Introducing
Your new presentation assistant.
Refine, enhance, and tailor your content, source relevant images, and edit visuals quicker than ever before.
Trending searches
15
AI
W H A T I S ?
지금 "머신 러닝"이라고 불리는 것은 학습 할 수있는 기계의 등장은 훨씬이전인 1700 년대 / 1800 년대에 시작되었습니다.
BEGINNING
OF AI
인공지능에대한 보편적인정의는 없습니다.
Beginning
인공적으로 지능적인 존재
에 대한 아이디어는
선사 시대이며,
지능적인 기계에 대해
널리 알려진 언급은 1300 년대에 나타났다고 합니다.
최초의 실제 학습 기계는
1950 년대 초에 나타났습니다.
A BRIEF
HISTORY
OF AI
History
1943
AI의 첫번째로 많은 과학자들에게 인정된 작업은
"인공 뉴런"의 설계였습니다.
미국의 Dartmouth대학에서
논리이론가프로그램의 발표와 함께
"인공 지능"이라는 용어가
만들어졌습니다.
1956
60s/70s
60년대를 거치면서 발전이 가속되었지만, 그이후에는 느려졌습니다.
70년대, 첫번째 AI가 탄생하는데,
그 AI의 이름은 "AI Winter"
입니다.
80s
70년대 AI분야는 잊혀지다가 Expert Systems이라는것이 생기고 다시 엄청
유행을 시키기 시작했습니다.
90s/2000s
AI가 나쁜 단어가되었지만 머신러닝을 훨씬 더 광범위하게 채택하면서 90년대 후반과 2000년대초까지 진행이 계속되었습니다.
AI Spring은 2011년 왓슨에 의해 시작되었으며
그 이후로 ImageNet, DeepMind 및 AlphaGo가
등장하기 시작했습니다.
2011
A FRAMEWORK
Framework
TO DISCUSS AI
제품추천
로보틱
예측및유지보수
오디오 녹음
채팅 봇
스마트 이미지
검색/분석
글쓰기
Cases
USE
고객의 소리 분석
타겟 광고
CASES
자율주행 차
검색
엔진
이상 감지
컴퓨터 시각 인식
음성 텍스트
분류
추천 엔진
오디오 생성
Applications
APPLICATIONS
이미지 생성
자연적 언어 쿼링 (NLQ)
자연적 언어 처리 (NLP)
자연적 언어 생성(NLG)
자연적 언어 이해 (NLU)
Clustering
Support Vector Machines
Random forest
Markov processes
Logistic regression
Linear regression
Symbolic logic
Generative adversarial networks
(Artificial) neural networks
Recurrent neural networks
Convolutional neural networks
Deep neural networks
기술
Expert systems
Decision trees
Technologies
Technologies
Not Machine Learning
Machine Learning
회귀
회귀
Bca-ML
확률적 분류기
확률적 분류기
서포트 벡터 머신
서포트 벡터 머신
vs.
신경망
신경망
vs.
클러스터링
--
의사결정 트리학습
--
유전 알고리즘
Non-ML
Experiment
A THOUGHT
EXPERIMENT
DeepMind는 Atari 게임을 이기기 위해 Q-Learning 알고리즘을 개발합니다.
2010
2014
2010
2014
이때 구글이 DeepMind의 가능성을 보고
약5600억을 주고
인수하였습니다.
2014
2014
DeepMind는 AlphaGo에서 개발을 시작합니다.
이때 AlphaGo는 3 천만 번의 전문적인 동작과
수천 번의 경기에 대한 훈련을 받았습니다.
2015
AlphaGo는 세계 최고의 바둑 플레이어 중 한명인 이세돌 (4-1)로 이겼습니다.
2015
이게 과연 여전히 기계학습프로그램만이라고 할 수 있을까요?
80년대에 전문가시스템의 한계가 분명하게 드러났지만
"하이브리드 시스템"의
잠재력에 대해 많은 기대가 있습니다.
ML이 작업의 80 %를 수행하고 인간이 격차를 줄이는 "Human-in-the-loop"시스템.
NLP : 구문명확화에 적용되는 딥 러닝.
THE ROLE
OF NON-ML AI TODAY
Role
무인 자동차 : 잘정의된 작업(운전)의 범위내에서 컴퓨터 비전.
에이전트 : 자율 AI의 인간 정의가드레일
(Microsoft Tay 참조).
Curve
THE AI
지적교양
DNNs
95%
CURVE
Random Forest
85%
Logic Regression / SVM
PRECISION
Linear Regression / NBC / kNN
Expert system
70%
0 pts
>10,000 pts
100 pts
500 pts
1,000 pts
DATA (/TIME)
알림 : 4Degrees는 관계 관리에 관한 것입니다.
엔지니어, VC, Entrepreneur, FinTech, Medicine과 같은 태그를 예측하려고합니다.
A SAMPLE
Sample
PROJECT
사람들의 공개 트윗을 사용하여
"누구"인지 알립니다.
Twitter에서
태그 확인
직관 : 엔지니어는 일반 사람들보다 Python 또는 Node를 언급 할 가능성이
더 높습니다.
Model
도메인 별 단어 (예 : Python, Ruby)의
미니 사전을 만듭니다.
Level 1
일부 알려진 긍정 및 부정에 대한 발생률 / 빈도를 측정합니다.
이상값을 감지할 수 있도록 중앙값 / IQR을 찾으십시오.
Results
LEVEL 1:
~70%
정도
오류의 가장 큰 원인은 관련없는 도메인 (예 : Python 용 스네이크 핸들러, Ruby 용 gemologists)에서 용어가 의도하지 않게 발생하는 것입니다.
EXPERT SYSTEM
(10 data pts)
Model
임의의 트윗 세트에 단어 모음을 만듭니다.
LEVEL 2:
유니 그램으로 시작해라.
NAIVE BAYES
기본 불용어 필터링, 형태소 분석
분류
(100 data pts)
Results
~70%
오류는 전문가 시스템보다 훨씬 더 무작위 적입니다. 트위터 언어의 이상한 점을 포착하는 것 같습니다 (예 : "via").
정도
(전문가 시스템보다 의미 있지 않음)
Level 2
LEVEL 3: LOGISTIC REGRESSION
(500 data pts)
Results
Model
~75%
도메인 관련 언어를 포함하도록
단어 모음을 조정하십시오.
정도
오류는 NBC만큼 나쁘지는 않지만 모델은 여전히 "핵심"단어에 예상대로 초점을 맞추지 않는 것 같습니다.
트위터 언어에 기반한 불용어 필터링을 강화했습니다.
( ML은 우리를 위해 뭔가를하고 있어!)
bigrams를 고려하십시오.
재미 있지만 정확한 인사이트를보기 시작했습니다 (예 : VC의 경우 "축하합니다").
Level 3
Model
Level 4
이전의 깊은 도메인 맞춤형 단어 가방.
bigrams로 계속 실험하십시오.
도메인 별 언어 "플래그"(전문가 시스템의 사전과 유사)에 계층화합니다.
Results
LEVEL 4:
~80%
정도
RANDOM
간단한 ML 모델의 오류 / 한계의 긴 꼬리에 도달하기 (예 : 의료 종사자와 의료 투자자를 혼동하는 모델)
FOREST
(1,000 data pts)
Cases
USE CASES
USE
CASE #1
Case 1
고객 서비스 도우미!
DESCRIPTION
AI가 주도하는 '어시스턴트'는 컨택트센터 직원(채팅과 전화 모두)과 함께 고객의 대화를 청취하면서 관련 기술 자료 기사 및 답변을 추천합니다.
*이러한 기능은 시간이지남에따라
향상되어 고객서비스에이전트의
작업을 점점 더 자동화하고있습니다.
설명
현재에도 엄청나게 발전중이고,최근엔 동급 최고의 자동화 기능은 30%까지 향상되었습니다.
ENABLING
TECHNOLOGIES
NLP의 명확화
딥러닝
미묘한 해석의 개선
퍼지 일치를 사용
산업별 온톨로지(토론을 통한 합의 기술)
인간수준의 음성텍스트 제작
제작한 음성텍스트를 직접 읽기
기술들
Startups
INTERESTING
STARTUPS
USE
CASE #2
Case 2
직원 성과
& 준수
DESCRIPTION
중앙 AI는 직원의 커뮤니케이션상황을 주시하여 다음과같은 작업을 수행합니다.
삐빅! 규정 준수/위험 행동을 식별합니다.
설명
성능을 개선하겠습니다.
판단력은 시간이 지남에 따라 향상되어 더 많은
자동화로 이어집니다.
일반적이지 않은경우 수동검토플래그가 지정되고 결과가 모델에
다시 입력됩니다.
ENABLING
TECHNOLOGIES
NLP의 명확화
딥러닝
미묘한 해석의 개선.
구조화된 데이터로 텍스트 변환
이상 탐지 기능 강화
기업의 데이터 가용성 및
모니터링 대상 직원의 수락 여부.
기술들
INTERESTING
STARTUPS
Startups
USE
Case 3
CASE #3
이미지 분석
DESCRIPTION
알고리즘은 현재 여러 유형의 이미지 처리에서 인간 수준에 도달했습니다. 이러한 기능은 지난 12개월 동안 공개적으로 공개되었습니다.
2015년 CNN과의 이미지넷 경쟁에서
'우승'은
AI 스프링의 주요 촉매제 중 하나였다.
설명
오늘날 가장 큰 제약 사항은 비즈니스
사례를 파악하는 것입니다.
보험 재산 평가
건설 드론 측량
Google 자동 매핑
ENABLING
TECHNOLOGIES
2015년 CNN은 영상에서 인간 수준의 물체 감지를 달성했습니다.
페이스북과 구글은 초인적인 얼굴 감지
알고리즘을 입증했습니다.
개발 관련연구원들은
초 인간감정감지를 입증했습니다.
기술들
INTERESTING
STARTUPS
Startups
USE
CASE #4
Case 4
자동 생성
설명
DESCRIPTION
비즈니스 사례에는 전혀 알려지지 않았지만 접근성, 광고 개인화 및 데이터 시각화가 포함됩니다.
크리에이티브(음성 배우, 그래픽 디자이너, 사진작가 등)에게 미치는
막대한 잠재력이
커졌습니다.
AI는 사실적인 소리(특정 사람의 목소리에 담긴 말소리 포함)와 이미지를 사실상 무료로 만들 수 있게 되었습니다.
ENABLING
TECHNOLOGIES
GANs
오디오 및 이미지 생성의
단계적 변화 개선
기술들
Startups
INTERESTING
STARTUPS
arXiv 1605.05396
arXiv 1512.00570
arXiv 1609.04802
강화 학습 에이전트 및 프로세스 자동화.
고객 서비스의 대량 자동화.
현재 발전중인 기술
Etc
통합
정보
액세스.
텍스트/
음성 요약/
합성
i
출처: