Offcanvas

������������

"컴퓨터 비전 시장 2026년까지 26.3% 성장··· 지도학습 분야 84% ↑"

컴퓨터 비전 시장 규모가 2021년 159억 달러에서 2026년까지 513억 달러로, 연평균 26.3%의 복합성장률을 기록하며 성장할 전망이다. 품질 검사 및 자동화 분야에서의 수요증가, 비전통적이고 새로운 애플리케이션에서의 수요 증가, 산업 자동화 및 통합을 지원하기 수요 증가 등이 성장을 주도할 것으로 예상된다. 마켓앤마켓이 '2026년까지 컴퓨터 비전 시장의 AI(AI in Computer Vision Market, Global Forecast to 2026)' 보고서를 발표했다. 보고서는 컴퓨터 비전 관련 산업을 구성 요소, 기계 학습 모델, 응용프로그램, 최종 사용 산업, 지역 등으로 나누어 조사를 진행했다. 컴퓨터 비전이 인공지능 시장에서 꾸준한 성장세를 유지할 것으로 전망했지만 클라우드 기반 이미지 처리 및 분석에서의 보안 문제는 성장을 제한하는 요소라고 지적했다. 컴퓨터 비전에서의 AI 시장 규모가 2026년까지 연평균 26.3%의 성장률을 기록할 전망이다. 생산 및 품질 관리, 의료 분야, 자율 주행, 소비자 및 가전 분야에서의 컴퓨터 비전 시스템과 솔루션 수요가 증가하고 있다. (자료 : MarketsandMarkets) 컴퓨터 비전에 대한 수요는 다양한 분야에서 증가하고 있다. 특히 품질 검사 및 자동화에 대한 수요가 증가하면서, 제조 공정에서의 컴퓨터 비전 솔루션 채택이 증가하고 있다. 자동화된 생산 시설에 컴퓨터 비전을 적용할 경우, 생산 과정에서 시간과 비용을 절약할 수 있기 때문이다. 아울러 결합이나 불량 제품을 선별 효율을 높여, 고객 만족도를 높이는 데도 도움이 된다. 특히 비전통적이고 새로운 분야에서 컴퓨터 비전을 활용한 시스템과 솔루션에 대한 수요가 빠르게 증가하고 있다고 보고서는 밝히고 있다. 소매, 의료, 자동차 안전, 감시, 증강 현실, 3D 모델 등을 위한 다양한 응용 프로그램 개발 수단을 활용해, 의료 산업, 교통 관리, 보안 및 감시, 우편 및 물류, 문서 처리 등의 다양한 분야에서 컴퓨터 비전 관...

컴퓨터 비전 지도학습 마켓앤마켓 머신비전

2021.06.14

컴퓨터 비전 시장 규모가 2021년 159억 달러에서 2026년까지 513억 달러로, 연평균 26.3%의 복합성장률을 기록하며 성장할 전망이다. 품질 검사 및 자동화 분야에서의 수요증가, 비전통적이고 새로운 애플리케이션에서의 수요 증가, 산업 자동화 및 통합을 지원하기 수요 증가 등이 성장을 주도할 것으로 예상된다. 마켓앤마켓이 '2026년까지 컴퓨터 비전 시장의 AI(AI in Computer Vision Market, Global Forecast to 2026)' 보고서를 발표했다. 보고서는 컴퓨터 비전 관련 산업을 구성 요소, 기계 학습 모델, 응용프로그램, 최종 사용 산업, 지역 등으로 나누어 조사를 진행했다. 컴퓨터 비전이 인공지능 시장에서 꾸준한 성장세를 유지할 것으로 전망했지만 클라우드 기반 이미지 처리 및 분석에서의 보안 문제는 성장을 제한하는 요소라고 지적했다. 컴퓨터 비전에서의 AI 시장 규모가 2026년까지 연평균 26.3%의 성장률을 기록할 전망이다. 생산 및 품질 관리, 의료 분야, 자율 주행, 소비자 및 가전 분야에서의 컴퓨터 비전 시스템과 솔루션 수요가 증가하고 있다. (자료 : MarketsandMarkets) 컴퓨터 비전에 대한 수요는 다양한 분야에서 증가하고 있다. 특히 품질 검사 및 자동화에 대한 수요가 증가하면서, 제조 공정에서의 컴퓨터 비전 솔루션 채택이 증가하고 있다. 자동화된 생산 시설에 컴퓨터 비전을 적용할 경우, 생산 과정에서 시간과 비용을 절약할 수 있기 때문이다. 아울러 결합이나 불량 제품을 선별 효율을 높여, 고객 만족도를 높이는 데도 도움이 된다. 특히 비전통적이고 새로운 분야에서 컴퓨터 비전을 활용한 시스템과 솔루션에 대한 수요가 빠르게 증가하고 있다고 보고서는 밝히고 있다. 소매, 의료, 자동차 안전, 감시, 증강 현실, 3D 모델 등을 위한 다양한 응용 프로그램 개발 수단을 활용해, 의료 산업, 교통 관리, 보안 및 감시, 우편 및 물류, 문서 처리 등의 다양한 분야에서 컴퓨터 비전 관...

2021.06.14

블로그 | 머신러닝의 다음은 더 큰 다양성과 유연성

머신러닝은 이제 손쉬운 물건이 됐다. 퍼블릭 클라우드 컴퓨팅 덕분에 저렴해지면서 이제 모든 클라우드 기반 애플리케이션이 머신러닝을 효과적으로 적용하고 있다.   현재 사용되고 있는 머신러닝은 크게 세 가지 종류로 나눌 수 있다. -    지도 학습(Supervised Learning)은 지식 기반을 직접 훈련해야 하고 데이터를 라벨링해야 한다. 이미지 인식을 위해 사람이나 동물, 식물을 알려주는 것과 같다. 지도형 학습은 트랜잭션에 머신러닝을 사용할 때 많이 적용하는 경향이 있다. 가짜 수표 검사나 안면 인식, 데이터의 패턴 인식 등이 대표적인 예다. 필자는 이런 종류의 머신러닝 대부분을 사용한다. -    비지도 학습은 훈련에 라벨링된 데이터가 필요 없다. 비지도 학습 머신러닝은 데이터를 사람이 하는 것과 같은 방식으로 나누거나 묶고 정리할 수 있다. 필자는 이런 머신러닝을 판매 증대 방안을 찾는 웹 사이트의 추천 엔진 구축에 사용했는데, 고객의 관심을 끌 만한 제품을 추천한다. -    강화 학습은 정말로 사람처럼 실수로부터 배운다. 사용자는 지식 엔진에 일정한 종류의 신호를 제공해야 한다. 좋은 행동에는 긍정적인 신호, 나쁜 행동에는 부정적인 신호를 주는 것이다. 이 개념은 좋은 행동에 대한 선호도를 강화한다. 비디오 게임이나 시뮬레이션에 많이 사용한다. 물론 많은 박사 논문과 학술 연구는 다른 종류의 인공지능과 머신러닝도 다룬다. 필자가 여기서 소개한 목록은 대부분 클라우드 기반 머신러닝 툴이 지원하는 종류일 뿐이다. 필자에게 문제는 앞서 언급한 세 가지 머신러닝에 한계가 있을지도 모른다는 것이다. 생각해보자. 모든 종류의 머신러닝을 동적으로 조합하고 데이터 학습이나 대규모 부하나 트랜잭션을 처리하는 동안 접근법이나 종류, 알고리즘을 조정할 수 있다면? 이 세 가지 범주의 머신러닝이 맞지 않는 사용례가 문제이다. 예를 들어, 라벨링된 데이터와 그렇지 ...

강화학습 지도학습 라벨링

2020.01.03

머신러닝은 이제 손쉬운 물건이 됐다. 퍼블릭 클라우드 컴퓨팅 덕분에 저렴해지면서 이제 모든 클라우드 기반 애플리케이션이 머신러닝을 효과적으로 적용하고 있다.   현재 사용되고 있는 머신러닝은 크게 세 가지 종류로 나눌 수 있다. -    지도 학습(Supervised Learning)은 지식 기반을 직접 훈련해야 하고 데이터를 라벨링해야 한다. 이미지 인식을 위해 사람이나 동물, 식물을 알려주는 것과 같다. 지도형 학습은 트랜잭션에 머신러닝을 사용할 때 많이 적용하는 경향이 있다. 가짜 수표 검사나 안면 인식, 데이터의 패턴 인식 등이 대표적인 예다. 필자는 이런 종류의 머신러닝 대부분을 사용한다. -    비지도 학습은 훈련에 라벨링된 데이터가 필요 없다. 비지도 학습 머신러닝은 데이터를 사람이 하는 것과 같은 방식으로 나누거나 묶고 정리할 수 있다. 필자는 이런 머신러닝을 판매 증대 방안을 찾는 웹 사이트의 추천 엔진 구축에 사용했는데, 고객의 관심을 끌 만한 제품을 추천한다. -    강화 학습은 정말로 사람처럼 실수로부터 배운다. 사용자는 지식 엔진에 일정한 종류의 신호를 제공해야 한다. 좋은 행동에는 긍정적인 신호, 나쁜 행동에는 부정적인 신호를 주는 것이다. 이 개념은 좋은 행동에 대한 선호도를 강화한다. 비디오 게임이나 시뮬레이션에 많이 사용한다. 물론 많은 박사 논문과 학술 연구는 다른 종류의 인공지능과 머신러닝도 다룬다. 필자가 여기서 소개한 목록은 대부분 클라우드 기반 머신러닝 툴이 지원하는 종류일 뿐이다. 필자에게 문제는 앞서 언급한 세 가지 머신러닝에 한계가 있을지도 모른다는 것이다. 생각해보자. 모든 종류의 머신러닝을 동적으로 조합하고 데이터 학습이나 대규모 부하나 트랜잭션을 처리하는 동안 접근법이나 종류, 알고리즘을 조정할 수 있다면? 이 세 가지 범주의 머신러닝이 맞지 않는 사용례가 문제이다. 예를 들어, 라벨링된 데이터와 그렇지 ...

2020.01.03

"학습 데이터양을 1/40로"··· AI '준지도학습'의 이해

지난 2017년 아마존의 CEO 제프 베조스는 주주에 보낸 서한을 통해 아마존의 음성 인공지능 어시스턴트인 알렉사(Alexa)에 대해 몇 가지 흥미로운 사실을 다음과 같이 언급했다. "우리는 지난 2년간 미국과 영국, 독일에서 알렉사의 사용자 음성 인식을 25% 이상 개선했다. 준지도학습(semi-supervised learning) 기술을 이용해 알렉사의 머신러닝 관련 요소를 강화하는 방법을 사용했다. 준지도학습 기술 덕분에 같은 정확성을 구현하는 데 필요한 '분류된 데이터' 양을 40배 가까이 줄일 수 있었다"   그렇다면 준지도학습이란 무엇일까? 장단점은 무엇이고 이를 어떻게 활용할 수 있을까? 준지도학습이란, 용어에서 떠올릴 수 있는 것처럼 지도학습과 비지도학습의 중간에 위치한다. 지도학습은 정답(목푯값)이 태그된 데이터를 학습하는 것으로 시작한다. 이런 학습 과정을 거치면 가중치가 부여된 모델이 나오고 이 모델을 통해 태그되지 않는 비슷한 데이터가 입력됐을 때 답변을 예측하게 된다. 준지도학습은 태그된 데이터와 태그되지 않은 데이터를 모두 활용한다. 일반적인 경우 태그되지 않은 데이터는 오히려 모델의 정확성을 떨어뜨릴 수 있지만, 알렉사는 태그되지 않은 데이터를 추가해 오히려 모델의 정확도를 개선했다. 데이터에 태그를 하는 작업은 많은 시간과 비용이 들지만 항상 그런 것은 아니다. 즉, 많은 데이터를 갖고 있고 이 중 일부만 태그가 돼 있다면 준지도학습을 한번 테스트해볼 만 하다. 준지도학습 알고리즘이 처음 등장한 것은 15년도 더 됐다. 2005년 위스콘신대의 제리 주가 발표한 연구 결과가 큰 이정표가 됐다. 이후 오류율을 줄여주는 것이 확인됐고 최근 들어서는 아마존뿐만 아니라 많은 기업이 준지도학습을 활용하고 있다.   -> “데이터 과학자 없는 머신러닝” AutoML의 이해 -> IDG 블로그 | 머신러닝 운영은 클라우드옵스에 적합하지 않다 -> 소프트웨어 개발...

머신러닝 알렉사 지도학습 준지도학습

2019.08.30

지난 2017년 아마존의 CEO 제프 베조스는 주주에 보낸 서한을 통해 아마존의 음성 인공지능 어시스턴트인 알렉사(Alexa)에 대해 몇 가지 흥미로운 사실을 다음과 같이 언급했다. "우리는 지난 2년간 미국과 영국, 독일에서 알렉사의 사용자 음성 인식을 25% 이상 개선했다. 준지도학습(semi-supervised learning) 기술을 이용해 알렉사의 머신러닝 관련 요소를 강화하는 방법을 사용했다. 준지도학습 기술 덕분에 같은 정확성을 구현하는 데 필요한 '분류된 데이터' 양을 40배 가까이 줄일 수 있었다"   그렇다면 준지도학습이란 무엇일까? 장단점은 무엇이고 이를 어떻게 활용할 수 있을까? 준지도학습이란, 용어에서 떠올릴 수 있는 것처럼 지도학습과 비지도학습의 중간에 위치한다. 지도학습은 정답(목푯값)이 태그된 데이터를 학습하는 것으로 시작한다. 이런 학습 과정을 거치면 가중치가 부여된 모델이 나오고 이 모델을 통해 태그되지 않는 비슷한 데이터가 입력됐을 때 답변을 예측하게 된다. 준지도학습은 태그된 데이터와 태그되지 않은 데이터를 모두 활용한다. 일반적인 경우 태그되지 않은 데이터는 오히려 모델의 정확성을 떨어뜨릴 수 있지만, 알렉사는 태그되지 않은 데이터를 추가해 오히려 모델의 정확도를 개선했다. 데이터에 태그를 하는 작업은 많은 시간과 비용이 들지만 항상 그런 것은 아니다. 즉, 많은 데이터를 갖고 있고 이 중 일부만 태그가 돼 있다면 준지도학습을 한번 테스트해볼 만 하다. 준지도학습 알고리즘이 처음 등장한 것은 15년도 더 됐다. 2005년 위스콘신대의 제리 주가 발표한 연구 결과가 큰 이정표가 됐다. 이후 오류율을 줄여주는 것이 확인됐고 최근 들어서는 아마존뿐만 아니라 많은 기업이 준지도학습을 활용하고 있다.   -> “데이터 과학자 없는 머신러닝” AutoML의 이해 -> IDG 블로그 | 머신러닝 운영은 클라우드옵스에 적합하지 않다 -> 소프트웨어 개발...

2019.08.30

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

IDG 설문조사

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.

10.4.0.31