넷-19(Darknet-19), 다크넷-53(Darknet-53), 인셉션-레즈넷-v2(Inc...

2020.05.07

딥러닝에 대한 10가지 질문

데이터 과학 문제, 더 구체적으로는 인공지능(AI) 영역에서 성공적으로 딥러닝(Deep Learning)을 사용하기 위한 전략을 설명하는 기사는 흔히 볼 수 있다. 그러나 딥러닝 자체와 딥러닝이 그렇게 강력한 이유, 그리고 실제 사용 환경에서 딥러닝이 취하는 다양한 형태에 대한 명확한 설명은 찾기가 쉽지 않다. 딥러닝, 신경망, 중요한 혁신, 가장 널리 사용되는 패러다임, 딥러닝이 효과적인 분야와 그렇지 않은 분야, 그리고 딥러닝의 간략한 역사에 대해 더 자세히 알기 위해 몇 가지 질문을 던지고 답을 구했다.   딥러닝이란 정확히 무엇인가? 딥러닝은 전통적인 신경망의 현대적 발전이다. 실제로 고전적인 피드 포워드(feed-forward), 완전 연결, 역전파(backpropagation) 학습, 다층 퍼셉트론(MLP)에 “더 깊은” 아키텍처가 추가된 것이다. 더 깊다는 것은 순환망, 합성곱망의 경우와 같이 숨겨진 층이 더 많고 몇 가지 새로운 신경 페러다임이 더 있다는 것을 의미한다. 딥러닝과 신경망의 차이는 무엇인가? 차이점은 없다. 딥러닝 네트워크가 곧 신경망이고, 단지 1990년대에는 학습이 불가능했던 수준의 더 복잡한 아키텍처가 추가됐을 뿐이다. 예를 들어 순환신경망(RNN)의 장단기 메모리(LSTM) 유닛은 1997년 호크라이터와 슈미트후버에 의해 고안됐지만 계산 시간이 길고 계산 리소스의 요건이 높았던 탓에 오랜 시간 도입되지 못했다. 두 개 이상의 숨겨진 층이 있는 다층 퍼셉트론 역시 나온 지 오래된 개념이고 그 혜택도 이미 명확히 알려졌다. 중대한 차이점은 현대의 연산 자원 덕분에 이제 이와 같은 개념을 실제로 구현할 수 있게 됐다는 것이다. 딥러닝을 좌우하는 요소는 결국 더 강력한 컴퓨팅 자원인가? 일반적으로 더 빠르고 더 강력한 연산 자원은 더 강력하고 유망한 신경 아키텍처의 구현과 실험을 가능하게 해준다. 신경망 학습에 며칠씩 소비하는 방식은 같은 신경망을 GPU 가속의 도움을 받아 몇 분만에 학습시키는 방법과 경쟁할 수 ...

인공지능 딥러닝 신경망

2020.03.17

데이터 과학 문제, 더 구체적으로는 인공지능(AI) 영역에서 성공적으로 딥러닝(Deep Learning)을 사용하기 위한 전략을 설명하는 기사는 흔히 볼 수 있다. 그러나 딥러닝 자체와 딥러닝이 그렇게 강력한 이유, 그리고 실제 사용 환경에서 딥러닝이 취하는 다양한 형태에 대한 명확한 설명은 찾기가 쉽지 않다. 딥러닝, 신경망, 중요한 혁신, 가장 널리 사용되는 패러다임, 딥러닝이 효과적인 분야와 그렇지 않은 분야, 그리고 딥러닝의 간략한 역사에 대해 더 자세히 알기 위해 몇 가지 질문을 던지고 답을 구했다.   딥러닝이란 정확히 무엇인가? 딥러닝은 전통적인 신경망의 현대적 발전이다. 실제로 고전적인 피드 포워드(feed-forward), 완전 연결, 역전파(backpropagation) 학습, 다층 퍼셉트론(MLP)에 “더 깊은” 아키텍처가 추가된 것이다. 더 깊다는 것은 순환망, 합성곱망의 경우와 같이 숨겨진 층이 더 많고 몇 가지 새로운 신경 페러다임이 더 있다는 것을 의미한다. 딥러닝과 신경망의 차이는 무엇인가? 차이점은 없다. 딥러닝 네트워크가 곧 신경망이고, 단지 1990년대에는 학습이 불가능했던 수준의 더 복잡한 아키텍처가 추가됐을 뿐이다. 예를 들어 순환신경망(RNN)의 장단기 메모리(LSTM) 유닛은 1997년 호크라이터와 슈미트후버에 의해 고안됐지만 계산 시간이 길고 계산 리소스의 요건이 높았던 탓에 오랜 시간 도입되지 못했다. 두 개 이상의 숨겨진 층이 있는 다층 퍼셉트론 역시 나온 지 오래된 개념이고 그 혜택도 이미 명확히 알려졌다. 중대한 차이점은 현대의 연산 자원 덕분에 이제 이와 같은 개념을 실제로 구현할 수 있게 됐다는 것이다. 딥러닝을 좌우하는 요소는 결국 더 강력한 컴퓨팅 자원인가? 일반적으로 더 빠르고 더 강력한 연산 자원은 더 강력하고 유망한 신경 아키텍처의 구현과 실험을 가능하게 해준다. 신경망 학습에 며칠씩 소비하는 방식은 같은 신경망을 GPU 가속의 도움을 받아 몇 분만에 학습시키는 방법과 경쟁할 수 ...

2020.03.17

‘보안과 5G 강조’··· 구글, 안드로이드 11 개발자 프리뷰 공개 

구글이 차세대 안드로이드 운영체제를 개발자 프리뷰로 공개했다. 개인정보보호 및 보안과 5G 관련 기능이 강화된 것이 특징이다.  안드로이드 11 개발자 프리뷰가 19일 배포됐다. 이제 앱 개발자들은 구글의 이 새로운 모바일 운영체제에 맞춰 업그레이드 작업을 시작할 수 있다. 많은 신기능과 API가 등장한 가운데 안드로이드 11은 특히 보안에 중점을 두고 있다.    프리뷰에서 공개된 일부 기능 중에는 민감한 파일과 데이터에 대한 접근 권한을 관리하는 새로운 보안 기능이 있다. 개인정보보호를 위한 ‘일시적 권한 부여’ 옵션이다. 안드로이드 11에서 접근 권한이라는 중요한 보안 영역이 강화된 셈이다.  또한, 생체인식 지원이 확장된다. 생체인식을 지원하는 통합 API인 바이오메트릭프롬프트(BiometricPrompt)가 세분화된 3가지 인증 유형(강력, 약함, 장치 자격 증명)을 제공한다.  이 밖에 안드로이드 11의 다른 신기능들은 아래와 같다.  · 새로운 API는 가장자리를 포함해 전체 워터폴 스크린(Waterfall screen)을 사용할 수 있도록 지원한다. 이는 가장자리 주변 화면에서의 상호작용 관리도 포함한다. 즉, 안드로이드 11을 통해 앱들은 핀홀 및 워터폴 스크린을 어떻게 사용할지 관리할 수 있다. · 뉴럴 네트워크 API(Neureal Networks API, NNAPI)는 개발자가 사용할 수 있는 운영 및 제어 기능을 확장한다. 서비스 품질(Quality of service) AIP는 모델 실행을 위한 우선순위 및 시간 종료를 지원한다. 메모리 도메인(Memory Domain) API는 메모리 복사 및 변환을 줄여 연속적인 모델 실행을 돕는다. 또한 부호화된 정수 비대칭 양자화(Signed integer asymmetric quantization)가 추가됐다. 더 작은 모델과 더 빠른 추론을 위해 부동소수점 대신 부호화된 정수가 사용된다. · 플랫폼 업데이트 영향을 최소화하기...

모바일 워터폴 스크린 안드로이드 11 개발자 프리뷰 신경망 생체인식 5G API 개인정보보호 인증 운영체제 안드로이드 보안 구글 핀홀

2020.02.21

구글이 차세대 안드로이드 운영체제를 개발자 프리뷰로 공개했다. 개인정보보호 및 보안과 5G 관련 기능이 강화된 것이 특징이다.  안드로이드 11 개발자 프리뷰가 19일 배포됐다. 이제 앱 개발자들은 구글의 이 새로운 모바일 운영체제에 맞춰 업그레이드 작업을 시작할 수 있다. 많은 신기능과 API가 등장한 가운데 안드로이드 11은 특히 보안에 중점을 두고 있다.    프리뷰에서 공개된 일부 기능 중에는 민감한 파일과 데이터에 대한 접근 권한을 관리하는 새로운 보안 기능이 있다. 개인정보보호를 위한 ‘일시적 권한 부여’ 옵션이다. 안드로이드 11에서 접근 권한이라는 중요한 보안 영역이 강화된 셈이다.  또한, 생체인식 지원이 확장된다. 생체인식을 지원하는 통합 API인 바이오메트릭프롬프트(BiometricPrompt)가 세분화된 3가지 인증 유형(강력, 약함, 장치 자격 증명)을 제공한다.  이 밖에 안드로이드 11의 다른 신기능들은 아래와 같다.  · 새로운 API는 가장자리를 포함해 전체 워터폴 스크린(Waterfall screen)을 사용할 수 있도록 지원한다. 이는 가장자리 주변 화면에서의 상호작용 관리도 포함한다. 즉, 안드로이드 11을 통해 앱들은 핀홀 및 워터폴 스크린을 어떻게 사용할지 관리할 수 있다. · 뉴럴 네트워크 API(Neureal Networks API, NNAPI)는 개발자가 사용할 수 있는 운영 및 제어 기능을 확장한다. 서비스 품질(Quality of service) AIP는 모델 실행을 위한 우선순위 및 시간 종료를 지원한다. 메모리 도메인(Memory Domain) API는 메모리 복사 및 변환을 줄여 연속적인 모델 실행을 돕는다. 또한 부호화된 정수 비대칭 양자화(Signed integer asymmetric quantization)가 추가됐다. 더 작은 모델과 더 빠른 추론을 위해 부동소수점 대신 부호화된 정수가 사용된다. · 플랫폼 업데이트 영향을 최소화하기...

2020.02.21

이포넷-연세대 영문학연구소, AI 신경망 기계번역 산학협력 MOU 체결

이포넷과 연세대학교 영어영문학연구소가 AI 신경망 기계번역(Neural Machine Translation)을 위한 병렬 말뭉치 구축 및 평가 사업에 대한 업무 제휴 협약을 체결했다고 20일 밝혔다. 이번 업무 협약을 통해 이포넷은 AI 연세대 영어영문학연구소로부터 신경망 기계번역을 위한 병렬 말뭉치 구축에 있어 전문적인 평가 체계와 품질 개선 지원을 받게 된다. 연세대학교 영어영문학연구소는 학술 활동을 위한 방대한 데이터 열람과 분석 기회를 제공받고 신경망 기계 번역에 대한 깊이 있는 연구를 진행한다. 이포넷 이수정 대표는 “연세대 영어영문학연구소와의 이번 협약을 기반으로 향후 차세대 AI 기반 기계 번역 개발과 더 다양한 산학협력 사업을 진행할 것을 기대한다”라고 말했다. ciokr@idg.co.kr

AI 인공지능 신경망 기계번역 이포넷

2020.02.20

이포넷과 연세대학교 영어영문학연구소가 AI 신경망 기계번역(Neural Machine Translation)을 위한 병렬 말뭉치 구축 및 평가 사업에 대한 업무 제휴 협약을 체결했다고 20일 밝혔다. 이번 업무 협약을 통해 이포넷은 AI 연세대 영어영문학연구소로부터 신경망 기계번역을 위한 병렬 말뭉치 구축에 있어 전문적인 평가 체계와 품질 개선 지원을 받게 된다. 연세대학교 영어영문학연구소는 학술 활동을 위한 방대한 데이터 열람과 분석 기회를 제공받고 신경망 기계 번역에 대한 깊이 있는 연구를 진행한다. 이포넷 이수정 대표는 “연세대 영어영문학연구소와의 이번 협약을 기반으로 향후 차세대 AI 기반 기계 번역 개발과 더 다양한 산학협력 사업을 진행할 것을 기대한다”라고 말했다. ciokr@idg.co.kr

2020.02.20

'파이토치' vs. '텐서플로우'··· 딥러닝 프레임워크 선택하기

모든 회귀(regression) 또는 분류(classification) 문제를 꼭 딥 러닝(deep learning) 혹은 머신러닝으로 으로 풀어야 하는 것은 아니다. 분석적으로 또는 간단한 통계적 절차를 사용해 모델링할 수 있다.   반면 딥 러닝 또는 심층 전이 학습(deep transfer learning)이 다른 방법으로 만들 수 있는 모델보다 더 정확한 모델을 학습시키는 데 도움이 되는 경우가 있다. 특히 필요한 모델과 비슷한 학습된 모델이 프레임워크의 모델 라이브러리에 이미 존재한다면 파이토치(PyTorch)와 텐서플로우(TensorFlow)가 매우 효과적이다. 파이토치 파이토치는 예전의 토치(Torch) 및 카페2(Caffe2) 프레임워크를 기반으로 한다. 이름에서 짐작하겠지만 파이토치는 파이썬을 스크립팅 언어로 사용하며, 진화된 토치 C/CUDA 백엔드를 사용한다. 카페2의 프로덕션 기능은 현재 파이토치 프로젝트로 편입되는 중이다. 흔히 파이토치를 “강력한 GPU 가속이 적용되는 파이썬으로 된 텐서와 동적 신경망”이라고 한다. 이것이 무슨 뜻일까? 텐서(Tensors)는 물리학과 공학에 많이 사용되는 수학적 구조다. 랭크 2의 텐서는 특수한 종류의 행렬로, 벡터의 내적(inner product)을 취하고 텐서는 새로운 크기와 새로운 방향으로 다른 벡터를 산출한다. 텐서플로우는 시냅스 무게의 텐서가 네트워크 모델을 따라 흐른다는 데서 이름을 따왔다. 넘파이(NumPy) 역시 텐서를 사용하지만 ndarray라는 명칭을 사용한다. GPU 가속(GPU acceleration)은 대부분의 현대 심층 신경망 프레임워크에 있는 기능이다. 동적 신경망(dynamic neural network)은 반복할 때마다 변경이 가능한 신경망으로, 예를 들어 파이토치 모델이 학습 중 숨은 계층을 추가하거나 제거해서 정확성과 일반성을 개선할 수 있도록 한다. 파이토치는 각 반복 단계에서 즉석으로 그래프를 재생성한다. 반면 텐서플로우는 기본적으로 단일 데이...

머신러닝 딥러닝 텐서플로우 텐서 신경망 파이토치 전이학습

2019.08.29

모든 회귀(regression) 또는 분류(classification) 문제를 꼭 딥 러닝(deep learning) 혹은 머신러닝으로 으로 풀어야 하는 것은 아니다. 분석적으로 또는 간단한 통계적 절차를 사용해 모델링할 수 있다.   반면 딥 러닝 또는 심층 전이 학습(deep transfer learning)이 다른 방법으로 만들 수 있는 모델보다 더 정확한 모델을 학습시키는 데 도움이 되는 경우가 있다. 특히 필요한 모델과 비슷한 학습된 모델이 프레임워크의 모델 라이브러리에 이미 존재한다면 파이토치(PyTorch)와 텐서플로우(TensorFlow)가 매우 효과적이다. 파이토치 파이토치는 예전의 토치(Torch) 및 카페2(Caffe2) 프레임워크를 기반으로 한다. 이름에서 짐작하겠지만 파이토치는 파이썬을 스크립팅 언어로 사용하며, 진화된 토치 C/CUDA 백엔드를 사용한다. 카페2의 프로덕션 기능은 현재 파이토치 프로젝트로 편입되는 중이다. 흔히 파이토치를 “강력한 GPU 가속이 적용되는 파이썬으로 된 텐서와 동적 신경망”이라고 한다. 이것이 무슨 뜻일까? 텐서(Tensors)는 물리학과 공학에 많이 사용되는 수학적 구조다. 랭크 2의 텐서는 특수한 종류의 행렬로, 벡터의 내적(inner product)을 취하고 텐서는 새로운 크기와 새로운 방향으로 다른 벡터를 산출한다. 텐서플로우는 시냅스 무게의 텐서가 네트워크 모델을 따라 흐른다는 데서 이름을 따왔다. 넘파이(NumPy) 역시 텐서를 사용하지만 ndarray라는 명칭을 사용한다. GPU 가속(GPU acceleration)은 대부분의 현대 심층 신경망 프레임워크에 있는 기능이다. 동적 신경망(dynamic neural network)은 반복할 때마다 변경이 가능한 신경망으로, 예를 들어 파이토치 모델이 학습 중 숨은 계층을 추가하거나 제거해서 정확성과 일반성을 개선할 수 있도록 한다. 파이토치는 각 반복 단계에서 즉석으로 그래프를 재생성한다. 반면 텐서플로우는 기본적으로 단일 데이...

2019.08.29

인텔, 로이히 칩 64개 연결한 '포호이키 비치' 과학계에 확대 공개

인텔의 현 단계 브레인 네트워크 기술은 개구리보다 낮은 수준의 지능에 그친다. 하지만 다음 단계에는 두더지 쥐에 견주는 수준이 목표다.  포호이키 비치(Pohoiki Beach) 뉴로모픽 시스템이 더 넓은 리서치 커뮤니티에 제공된다고 인텔이 15일 밝혔다. 포호이키 비치 뉴로모픽 시스템은 인텔의 로이히(Loihi) 칩 64개가 서로 연결돼 800만 개의 뉴런을 시뮬레이션하도록 고안된 브레인 네트워크 컴퓨터다. 인텔은 포호이키 스프링(Pohoiki Springs)으로 알려진 1억 개 뉴런 상당의 시스템이 계획대로 올해 말 데뷔할 예정이라고 전했다.  인텔은 지난 17년 뇌를 흉내내는 뉴로모픽 칩인 로이히를 발표한 바 있다.  동물의 뇌 안에 있는 뉴런의 숫자와 비교해볼 때 포호이키 비치 시스템의 지능은 개구리의 약 절반에 해당한다. 1억 개의 뉴런은 잠비아에 있는 안셀 두더지 쥐에 상당하는 수준이다. 인텔의 최신 뉴로모픽 시스템인 포호이키 비치는 여러 개의 나후쿠(Nahuku) 보드로 구성돼 있다. 여기엔느 64개의 로이히 칩이 포함된다. (제공 : Intel Corporation / Tim Herman) 인텔은 기존 실리콘 아키텍처의 대안으로 뉴로모픽, 또는 확률론적 컴퓨팅(probabilistic computing)에 주목하고 있다. x86 프로세서가 주류를 이루고 있는 가운데, 인텔이 뉴로모픽 칩에 어떤 역할을 기대하는지는 확실하지 않다. 그러나 인텔은 이 칩을 과학계에 공개해 뉴럴 인스파이어드(neural-inspired) 알고리즘을 테스트하도록 하고 있다.  워털루 대학교 연구진에 따르면 로이히 칩을 통해 실시간 학습 벤치마크를 실시한 결과 전통적인 GPU를 사용할 때보다 전력 소비가 109배나 적었다. 연구진은 또 이 네트워크를 50배 확장해도 전력 소비가 30배만 증가한다고 전했다. ciokr@idg.co.kr

인텔 두뇌 신경망 로이히 뉴로모픽 포호이키 비치 포호이키 스프링

2019.07.16

인텔의 현 단계 브레인 네트워크 기술은 개구리보다 낮은 수준의 지능에 그친다. 하지만 다음 단계에는 두더지 쥐에 견주는 수준이 목표다.  포호이키 비치(Pohoiki Beach) 뉴로모픽 시스템이 더 넓은 리서치 커뮤니티에 제공된다고 인텔이 15일 밝혔다. 포호이키 비치 뉴로모픽 시스템은 인텔의 로이히(Loihi) 칩 64개가 서로 연결돼 800만 개의 뉴런을 시뮬레이션하도록 고안된 브레인 네트워크 컴퓨터다. 인텔은 포호이키 스프링(Pohoiki Springs)으로 알려진 1억 개 뉴런 상당의 시스템이 계획대로 올해 말 데뷔할 예정이라고 전했다.  인텔은 지난 17년 뇌를 흉내내는 뉴로모픽 칩인 로이히를 발표한 바 있다.  동물의 뇌 안에 있는 뉴런의 숫자와 비교해볼 때 포호이키 비치 시스템의 지능은 개구리의 약 절반에 해당한다. 1억 개의 뉴런은 잠비아에 있는 안셀 두더지 쥐에 상당하는 수준이다. 인텔의 최신 뉴로모픽 시스템인 포호이키 비치는 여러 개의 나후쿠(Nahuku) 보드로 구성돼 있다. 여기엔느 64개의 로이히 칩이 포함된다. (제공 : Intel Corporation / Tim Herman) 인텔은 기존 실리콘 아키텍처의 대안으로 뉴로모픽, 또는 확률론적 컴퓨팅(probabilistic computing)에 주목하고 있다. x86 프로세서가 주류를 이루고 있는 가운데, 인텔이 뉴로모픽 칩에 어떤 역할을 기대하는지는 확실하지 않다. 그러나 인텔은 이 칩을 과학계에 공개해 뉴럴 인스파이어드(neural-inspired) 알고리즘을 테스트하도록 하고 있다.  워털루 대학교 연구진에 따르면 로이히 칩을 통해 실시간 학습 벤치마크를 실시한 결과 전통적인 GPU를 사용할 때보다 전력 소비가 109배나 적었다. 연구진은 또 이 네트워크를 50배 확장해도 전력 소비가 30배만 증가한다고 전했다. ciokr@idg.co.kr

2019.07.16

그리드원, 'RPA 성공을 위한 프로세스 마이닝과 인공지능 교육훈련' 강연 참여

인공지능 전문 솔루션 기업인 그리드원이 최근 카이스트 서울캠퍼스 경영대학관에서 ‘RPA 성공을 위한 프로세스 마이닝과 인공지능 교육훈련(Process Mining & AI for Robotic Process Automation)’ 강연에 참여해, RPA의 도입과 확대를 위한 전략을 공유했다고 밝혔다. 이번 행사는 6월 27, 28일 이틀간 진행됐다. 첫날은 RPA 성공을 위한 프로세스 마이닝(Process Mining for RPA)의 주제로 프로세스 마이닝과 RPA의 연계의 필요성에 관한 분석 강연이 진행됐다. 이어 둘째 날에는 RPA 성공을 위한 AI(AI for RPA)의 주제로 ▲인공지능과 딥러닝의 기본 개념 소개 ▲MLP(Multi-Layer Perception)와 정형 데이터 처리 ▲CNN(Convolutional Neural Network)과 오브젝트 디텍션(Object Detection) 개념 이해 ▲RNN(Recurrent Neural Network)을 활용한 자연어 처리 ▲GAN(Generative Adversarial Network)과 생성 모델의 이해 등의 발표 세션이 차례로 진행됐다. 이번 강연에는 디지털 전환 담당자, 기업의 RPA 담당자, 비즈니스 컨설턴트, IT부서 담당자, RPA에 관심을 가진 대학생 등이 참석했다.  특히, 그리드원 장석수 부사장은 인공신경망에 따른 유형별 RPA 활용방안에 대해 강연을 하며, 이에 따른 실제 기업의 RPA의 사례를 설명했다. 또한, RPA의 활용에 있어 인공지능의 활용방안에 대해 토론 시간을 가지기도 했다. 그리드원 장석수 부사장은 “최근 국내의 많은 기업이 RPA를 활용한 디지털 전환을 추진하고 있지만 RPA를 성공적으로 도입하고 확대하기는 결코 쉽지 않다”라며, “이번 강연을 통해 많은 담당자가 실무 RPA 프로젝트에서 프로세스 마이닝을 활용할 수 있는 지식과 역량을 확보했으면 한다”라고 말했다. ciokr@idg.co.kr

인공지능 RPA 신경망 그리드원

2019.07.01

인공지능 전문 솔루션 기업인 그리드원이 최근 카이스트 서울캠퍼스 경영대학관에서 ‘RPA 성공을 위한 프로세스 마이닝과 인공지능 교육훈련(Process Mining & AI for Robotic Process Automation)’ 강연에 참여해, RPA의 도입과 확대를 위한 전략을 공유했다고 밝혔다. 이번 행사는 6월 27, 28일 이틀간 진행됐다. 첫날은 RPA 성공을 위한 프로세스 마이닝(Process Mining for RPA)의 주제로 프로세스 마이닝과 RPA의 연계의 필요성에 관한 분석 강연이 진행됐다. 이어 둘째 날에는 RPA 성공을 위한 AI(AI for RPA)의 주제로 ▲인공지능과 딥러닝의 기본 개념 소개 ▲MLP(Multi-Layer Perception)와 정형 데이터 처리 ▲CNN(Convolutional Neural Network)과 오브젝트 디텍션(Object Detection) 개념 이해 ▲RNN(Recurrent Neural Network)을 활용한 자연어 처리 ▲GAN(Generative Adversarial Network)과 생성 모델의 이해 등의 발표 세션이 차례로 진행됐다. 이번 강연에는 디지털 전환 담당자, 기업의 RPA 담당자, 비즈니스 컨설턴트, IT부서 담당자, RPA에 관심을 가진 대학생 등이 참석했다.  특히, 그리드원 장석수 부사장은 인공신경망에 따른 유형별 RPA 활용방안에 대해 강연을 하며, 이에 따른 실제 기업의 RPA의 사례를 설명했다. 또한, RPA의 활용에 있어 인공지능의 활용방안에 대해 토론 시간을 가지기도 했다. 그리드원 장석수 부사장은 “최근 국내의 많은 기업이 RPA를 활용한 디지털 전환을 추진하고 있지만 RPA를 성공적으로 도입하고 확대하기는 결코 쉽지 않다”라며, “이번 강연을 통해 많은 담당자가 실무 RPA 프로젝트에서 프로세스 마이닝을 활용할 수 있는 지식과 역량을 확보했으면 한다”라고 말했다. ciokr@idg.co.kr

2019.07.01

딥러닝의 한 갈래 '지도학습'이란?

머신러닝은 데이터로부터 자동으로 모델을 생성하는 알고리즘이 포함된 인공지능의 한 지류다. 머신러닝의 종류는 크게 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning), 능동적 머신러닝(Active Machine Learning) 등 4가지가 있다. 강화학습과 능동적 머신러닝은 상대적으로 새롭기 때문에 이런 종류의 목록에서 생략될 때도 있다. 또한 반 지도학습(Semi-supervised Learning)도 목록에 포함해야 한다.   지도학습이란 무엇인가? 지도학습은 올바른 답변(목표 값)으로 태그된 학습 데이터부터 출발한다. 학습 과정 후 이미 태그되지 않은 유사한 데이터에 대한 답을 예측할 수 있는 조정된 웨이트를 가진 모델을 얻게 된다. 오버피팅이나 언더피팅 없이 정확도가 높은 모델을 훈련해야 한다. 정확도가 높다는 것은 손실 함수를 최적화했다는 뜻이다. 분류 문제 맥락에서 정확도는 모델이 올바른 출력을 생성하는 예의 비율이다. 오버피팅이란 모델이 관찰한 데이터와 너무 긴밀하게 연관되어 있어서 관찰하지 않은 데이터로 일반화하지 않는다는 뜻이다. 언더피팅은 모델이 데이터의 기본 트렌드를 포착할 만큼 충분히 복잡하지 않다는 뜻이다. 손실 함수는 모델의 ‘나쁨’을 반영하기 위해 선택한다. 최고의 모델을 찾기 위해 손실을 최소화한다. 수치적 (회귀) 문제의 경우 손실 함수는 MSE(Mean Square Error)인 경우가 많으며 RMSE(Root Mean Squared Error)나 RMSD(Root Mean Square Deviation)으로도 표현된다. 이는 데이터 포인트와 모델 곡선 사이의 유클리드 거리에 해당한다. 분류 (비수치적) 무제의 경우 손실 함수는 ROC 곡선 아래의 영역(AUC), 평균 정확도, 정밀도 기억, 로그 손실 등 일련의 조치 중 하나에 기초할 수 있다. (AUC와 ROC 곡선에 대한 설명은 아래를 참조한다). 오버...

통계 지도학습 비지도학습 능동적 머신러닝 Unsupervised Learning Supervised learning Active Machine Learning reinforcement learning 강화학습 신경망 데이터 정제 함수 인공지능 하이퍼파라미터

2019.06.21

머신러닝은 데이터로부터 자동으로 모델을 생성하는 알고리즘이 포함된 인공지능의 한 지류다. 머신러닝의 종류는 크게 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning), 능동적 머신러닝(Active Machine Learning) 등 4가지가 있다. 강화학습과 능동적 머신러닝은 상대적으로 새롭기 때문에 이런 종류의 목록에서 생략될 때도 있다. 또한 반 지도학습(Semi-supervised Learning)도 목록에 포함해야 한다.   지도학습이란 무엇인가? 지도학습은 올바른 답변(목표 값)으로 태그된 학습 데이터부터 출발한다. 학습 과정 후 이미 태그되지 않은 유사한 데이터에 대한 답을 예측할 수 있는 조정된 웨이트를 가진 모델을 얻게 된다. 오버피팅이나 언더피팅 없이 정확도가 높은 모델을 훈련해야 한다. 정확도가 높다는 것은 손실 함수를 최적화했다는 뜻이다. 분류 문제 맥락에서 정확도는 모델이 올바른 출력을 생성하는 예의 비율이다. 오버피팅이란 모델이 관찰한 데이터와 너무 긴밀하게 연관되어 있어서 관찰하지 않은 데이터로 일반화하지 않는다는 뜻이다. 언더피팅은 모델이 데이터의 기본 트렌드를 포착할 만큼 충분히 복잡하지 않다는 뜻이다. 손실 함수는 모델의 ‘나쁨’을 반영하기 위해 선택한다. 최고의 모델을 찾기 위해 손실을 최소화한다. 수치적 (회귀) 문제의 경우 손실 함수는 MSE(Mean Square Error)인 경우가 많으며 RMSE(Root Mean Squared Error)나 RMSD(Root Mean Square Deviation)으로도 표현된다. 이는 데이터 포인트와 모델 곡선 사이의 유클리드 거리에 해당한다. 분류 (비수치적) 무제의 경우 손실 함수는 ROC 곡선 아래의 영역(AUC), 평균 정확도, 정밀도 기억, 로그 손실 등 일련의 조치 중 하나에 기초할 수 있다. (AUC와 ROC 곡선에 대한 설명은 아래를 참조한다). 오버...

2019.06.21

엔비디아, 자율주행차용 슈퍼컴퓨터 공개

엔비디아가 세계에서 22번째로 빠른 슈퍼컴퓨터인 DGX 슈퍼POD(DGX SuperPOD)를 발표했다. DGX 슈퍼POD는 기업들에 자율주행차 개발 속도를 향상시키는 인공지능(AI) 인프라를 제공한다. 이 시스템은 96개의 엔비디아 DGX-2H 슈퍼컴퓨터와 멜라녹스(Mellanox) 인터커넥트(Interconnect) 기술로 3주만에 구축됐다. 9.4 페타플롭의 처리 능력을 제공하는 이 시스템은 안전한 자율주행 차량에 요구되는 수많은 딥 뉴럴 네트워크(Deep Neural Network, 이하 DNN)을 훈련시킬 수 있다.  엔비디아는 가장 복잡한 AI 연산 중 하나인, 자율주행차를 위한 AI 훈련은 계산 집약적인 과제를 필요로 한다고 설명했다. 단일 데이터 수집 차량은 1테라바이트의 데이터를 생산한다. 만일 수년간 전체 차량이 주행된다고 가정했을 때, 운전자는 페타바이트급의 데이터를 빠르게 수집할 수 있다. 이 데이터는 도로 법규에 따라 알고리즘을 학습하고 차량에서 작동하는 DNN에서 잠재적인 오류를 찾는데 사용되며 연속적인 루프(continuous loop)로 재훈련된다. 엔비디아 NV스위치(NVSwitch)와 멜라녹스 네트워크 패브릭(network fabric)과 상호연결된 1,536개의 엔비디아 V100 텐서 코어(Tensor Core) GPU로 구동되는 DGX 슈퍼POD는 같은 크기의 슈퍼컴퓨터에 비해 탁월한 성능으로 데이터를 처리할 수 있다. 이 시스템은 자율주행 소프트웨어를 최적화하고 이전에 가능했던 시간보다 더 빠른 시간으로 뉴럴 네트워크를 재교육하면서 24시간 내내 작동된다. 예컨대, DGX 슈퍼POD 하드웨어와 소프트웨어 플랫폼이 레스넷-50(ResNet-50)을 교육하는데 2분 미만의 시간이 걸린다. 이같은 AI 모델은 2015년 출시 당시 최첨단 시스템인 단일 엔비디아 K80 GPU로 교육하는데 25일이 소요됐다. 이처럼, DGX 슈퍼POD는 1만8,000배 빠른 결과를 제공한다. 비슷한 성능 수준을 가진 ...

엔비디아 인공지능 자율주행차 신경망

2019.06.18

엔비디아가 세계에서 22번째로 빠른 슈퍼컴퓨터인 DGX 슈퍼POD(DGX SuperPOD)를 발표했다. DGX 슈퍼POD는 기업들에 자율주행차 개발 속도를 향상시키는 인공지능(AI) 인프라를 제공한다. 이 시스템은 96개의 엔비디아 DGX-2H 슈퍼컴퓨터와 멜라녹스(Mellanox) 인터커넥트(Interconnect) 기술로 3주만에 구축됐다. 9.4 페타플롭의 처리 능력을 제공하는 이 시스템은 안전한 자율주행 차량에 요구되는 수많은 딥 뉴럴 네트워크(Deep Neural Network, 이하 DNN)을 훈련시킬 수 있다.  엔비디아는 가장 복잡한 AI 연산 중 하나인, 자율주행차를 위한 AI 훈련은 계산 집약적인 과제를 필요로 한다고 설명했다. 단일 데이터 수집 차량은 1테라바이트의 데이터를 생산한다. 만일 수년간 전체 차량이 주행된다고 가정했을 때, 운전자는 페타바이트급의 데이터를 빠르게 수집할 수 있다. 이 데이터는 도로 법규에 따라 알고리즘을 학습하고 차량에서 작동하는 DNN에서 잠재적인 오류를 찾는데 사용되며 연속적인 루프(continuous loop)로 재훈련된다. 엔비디아 NV스위치(NVSwitch)와 멜라녹스 네트워크 패브릭(network fabric)과 상호연결된 1,536개의 엔비디아 V100 텐서 코어(Tensor Core) GPU로 구동되는 DGX 슈퍼POD는 같은 크기의 슈퍼컴퓨터에 비해 탁월한 성능으로 데이터를 처리할 수 있다. 이 시스템은 자율주행 소프트웨어를 최적화하고 이전에 가능했던 시간보다 더 빠른 시간으로 뉴럴 네트워크를 재교육하면서 24시간 내내 작동된다. 예컨대, DGX 슈퍼POD 하드웨어와 소프트웨어 플랫폼이 레스넷-50(ResNet-50)을 교육하는데 2분 미만의 시간이 걸린다. 이같은 AI 모델은 2015년 출시 당시 최첨단 시스템인 단일 엔비디아 K80 GPU로 교육하는데 25일이 소요됐다. 이처럼, DGX 슈퍼POD는 1만8,000배 빠른 결과를 제공한다. 비슷한 성능 수준을 가진 ...

2019.06.18

기고 | 보고된 보안 사고는 '빙산의 일각'일 뿐… 왜?

매일 수천 개의 기업이 사이버보안 공격을 당하지만 이를 인지하지 못하는 것으로 조사됐다. 그로 인해 공격받은 지불 카드 데이터가 손상됐는데도 말이다. EMV 칩이 이 문제를 해결할 수 있는 것은 아니지만 적어도 데이터 평가절하 영향은 줄일 수 있다.   ITRC(Identity Theft Resource Center)에 따르면, 2018년 한 해 1,244건의 데이터 침입(Breach) 사고가 보고됐다. 이로 인해 소비자의 개인 식별 정보(PII)가 포함된 4억 4,600여만 개의 기록이 영향을 받았다. 여기에서 눈여겨 볼 단어는 ‘보고된’이다. 해킹을 당한 기업이 모두 침입에 대해 보고를 했다고 가정하자. 1,244건은 해커가 발각된 침해 사고의 건수다. 그러나 해커는 발각되는 것을 좋아하지 않는다. 다시 말해, 보고된 1,244건의 침입 사고가 ‘빙산의 일각’에 불과할 수 있다. 매일 보고된 사례보다 훨씬 더 많은 기업에서 침입 사고가 발생한다. 단지 침입 사실을 모르고 있을 뿐이다. 기업의 규모가 작아서, 상근 네트워크 관리자가 없어서, 또는 은행 네트워크와 침입 사고 조사원이 적색경보로 분류하기에는 노출된 지불(결제) 카드의 수가 너무 적어서 등 경우의 수는 아주 많다. 보고되지 않은 소규모 침입 사고에 노출된 카드 수가 몇백 개에 불과할 수 있지만, 이런 카드를 모두 합하면 상당한 규모가 될 수도 있다. 지하경제 필자는 최근 열린 블루핀 서밋(Bluefin Summit)에 PCI 시큐리티 스탠다드 카운슬(PCI Security Standards Council)의 제너럴 매니저를 지낸 스티븐 W 오페이를 초대했다. 그는 지하경제가 실물 경제를 어떻게 반영하는지, 얼마나 깊이 퍼져 있는지를 조명하는 프레젠테이션을 했다. 그는 마이클 맥과이어 박사의 경종을 울리는 연구 결과를 직접 인용했다. ‘이익의 ‘웹’: 사이버범죄 경제의 성장을 이해(Web of Profit:...

CSO Europay Mastercard P2PE PCI 시큐리티 스탠다드 카운슬 VISA 가치 절하 디밸류에이션 블루핀 서밋 예방의학 지하경제 Devaluation ITRC 데이터 침해 사이버범죄 CISO 버라이즌 인공지능 포네몬 다크웹 EMV 신경망 토큰화 칩 카드

2019.05.27

매일 수천 개의 기업이 사이버보안 공격을 당하지만 이를 인지하지 못하는 것으로 조사됐다. 그로 인해 공격받은 지불 카드 데이터가 손상됐는데도 말이다. EMV 칩이 이 문제를 해결할 수 있는 것은 아니지만 적어도 데이터 평가절하 영향은 줄일 수 있다.   ITRC(Identity Theft Resource Center)에 따르면, 2018년 한 해 1,244건의 데이터 침입(Breach) 사고가 보고됐다. 이로 인해 소비자의 개인 식별 정보(PII)가 포함된 4억 4,600여만 개의 기록이 영향을 받았다. 여기에서 눈여겨 볼 단어는 ‘보고된’이다. 해킹을 당한 기업이 모두 침입에 대해 보고를 했다고 가정하자. 1,244건은 해커가 발각된 침해 사고의 건수다. 그러나 해커는 발각되는 것을 좋아하지 않는다. 다시 말해, 보고된 1,244건의 침입 사고가 ‘빙산의 일각’에 불과할 수 있다. 매일 보고된 사례보다 훨씬 더 많은 기업에서 침입 사고가 발생한다. 단지 침입 사실을 모르고 있을 뿐이다. 기업의 규모가 작아서, 상근 네트워크 관리자가 없어서, 또는 은행 네트워크와 침입 사고 조사원이 적색경보로 분류하기에는 노출된 지불(결제) 카드의 수가 너무 적어서 등 경우의 수는 아주 많다. 보고되지 않은 소규모 침입 사고에 노출된 카드 수가 몇백 개에 불과할 수 있지만, 이런 카드를 모두 합하면 상당한 규모가 될 수도 있다. 지하경제 필자는 최근 열린 블루핀 서밋(Bluefin Summit)에 PCI 시큐리티 스탠다드 카운슬(PCI Security Standards Council)의 제너럴 매니저를 지낸 스티븐 W 오페이를 초대했다. 그는 지하경제가 실물 경제를 어떻게 반영하는지, 얼마나 깊이 퍼져 있는지를 조명하는 프레젠테이션을 했다. 그는 마이클 맥과이어 박사의 경종을 울리는 연구 결과를 직접 인용했다. ‘이익의 ‘웹’: 사이버범죄 경제의 성장을 이해(Web of Profit:...

2019.05.27

2020 도쿄올림픽 체조 경기 심사, 'AI'가 돕는다

후지쯔 레이저와 신경망이 결합해 올림픽 심사위원에게 어떤 도움을 줄 수 있을까?      올해 초 국제 체조 연맹 월드컵 시리즈에서 후지쯔 레이저와 신경망 기술을 성공적으로 시험한 결과 AI와 3D 감지 시스템이 2020 도쿄 하계 올림픽에 출전하는 선수들의 평가와 채점을 도울 수 있게 됐다. 이 시스템은 여러 개의 LIDAR 센서를 사용하여 체조 선수와 신경망을 추적해 선수의 움직임을 3D 디지털 방식으로 표현한다. 이 3D 모델은 운동선수 동작의 난이도를 계산하는 데 사용되며 팔다리의 각도와 루틴의 대칭도 표시한다. 이 AI 시스템은 오는 10월 독일 슈투트가르트에서 개최되는 제49회 세계 체조 선수권 대회에서 심사위원단을 도울 것이다. 이 기술을 공급하는 업체인 후지쯔는 2020년 도쿄 하계 올림픽에서 10회에 걸쳐 진행될 체조 경기에 이 기술이 쓰일 것으로 기대하고 있다.     시합을 모니터링하기 위해 최대 6개의 레이저가 바나 기계체조용 안마 주변에 설치돼 초당 최대 200만 포인트를 선수에게 투사한다. 후지쯔의 ‘스켈레톤 레코그니션 소프트웨어(skeleton recognition software)’는 의료 재활을 위해 개발된 것으로 팔다리의 위치, 관절의 각도, 회전 수 등을 평가한다. 움직임은 채점에 참고하고자 ‘스킬 데이터 사전’과 대조된다.     이 기술은 경기가 진행되는 동안 점수 시트를 손으로 쓰면서 점점 더 정교한 루틴을 표시하는 방법에 대처하고자 노력하는 체조연맹의 환영을 받는다. 국제 체조 연맹(International Gymnastics Federation)의 모리나리 와타나베 회장은 "공정한 채점은 체조 경기에 대한 자신감을 높이고, 거버넌스는 스포츠 조직으로서 우리에게도 중요하다"라고 설명했다. 이 시스템은 후지쯔가 만든 골프 스윙 진단 도구를 본떠 만들어진 것이다.  와타나베는 &...

CIO 패럴림픽 체조 채점 2020 도쿄 올림픽 운동선수 신경망 LIDAR 레이저 사물인터넷 심사 올림픽 센서 인공지능 3D 후니쯔

2019.05.21

후지쯔 레이저와 신경망이 결합해 올림픽 심사위원에게 어떤 도움을 줄 수 있을까?      올해 초 국제 체조 연맹 월드컵 시리즈에서 후지쯔 레이저와 신경망 기술을 성공적으로 시험한 결과 AI와 3D 감지 시스템이 2020 도쿄 하계 올림픽에 출전하는 선수들의 평가와 채점을 도울 수 있게 됐다. 이 시스템은 여러 개의 LIDAR 센서를 사용하여 체조 선수와 신경망을 추적해 선수의 움직임을 3D 디지털 방식으로 표현한다. 이 3D 모델은 운동선수 동작의 난이도를 계산하는 데 사용되며 팔다리의 각도와 루틴의 대칭도 표시한다. 이 AI 시스템은 오는 10월 독일 슈투트가르트에서 개최되는 제49회 세계 체조 선수권 대회에서 심사위원단을 도울 것이다. 이 기술을 공급하는 업체인 후지쯔는 2020년 도쿄 하계 올림픽에서 10회에 걸쳐 진행될 체조 경기에 이 기술이 쓰일 것으로 기대하고 있다.     시합을 모니터링하기 위해 최대 6개의 레이저가 바나 기계체조용 안마 주변에 설치돼 초당 최대 200만 포인트를 선수에게 투사한다. 후지쯔의 ‘스켈레톤 레코그니션 소프트웨어(skeleton recognition software)’는 의료 재활을 위해 개발된 것으로 팔다리의 위치, 관절의 각도, 회전 수 등을 평가한다. 움직임은 채점에 참고하고자 ‘스킬 데이터 사전’과 대조된다.     이 기술은 경기가 진행되는 동안 점수 시트를 손으로 쓰면서 점점 더 정교한 루틴을 표시하는 방법에 대처하고자 노력하는 체조연맹의 환영을 받는다. 국제 체조 연맹(International Gymnastics Federation)의 모리나리 와타나베 회장은 "공정한 채점은 체조 경기에 대한 자신감을 높이고, 거버넌스는 스포츠 조직으로서 우리에게도 중요하다"라고 설명했다. 이 시스템은 후지쯔가 만든 골프 스윙 진단 도구를 본떠 만들어진 것이다.  와타나베는 &...

2019.05.21

'항공기 설계·모델링·최적화 찾는다' 에어버스의 양자컴퓨팅 활용법

에어버스는 경진대회를 열어 응용과학에 관한 학술 연구를 통해 자사의 고민을 해결할 가능성을 모색하고 있다. 이 경진대회로 에어버스는 항공기 설계, 최적화, 모델링을 발전시키려 하며, 양자컴퓨팅 인재도 찾고 있다.   이 대회의 목적 중 하나는 양자컴퓨팅이 좀더 전통적인 고성능컴퓨팅(HPC: High Performance Computing)보다 나은 이점을 제공할 수 있는 영역을 찾는 것이다. 도전 과제는 5개의 문제로 분류되며 이것들은 항공기 이륙 최적화, 컴퓨터 유체 역학, 부분적인 미분 방정식을 해결하기 위한 양자 신경망, 날개 박스 디자인 최적화, 항공기 하중 최적화 등과 관련되어 있다. 양자컴퓨터는 여전히 초기 단계이지만 그 목표는 양자비트(큐비트)가 열화되기 시작하기 전에 안정된 상태를 유지할 수 있는 시간의 길이를 늘이는 것이다. 이렇게 휘발성이 높은 상태를 더 길게 관리할 수 있다면 양자컴퓨터가 효과적으로 수행할 수 있는 기능이 더 많아져 잠재적으로 최신 컴퓨터에서도 매우 뛰어난 계산을 제공할 수 있다. 에어버스의 블루 스카이 연구소 소장 티에리 보터 박사는 <컴퓨터월드UK>에 에어버스가 수년 동안 항공기 콘텍스트에서 양자를 연구했으며 지난해 자사의 벤처캐피탈을 통해 QC웨어에도 투자했다고 밝혔다. 보터 박사는 "실용적이며 오늘 가능할지에 대해 질문하지 않는다. 대신에 언제쯤이면 양자컴퓨터가 도움이 될 징후가 나타날지를 질문한다"며 "어떻게 지금 우리 스스로가 미래를 준비할 수 있을까?"고 말했다. 그리고 이 대회를 통해 양자컴퓨팅 커뮤니티와 ‘가능한 한 광범위하게’ 소통하기 위해 노력하게 되었다고 그는 덧붙였다. "우리는 물리학 등 우리의 핵심 비즈니스 중 하나와 관련된 여러 문제를 제시했으며 기본적으로 커뮤니티에 문제를 제시했다. 즉, 우리가 양자컴퓨팅의 잠재력과 이 새로운 기술을 활용해 이런 문제를 해결할 방법을 찾도록 도와 달라는 것이다&qu...

양자컴퓨팅 hpc 고성능컴퓨팅 에어버스 항공기 신경망 퀀텀컴퓨팅

2019.04.18

에어버스는 경진대회를 열어 응용과학에 관한 학술 연구를 통해 자사의 고민을 해결할 가능성을 모색하고 있다. 이 경진대회로 에어버스는 항공기 설계, 최적화, 모델링을 발전시키려 하며, 양자컴퓨팅 인재도 찾고 있다.   이 대회의 목적 중 하나는 양자컴퓨팅이 좀더 전통적인 고성능컴퓨팅(HPC: High Performance Computing)보다 나은 이점을 제공할 수 있는 영역을 찾는 것이다. 도전 과제는 5개의 문제로 분류되며 이것들은 항공기 이륙 최적화, 컴퓨터 유체 역학, 부분적인 미분 방정식을 해결하기 위한 양자 신경망, 날개 박스 디자인 최적화, 항공기 하중 최적화 등과 관련되어 있다. 양자컴퓨터는 여전히 초기 단계이지만 그 목표는 양자비트(큐비트)가 열화되기 시작하기 전에 안정된 상태를 유지할 수 있는 시간의 길이를 늘이는 것이다. 이렇게 휘발성이 높은 상태를 더 길게 관리할 수 있다면 양자컴퓨터가 효과적으로 수행할 수 있는 기능이 더 많아져 잠재적으로 최신 컴퓨터에서도 매우 뛰어난 계산을 제공할 수 있다. 에어버스의 블루 스카이 연구소 소장 티에리 보터 박사는 <컴퓨터월드UK>에 에어버스가 수년 동안 항공기 콘텍스트에서 양자를 연구했으며 지난해 자사의 벤처캐피탈을 통해 QC웨어에도 투자했다고 밝혔다. 보터 박사는 "실용적이며 오늘 가능할지에 대해 질문하지 않는다. 대신에 언제쯤이면 양자컴퓨터가 도움이 될 징후가 나타날지를 질문한다"며 "어떻게 지금 우리 스스로가 미래를 준비할 수 있을까?"고 말했다. 그리고 이 대회를 통해 양자컴퓨팅 커뮤니티와 ‘가능한 한 광범위하게’ 소통하기 위해 노력하게 되었다고 그는 덧붙였다. "우리는 물리학 등 우리의 핵심 비즈니스 중 하나와 관련된 여러 문제를 제시했으며 기본적으로 커뮤니티에 문제를 제시했다. 즉, 우리가 양자컴퓨팅의 잠재력과 이 새로운 기술을 활용해 이런 문제를 해결할 방법을 찾도록 도와 달라는 것이다&qu...

2019.04.18

질병 진단과 치료, 개인화 추천··· 딥마인드 활약상 10선

2014년 구글이 4억 파운드에 영국에 있는 AI 신생벤처를 사들인 후 딥마인드는 자주 언론의 머리기사를 장식했다. 프로 바둑 기사 이세돌을 이긴 딥마인드의 알파고는 개인 의료 기록 접근에 관한 논란으로 비판을 받기도 했다. ICO 판결에 따르면 구글이 데이터 보호법을 위반했으며 구글이 딥마인드 헬쓰를 통제한다고 발표하면서 우려는 더욱 커졌다. 그 후 신뢰가 흔들리기도 했지만 런던 킹스 크로스(King's Cross)에 있는 딥마인드 연구소는 AI를 계속 연구했으며, 그 결과 런던은 AI를 선도하는 도시로 부상하고 있다. 1. 풍력발전 효율 향상 딥마인드는 미국 중부에 있는 구글의 풍력발전 단지에서 생산된 에너지의 가치를 높이기 위해 에너지가 생성되기 36시간 전에 산출량을 예측했다. 이 회사는 지역 일기 예보와 터빈 데이터에 관해 신경망으로 학습해 다음날 전력망에 최적의 시간별 전기량을 권장할 수 있었다. 딥마인드는 이미 구글의 풍력 에너지 가치를 약 20% 높였으며 예측할 수 없는 에너지 원천을 상업적이고 실용적으로 만들기 위해 모델을 더욱 세밀하게 조정할 것이라고 전했다. 2. 구글 플레이에서 앱 추천 최적화 딥마인드는 머신러닝을 사용하여 이전 다운로드 및 사용된 상황을 기반으로 사용자가 쉽게 쓰고 즐길만한 앱을 찾아 구글 플레이에서 앱 추천을 맞춤 설정하는 데 도움을 주었다. 이 작업은 유료 고객을 구글 플레이 스토어로 끌어들이는 데 목적이 있다. 구글은 딥마인드가 개발한 기술을 구글이 상업화할 수 있는 방법을 보여줬다. 3. NHS 환자의 급성 신장 손상 감지 딥마인드는 검사 결과에 질병의 징후를 검토하고 긴급한 진단이 필요한 경우 직원에게 즉각적인 경고를 보내는 스트림(Streams)이라는 환자 안전 경보 애플리케이션을 개발했다. 이 애플리케이션은 임상가가 급성 신장 부상과 같은 다른 심각한 상태를 신속하게 확인하고 버튼을 눌러 혈액 검사, 스캔, 엑스레이 결과를 표시하도록 도와준다. 이 프로젝트는 의료 치료를 향상하고 의료 프로세...

검색 알파고 바둑 이세돌 구글 어시스턴트 암 진단 신경망 군인 DeepMind 딥마인드 헬쓰 딥마인드 풍력 구글 스마트폰 안드로이드 지도 배터리 게임 인공지능 치료 구글 플레이 조영술

2019.03.15

2014년 구글이 4억 파운드에 영국에 있는 AI 신생벤처를 사들인 후 딥마인드는 자주 언론의 머리기사를 장식했다. 프로 바둑 기사 이세돌을 이긴 딥마인드의 알파고는 개인 의료 기록 접근에 관한 논란으로 비판을 받기도 했다. ICO 판결에 따르면 구글이 데이터 보호법을 위반했으며 구글이 딥마인드 헬쓰를 통제한다고 발표하면서 우려는 더욱 커졌다. 그 후 신뢰가 흔들리기도 했지만 런던 킹스 크로스(King's Cross)에 있는 딥마인드 연구소는 AI를 계속 연구했으며, 그 결과 런던은 AI를 선도하는 도시로 부상하고 있다. 1. 풍력발전 효율 향상 딥마인드는 미국 중부에 있는 구글의 풍력발전 단지에서 생산된 에너지의 가치를 높이기 위해 에너지가 생성되기 36시간 전에 산출량을 예측했다. 이 회사는 지역 일기 예보와 터빈 데이터에 관해 신경망으로 학습해 다음날 전력망에 최적의 시간별 전기량을 권장할 수 있었다. 딥마인드는 이미 구글의 풍력 에너지 가치를 약 20% 높였으며 예측할 수 없는 에너지 원천을 상업적이고 실용적으로 만들기 위해 모델을 더욱 세밀하게 조정할 것이라고 전했다. 2. 구글 플레이에서 앱 추천 최적화 딥마인드는 머신러닝을 사용하여 이전 다운로드 및 사용된 상황을 기반으로 사용자가 쉽게 쓰고 즐길만한 앱을 찾아 구글 플레이에서 앱 추천을 맞춤 설정하는 데 도움을 주었다. 이 작업은 유료 고객을 구글 플레이 스토어로 끌어들이는 데 목적이 있다. 구글은 딥마인드가 개발한 기술을 구글이 상업화할 수 있는 방법을 보여줬다. 3. NHS 환자의 급성 신장 손상 감지 딥마인드는 검사 결과에 질병의 징후를 검토하고 긴급한 진단이 필요한 경우 직원에게 즉각적인 경고를 보내는 스트림(Streams)이라는 환자 안전 경보 애플리케이션을 개발했다. 이 애플리케이션은 임상가가 급성 신장 부상과 같은 다른 심각한 상태를 신속하게 확인하고 버튼을 눌러 혈액 검사, 스캔, 엑스레이 결과를 표시하도록 도와준다. 이 프로젝트는 의료 치료를 향상하고 의료 프로세...

2019.03.15

안전 사고 예방 위해 신경망 구현··· 호주 중장비 회사 사례

코티스 하이어(Coates Hire)는 퍼스에서 열리는 호주의 날 불꽃놀이부터 30억 호주달러 규모 시드니 노스커넥스(NorthConnex) 터널 공사까지, 호주 전역을 대상으로 프로젝트에 필요한 다양한 장비를 공급하는 회사다. 100만 종류가 넘는 장비 및 장치 가운데 17톤 드럼 롤러, 12톤의 흙 파는 기계 같은 중장비들을 호주 전역의 150개 시설에서 트럭 뒤에 싣고 내려야 한다. 이는 코티스 하이어가 ‘가장 위험한 작업’으로 분류해 인식하고 있는 것들이다. 과거 코티스 같은 회사들은 이런 적재 작업 과정에서 발생한 사고 때문에 직원들이 목숨을 잃는 경우도 있었다. 2017년 말, 코티스는 사고로 인한 부상의 위험을 줄이고, 이 회사의 제프 프레이저가 주창한 ‘위험 제로 문화(Zero Harm Culture)’를 정착하기 위한 노력의 일환으로 엄격한 적재 프로세스를 도입했다. 이 새로운 시스템이 효과를 발휘하고 있지만, 코티스는 기술을 활용해 규칙을 더 효과적으로 집행하고 안전성을 더 높이는 방법을 탐구하고 있다. 코티스 하이어의 벤 워터하우스 CIO는 “우리는 항상 안전성을 개선할 방법을 찾고 있다. 꽤 엄격한 프로세스를 도입해 적용하고 있으며, 이러한 프로세스가 효과를 발휘하고 있다. 아주 긍정적인 성과도 일궈냈다. 그렇지만 지금은 기술을 활용해 이런 활동을 지원하고, 더 낫게 만드는 방법을 찾고 있다. 안전성을 2배로 높이고, 적재 및 하역 프로세스를 가능한 한도에서 가장 안전하게 만드는 데 목적이 있다”고 이야기했다. 코티스는 브리즈번에 있는 기업인 빅메이트(Bigmate)가 새로 시장화한 컴퓨터 비전 기반 도구인 워니(Warnie)를 활용해 사고를 예방하고, 안전 규정을 위반했을 때 그 즉시 경보음을 발령하는 계획을 수립했다. 그리고 지난 1월 2개 지사에서 ‘가치를 증명하는’ 파일럿 프로젝트를 시작했다. 빅메이트의 브렛 오어 제너럴 매니저는 &l...

CIO 중장비 안전 사고 빅메이트 신경망 람다 아마존웹서비스 재스퍼소프트 사물인터넷 엔비디아 팁코 AWS 빅데이터 코티스 하이어

2019.02.07

코티스 하이어(Coates Hire)는 퍼스에서 열리는 호주의 날 불꽃놀이부터 30억 호주달러 규모 시드니 노스커넥스(NorthConnex) 터널 공사까지, 호주 전역을 대상으로 프로젝트에 필요한 다양한 장비를 공급하는 회사다. 100만 종류가 넘는 장비 및 장치 가운데 17톤 드럼 롤러, 12톤의 흙 파는 기계 같은 중장비들을 호주 전역의 150개 시설에서 트럭 뒤에 싣고 내려야 한다. 이는 코티스 하이어가 ‘가장 위험한 작업’으로 분류해 인식하고 있는 것들이다. 과거 코티스 같은 회사들은 이런 적재 작업 과정에서 발생한 사고 때문에 직원들이 목숨을 잃는 경우도 있었다. 2017년 말, 코티스는 사고로 인한 부상의 위험을 줄이고, 이 회사의 제프 프레이저가 주창한 ‘위험 제로 문화(Zero Harm Culture)’를 정착하기 위한 노력의 일환으로 엄격한 적재 프로세스를 도입했다. 이 새로운 시스템이 효과를 발휘하고 있지만, 코티스는 기술을 활용해 규칙을 더 효과적으로 집행하고 안전성을 더 높이는 방법을 탐구하고 있다. 코티스 하이어의 벤 워터하우스 CIO는 “우리는 항상 안전성을 개선할 방법을 찾고 있다. 꽤 엄격한 프로세스를 도입해 적용하고 있으며, 이러한 프로세스가 효과를 발휘하고 있다. 아주 긍정적인 성과도 일궈냈다. 그렇지만 지금은 기술을 활용해 이런 활동을 지원하고, 더 낫게 만드는 방법을 찾고 있다. 안전성을 2배로 높이고, 적재 및 하역 프로세스를 가능한 한도에서 가장 안전하게 만드는 데 목적이 있다”고 이야기했다. 코티스는 브리즈번에 있는 기업인 빅메이트(Bigmate)가 새로 시장화한 컴퓨터 비전 기반 도구인 워니(Warnie)를 활용해 사고를 예방하고, 안전 규정을 위반했을 때 그 즉시 경보음을 발령하는 계획을 수립했다. 그리고 지난 1월 2개 지사에서 ‘가치를 증명하는’ 파일럿 프로젝트를 시작했다. 빅메이트의 브렛 오어 제너럴 매니저는 &l...

2019.02.07

회사명:한국IDG 제호: ITWorld 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아00743 등록일자 : 2009년 01월 19일

발행인 : 박형미 편집인 : 박재곤 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2022 International Data Group. All rights reserved.

10.4.0.6