안녕하십니까. 앤시스 코리아 양경모입니다.
1. 인공지능 붐이 일어나기 전과 후에도 여러 이론과 방법론이 발전하고 있습니다. Non-parametric 방법론은 그 중 하나입니다. 이 방법론은 데이터에 대한 가정 없이 모델을 구축하는 방식으로, 특히 데이터의 분포를 가정하지 않는 통계적 방법을 말합니다.
여기서 몇 가지 주목할만한 non-parametric 이론과 방법론을 소개해 드리겠습니다:
- K-최근접 이웃 (K-Nearest Neighbors, KNN)
- 커널 밀도 추정 (Kernel Density Estimation, KDE)
- 비모수적 가설 검정 (Non-parametric Hypothesis Testing)
- 부트스트레핑 (Bootstrap)
- 로우스톤 테스트 (Runs Test)
2. 현재 인공지능 분야에서 가우시안 프로세스와 베이지안 프로세스는 주목받고 있는 중요한 기술입니다.
가우시안 프로세스 (Gaussian Process):
가우시안 프로세스는 확률론적 모델링 방법으로, 불확실성을 추정하고 함수를 모델링하는 데 사용됩니다.
하이퍼파라미터 최적화에 활용되며, 목표 함수의 불확실성을 고려하여 최적값을 찾습니다.
예를 들어, 인공지능 모델의 하이퍼파라미터 조정에 활용됩니다.
베이지안 프로세스 (Bayesian Process):
베이지안 프로세스는 베이지안 확률론에 기반한 순차적 최적화 전략을 사용합니다.
목표 함수의 불확실성을 추정하고, 이를 기반으로 하이퍼파라미터 최적값을 찾아냅니다.
정보보안 분야에서도 AISecurity와 관련하여 베이지안 기술이 적용 가능성을 가지고 있습니다.
이러한 기술들은 인공지능 붐에서 중요한 역할을 하고 있으며, 더 많은 연구와 응용이 기대됩니다.
가우시안 프로세스(Gaussian Process, GP)는 확률적인 모델링 방법으로, 데이터의 분포를 추론하는데 사용됩니다. 이론적으로는 오래전부터 존재했지만, 딥러닝이 활성화되면서 다양한 차이점이 나타났습니다.
딥러닝과 가우시안 프로세스의 차이점:
- 딥러닝은 신경망 구조를 사용하며, 많은 뉴런과 레이어로 복잡한 함수를 근사합니다.
- 가우시안 프로세스는 확률적인 함수를 직접 모델링하며, 평균 함수와 공분산 함수를 사용합니다.
- 딥러닝은 대량의 데이터를 필요로 합니다. 많은 샘플이 있을 때 성능이 향상됩니다.
- 가우시안 프로세스는 적은 데이터로도 유연하게 모델링할 수 있습니다.
- 가우시안 프로세스는 불확실성을 확률적으로 다루기 때문에 예측에 대한 불확실성을 제공합니다.
- 딥러닝은 불확실성을 직접 다루지 않고, 예측값만 제공합니다.
- 가우시안 프로세스에서 커널 함수는 데이터 간의 상관 관계를 정의합니다.
딥러닝에서는 커널 함수 대신 활성화 함수를 사용합니다
RNN은 시계열 데이터와 순차적인 데이터를 모델링하는데 사용됩니다.
가우시안 프로세스는 시간에 따른 불확실성을 다루는데 유용합니다.
따라서 RNN과 가우시안 프로세스는 서로 보완적인 역할을 합니다.
현재 딥러닝에서 non-parametric이라는 용어는 unsupervised 학습과 관련하여 사용됩니다. 이 개념은 라벨 없는 데이터를 활용하여 모델을 훈련하는 방식을 의미합니다. Non-parametric 방법은 파라미터의 수를 고정하지 않고 데이터에 따라 유연하게 모델을 구성하는 방식입니다. 이는 클러스터링 (예: K-means)이나 차원 축소 (예: PCA)와 같은 전통적인 비지도 학습 방법과도 관련이 있습니다.
시계열과 가우시안 프로세스는 다른 개념입니다. 시계열은 시간에 따라 변화하는 데이터를 다루는 것으로, 예측, 분류 또는 패턴 인식과 같은 작업에 사용됩니다. 반면 가우시안 프로세스는 확률적 모델로, 데이터의 분포를 모델링하고 예측하는 데 사용됩니다. 이 두 개념은 서로 다른 방식으로 코딩되며, 시계열 데이터를 다루는 경우 시계열 모델링 기법을 사용하고, 가우시안 프로세스를 적용할 때는 해당 프로세스를 구현하는 방식을 따릅니다.
[질문] URL을 통해 인증 피싱사이트로 유인하는 경우에 대한 대응 방안은 어떤 것이 있나요? 그리고 이미 활성화된 메일 URL에 대해 대응하는 솔루션이 있나요?
[질문]서비스나우의 플래폼 구축만 하면 디지털 혁신이 자연스럽게 되어 생산성을 향상시킬수 있는지, 어떻게?
서비스나우의 플래폼 구축을 위해서 사전 준비 사항은 무엇이 있는지,
통상 구축 기간이 어느정도 소요되며, 가시적인 성과를 낼수 있는 시기는 구축후 어느정도 되는지요.
[서비스나우]서비스나우 만으로 디지털 혁신이 이루어진다고는 감히 말씀드릴 수는 없습니다. 다만 서비스나우가 가진 Best Practice, user experience를 쉽게 디지털화할 수 있는 low code 기반의 app 개발 툴, workflow 등등을 이용하여 쉽게 타 솔루션과 connection하고 필요한 app을 개발하여 활용할 수 있으므로 고객의 디지털 혁신을 지원한다고 할 수 있겠습니다.
플랫폼 구축의 경우, 타 프로젝트 사례(ITSM)를 바탕으로 컨설팅 및 구축(10-12주)을 포함하여 3-4개월 정도가 예상됩니다만...이는 고객이 도입하시고자 하는 범위와 customizing에 따라 달라질 수 있습니다.
(질문) 도입시 가장 고려해야할 사항은 무엇이며, 비용 절감 요소는 무엇이 있을까요?
[서비스나우]서비스나우는 SaaS 시스템으로 수많은 고객분들의 Best Experience를 기반으로 시스템이 구성되어 있습니다. 예를 들어 ITSM의 경우 ITIL V3.0 을 기반으로 다양한 Best Practice 가 내재되어 있으며, 이와 함께 다양한 운영 편의성 기능(수백개의 대시보드, Report, case 등등)이 내재되어 있습니다. 따라서 고객분들께서는 Cstomizing에 많은 시간을 투자하지 않으시더라도 쉽고 빠르게 시스템을 사용하실 수 있습니다. 또한 SaaS 이므로 별도의 H/W 비용 및 운영 비용이 필요하지 않습니다.
[질문] 다양한 스마트기기의 접속시에 개인정보보호 및 SSL 통신이 보장되는지요?
[서비스나우]서비스나우에게 제공하는 모바일 앱은 Native Application입니다. 또한 사용자 인증을 위해서 Auth 2.0을 사용한 플랫폼 인증을 지원합니다. (인증 메커니즘에는 다중 공급자 SSO, MFA, LDAP, 로컬 DB 및 다이제스트) 더 자세한 사항은 https://docs.servicenow.com/bundle/paris-mobile/page/administer/tablet-mobile-ui/concept/sg-mobile-security.html 참조 해주시기 바랍니다. 감사합니다.
Edge computing 환경은 지금보다 더 다양하고 복잡한 환경으로 진화할 것으로 예상되는데 Edge 를 대응하기 위한 제품/서비스 로드맵 공유가 가능하신가요?
[질문]Non parametric에 대해 공부중입니다. 처음 접하는 개념이라 질문사항이 몇가지가 있습니다.
1) 인공지능 붐이 일어나기 전과 후 non parametric에서 대세가 되고 있는 이론이 있나요?
2) 혹시 가우시안과 베이지안 프로세스가 현재 인공지능 붐의 대세인가요?
3) 가우시안 프로세스는 오래전에 나온 이론인데, 딥러닝이 활성화되면서 예전과 어떤 차이점이 있는지 궁금합니다.
RNN등으로 인해, 산출되는 값이 많이 바뀌기 시작한 것인가요?
추가로 질문하나만 더 드립니다. 기존에 non parametric이라고 칭하던게 현재 딥러닝에서 구사하는 unsupervised 개념이 맞는 것인지요? 또한 시계열과 가우시안 프로세스는 같은 방식의 코딩인가요?
성실한 답변 부탁드립니다.