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] 오라클 2세대 클라우드가 타사 클라우드에 비해 가지는 특장점은?
가용성 뿐만 아니라 성능에 대해서도 SLA 를 제공하고 있으며, 분리된 네트워크로 보안성을 한층 더 강화 하였습니다. All SSD 사용으로 IO 가 경쟁사 대비 월등하게 나오고 있습니다. 이외 다양한 장점이 있으니 담당영업을 호출해 주시면 자세한 설명 드릴수 있도록 하겠습니다.
2세대 클라우드의 차별화 포인트는 보안, 퍼포먼스, 신회성, 가용성 향상으로 말씀드릴수 있습니다.
[질문] 오라클은 database가 강한 걸로 알고 있으나 최근 오픈소스 가속화가 진행됨에 따라 위기도 증가하는 듯 한데 이에 대한 대비책이 있으신지요?
저희 오라클에서는 오늘 세미나에서 소개 드리는것 처럼 자율주행 데이터 베이스(데이터 웨어하우스) 출시로 차별화된 서비스를 제공 하고 있습니다.
오픈소스 DB의 1위인 My SQL 역시 오라클의 제품이며, 오라클의 클라우드에서 다양한 오픈소스 ( 카프카, 빅데이터(클라우데라), 서버리스 스팍 , 주피터랩을 사용한 인공지능 플랫폼 등도 함께 제공하고 있습니다.
DB 서버를 HA , DR 을 할때 Oracle DB 가 아닌 MySQL DB 를 사용하면서 1차 본교 전산실에 DB1 DB 1서버를 오라클 HA로 HA 구성하고서 2차 캠퍼스에 DB1, DB2 서버를 오라클 HA로 HA 고 두 사이트를 오라클 DR 로 DR 하는 구성을 계획한다면 안정성이나 복구 속도는 얼마나 효울성이 있을까요? 위와 같은 구성을 하면서 각 캠퍼실 전산실 DB1, 2 서버 HA 은 타 솔루션으로 구성하고 오라클 DR 로 구성한다면 어떠한 이점과 기술 기능적으로 어떤 한계점이 있는지 답변 부탁드립니다.
오라클 클라우드에 DR을 구성하시는 것을 고려하시는 것이라면, RPO가 허용하는 범위(수분~10분) 내에서 저비용 DR (주로 백업 또는 호스트방식의 스토리지 복제)을 고려하시는것이 비용 대비 효과적이라고 생각됩니다.
DR은 단순한 2중화가 아니면서, 센터 전체가 재난으로 동작하지 않을 때, 원격지에서 해당시스템들이 전부 새로 가동되는 것입니다. 이럴 때는 재난이라는 상황을 선포하고, DR의 시스템으로 업무를 이관하며, 데이터뿐만 아니라 모든 시스템이 정상화되는 시간을 RTO라고 해서 3시간 정도의 시간을 목표로 합니다.
[질문] 재난이라는 상황을 선포하는 과정이 자동으로 진행되도록 할 수 있나요? 그리고 DR 전환 Process 전체를 자동화하면 RTO가 HA 전환 수준으로 줄어들 수 있지 않을까요?
[질문] 여러 지사들이 있을 경우 본사와 각 지사에 Citrix SD-WAN 어플라이언스를 각각 1대씩 설치하면 될 것 같은데 맞는지 그리고 설치 이후 성능이 부족할 경우 향후 업그레이드를 어떻게 진행할 수 있는지 궁금합니다.
기본적으로 시트릭스 SD-WAN 제품은 라이센스를 통해서 성능 업그레이드 가능합니다.
라이센스 변경을 통한 성능 업그레이드 외에 더 높은 성능 향상이 필요할 경우에 대해서는 검토가 혹시 불필요할까요?
만약 라이센스를 넘어선 성능 향상이 필요하다면, 장비 교체 또는 장비를 추가하여 사용 가능합니다. 상세한 구성에 대해서는 연락처 남겨 주시면 답변 드리겠습니다.
[질문] 당연히 안될 것 같아서 여쭤볼까 말까 했었는데 방금 주신 답변에서 관련 내용이 나온 것 같아 질문 드립니다. 예를 들어 본사에서 Citrix SD-WAN 장비를 사용 중이었는데 지사가 많이 늘어나서 성능이 많이 부족하다고 추후에 판단하게 되면 장비 교체 대신 본사에 Citrix SD-WAS 장비를 추가 설치하여 성능 향상을 얻는 것도 가능한 것일까요?
[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.