태터데스크 관리자

도움말
닫기
적용하기   첫페이지 만들기

태터데스크 메시지

저장하였습니다.

이벤트 | OX퀴즈 이벤트

이벤트/이벤트 2018. 11. 5. 17:47



당첨자를 발표합니다!

오보람/전융/문상훈/임일준/박우일/이규승/소재웅/지현준/김지혁/구민진

모두 축하드리며, 행복한 연말 보내세요^^~



기획 및 글 | 사업기획팀 박예영

이미지 디자인 | 디자인기획팀 김보명

  • 이전 댓글 더보기
  • 2018.11.28 10:24 ADDR 수정/삭제 답글

    비밀댓글입니다

    • Favicon of https://blog.ex-em.com EXEM 2018.11.28 13:09 신고 수정/삭제

      비밀댓글로 참여해주세요~

  • 2018.11.28 10:24 ADDR 수정/삭제 답글

    비밀댓글입니다

    • Favicon of https://blog.ex-em.com EXEM 2018.11.28 13:09 신고 수정/삭제

      비밀댓글로 참여해주세요~

  • 조철희 2018.11.28 11:25 ADDR 수정/삭제 답글

    1.O
    2. X
    3. O
    조철희 / 010-6795-7704

    • Favicon of https://blog.ex-em.com EXEM 2018.11.28 13:09 신고 수정/삭제

      비밀댓글로 참여해주세요~

  • 문성덕 2018.11.28 11:26 ADDR 수정/삭제 답글

    문성덕/010-8766-3277
    1. O 2.X 3.O

    • Favicon of https://blog.ex-em.com EXEM 2018.11.28 13:09 신고 수정/삭제

      비밀댓글로 참여해주세요~

  • 이도원 2018.11.28 11:27 ADDR 수정/삭제 답글

    정답은 1.O / 2.X / 3.O
    이도원 / 010.6847.0054

    • Favicon of https://blog.ex-em.com EXEM 2018.11.28 13:09 신고 수정/삭제

      비밀댓글로 참여해주세요~

  • 2018.11.28 11:42 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 김경숙 2018.11.28 12:15 ADDR 수정/삭제 답글

    1. O
    2. X
    3. O
    김경숙 / 010-5390-1736

    • Favicon of https://blog.ex-em.com EXEM 2018.11.28 13:10 신고 수정/삭제

      비밀댓글로 참여해주세요~

  • 2018.11.28 12:34 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 2018.11.28 13:26 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 장승원 2018.11.28 14:02 ADDR 수정/삭제 답글

    1. O
    2. X
    3. O
    장승원 / 010 6335 5351

    • Favicon of https://blog.ex-em.com EXEM 2018.11.28 15:09 신고 수정/삭제

      비밀댓글로 참여해주세요~

  • 2018.11.28 16:29 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 2018.11.29 08:13 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 2018.11.29 14:49 ADDR 수정/삭제 답글

    비밀댓글입니다

    • 이규승 2018.11.29 15:48 수정/삭제

      비밀글 등록에 버그가 있네요.
      처음에 등록할때 비밀글 체크하고 confirm을 해도 화면에 나타남.
      Edit에 들어가서 다시 수정으로 비밀글 체크하면 그때는 비밀글 등록됨.
      체크바랍니다.

    • Favicon of https://blog.ex-em.com EXEM 2018.11.29 17:17 신고 수정/삭제

      티스토리 측에 확인해봐야겠네요. 알려주셔서 감사합니다.^^

  • 2018.11.29 21:49 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 2018.11.30 09:13 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 2018.12.03 13:22 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 2018.12.03 13:23 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 2018.12.03 17:42 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 2018.12.03 17:42 ADDR 수정/삭제 답글

    비밀댓글입니다

  • 2018.12.03 17:44 ADDR 수정/삭제 답글

    비밀댓글입니다

월간기술동향 | AI가 개발을?

 

매 해 10월, 미국의 IT 연구 및 자문 회사인 가트너에서는 다음 해 10대 전략 기술 트렌드를 발표합니다. 해마다 달라지는 기술 트렌드를 반영하기 때문에 가트너가 제시하는 기술 트렌드는 매년 조금씩 변화하고 있는데요, 지난 10월 15일 “Top 10 Strategic Technology Trends for 2019”를 발표하였습니다. 


그래서 이번 시간에는 2019년 10대 전략 기술 트렌드 중 흥미로운 하나를 살펴보겠습니다.

 

 

 

 Gartner Top 10 Strategic Technology Trends for 2019 


가트너가 선정한 기술 트렌드는 시대를 선도할 잠재성이 매우 크며, 혁신을 불러 일으킬 것으로 예상됩니다. 

이번 2019년 10대 전략 기술 트렌드는 아직 세상에 많이 알려져 있지 않으며, 앞으로 4년동안 산업에 강한 영향력을 미칠 수 있는 트렌드들에 주목했다고 합니다.

 

<그림1 가트너의 2019 10대 전략 기술 트렌드>

출처: https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2019/ 

 

위 그림에서 알 수 있듯이, 가트너가 제시하는 2019년 10대 전략 기술 트렌드는 ▲자율 사물(Autonomous Things) ▲증강 분석(Augmented Analytics) ▲인공지능 주도 개발(AI-Driven Development) ▲디지털 트윈(Digital Twins) ▲자율권을 가진 에지(Empowered Edge) ▲몰입 경험(Immersive Experience) ▲블록체인(Blockchain) ▲스마트 공간(Smart Spaces) ▲디지털 윤리와 개인정보보호(Digital Ethics and Privacy) ▲양자 컴퓨팅(Quantum Computing)입니다. 


각 항목별 자세한 내용은 가트너 홈페이지를 참고해주시고, 

이번시간에는 ‘인공지능 주도 개발(AI-Driven Development)’에 대해서 한번 생각해보겠습니다.

 
 
 

 AI-Driven Development 

 

현재 대부분의 인공지능 개발은 데이터 과학자와 애플리케이션 개발자가 협력해서 만드는 것이라는 것, 알고 계시죠? 


이에 반해 인공지능 주도 개발은, AI 개발자를 투입해 이를 개선하는 것을 말합니다. 가트너는 2022년까지 애플리케이션 개발 팀 중 최소 40% 정도가 AI 기반 가상 개발자를 보유할 것으로 보았습니다. 또한, 이 시대에는 비전문가들이 AI 도구를 통해 코딩 없이 앱을 만드는 것이 흔해질 것이라고 전망하기도 했습니다.


이미 간단한 코딩은 AI가 할 수 있는 정도까지 왔는데요, 몇가지 예를 살펴보겠습니다.

 

 Auto Machine Learning

 

아마존, 구글 할 것 없이 모두 이 시장에 뛰어들었죠. 지난 10월 뉴스레터의 엑기스-새로운 시도, AutoML’ 코너에서도 다루었습니다.

<그림2 구글과 아마존의 Auto Machine Learning>
출처: 각 사 홈페이지

Auto Machine Learning은 기업간 자원 격차를 줄이고 모든 비즈니스에서 쉽게 AI를 사용할 수 있도록 돕는 서비스 입니다. 한마디로 머신러닝이 가능한 AI를 구축하는 AI인 것이지요. 이를 통해 머신러닝이나 코딩에 대한 전문적인 지식이 없어도 누구나 해당 분야의 특정한 필요에 맞게 강력한 머신러닝 모델을 확장해 활용할 수 있게 됩니다. 
 

 DeepCoder: Learning to Write Programs

 

DeepCoder는 MS와 캠브리지 대학이 공동 개발한 머신러닝 기반의 자동 코딩 기술입니다. 

 

<그림3>

출처: https://fossbytes.com/microsoft-ai-system-deepcoder/

 

MS는 DeepCoder를 통해 사람에게 아이디어만 있으면 AI가 자동으로 소스코드를 작성할 수 있도록 하는 것이 목표라고 합니다. DeepCoder는 현재 논문 수준이라 바로 적용하는 것은 어렵지만, 어느 정도 후에는 소프트웨어 개발 시장에 큰 영향력을 행사할 것으로 보입니다. 


DeepCoder 논문보기

 

 Bayou: AI To Help You Code

 
바이유는 스스로 프로그램을 작성할 수 있는 AI 응용 프로그램으로, 미국 라이스대학이 개발하였습니다.

<그림4 bayou>

출처: https://www.i-programmer.info/news/90-tools/11767-bayou-ai-to-help-you-code.html

 

바이유는 개발자가 몇 가지 키워드를 입력해 자바 코드에 엑세스 할 수 있도록 하여 소스코드 생산에 시간이 덜 소모되도록 합니다. 심지어 오픈소스로 공개되었는데요, 단지 몇 개의 키워드 만으로 프로그램을 만들 수 있다면 저도 프로그래밍에 도전해보고 싶네요.

 

AI시대에 걸맞게 개발분야에도 AI의 바람이 불고 있습니다. AI시대에 개발자가 걸어야 할 길을 생각해보아야 할 것 같은데요, 우려와 걱정보다는 AI시대에 적합한 접근법으로 인식 전환이 필요한 시기인 것 같습니다.



Reference
https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2019/
https://www.microsoft.com/en-us/research/publication/deepcoder-learning-write-programs/ 
http://etinow.me/187
https://www.i-programmer.info/news/90-tools/11767-bayou-ai-to-help-you-code.html 
http://aitimes.co.kr/news/view/46815 




기획 및 글 | 사업기획팀 박예영






월간 기술동향 | 가장 가까운 머신러닝, 추천 서비스

 

 

 

추천 시스템(Recommendation System)이란?

대상자가 좋아할 만한 무언가를 추천하는 시스템을 말합니다. 아마 대부분의 사람들은 최소한 한 번쯤 이미 추천시스템을 경험했을 것 같은데요, 쇼핑을 하기 위해 사이트를 방문하여 특정 상품의 정보를 얻기 위해 클릭을 하면, 화면 어딘가에 추천아이템, 인기아이템, 당신이 좋아할 만한 아이템 등 다양한 이름으로 상품을 추천하는 것을 쉽게 발견할 수 있습니다. 또한 시스템의 문제에 대한 해결 방법 추천과 건강에 대한 치료 방법 추천과 같은 다양한 범위에서 추천 시스템이 활용될 수 있습니다.


추천시스템은 아마도 우리가 가장 빈번하게 접하는 머신러닝 서비스라고 얘기해도 과언은 아닐 것 같은데요. 그만큼 추천시스템은 IT 서비스에서는 매우 중요한 핵심적인 기술이라고 할 수 있고, 전자상거래 관련 회사들은 추천시스템을 준비하거나 운영하고 있습니다.

 

 

 

추천 시스템의 주요 기술

 추천 시스템의 주요 기술은 2가지가 있고, 이 둘을 혼합하여 사용 가능합니다.

<그림1 | 사용자 기반 추천(좌)과 아이템 기반 추천(우)>


1. 아이템 기반 추천 : 사용자가 구매한 물건과 유사한 물건이나 연관성이 높은 물건을 추천하는 방식

2. 사용자 기반 추천 : 사용자를 유사한 사용자별로 그룹핑하고 해당 사용자 그룹내의 사용자가 구매한 물품을 그룹의 다른 사용자에게 추천하는 방식

3. 혼합형 추천 : 사용자를 그룹핑하고, 해당 그룹의 사용자가 구매한 물품들을 아이템 기반으로 연관성을 분석하여 연관성이 높은 물품을 해당 사용자 그룹에 추천하는 방식


주요 기술의 장점 및 단점은 아래 표와 같으며, 

대표적인 추천 알고리즘으로 Collaboration Filtering(CF, 협업 필터링)을 적용하고 있습니다.


<표1 | 추천 서비스 주요 기술의 장단점>



 그리고 최근에는 딥러닝 기술과 결합된 추천 방법을 개발하고 있거나 연구하고 있습니다.

 

 

 


성능평가

Collaboration Filtering을 이용해 추천시스템을 개발했다면 해당 시스템의 성능을 평가해야 합니다. 

성능평가는 주로 A/B 테스트를 적용합니다.

      ※ A/B테스트: 기존의 제품 또는 알고리즘과 신규로 적용한 알고리즘을 비교 평가하는 방식


 

 

추천 시스템의 활용 사례

 마지막으로 추천 시스템(Recommendation System)의 활용 사례를 보시죠. 사례를 보면 더 이해하기 쉬울 것 같습니다.


1. YouTube

유튜브는 비디오 메타데이터(장르, 태그정보, 상영시간 등), 사용자 접속정보(로그인, 미로그인), 사용자 정보(로그인), 비디오 클릭 수, 비디오 플레이타임 정보 등의 정보들을 이용해 추천시스템을 운영하고 있습니다. 

또한, 로그인 상태에 따라 다른 추천 방식을 적용하는데요. 미로그인 시(기본)에는 아이템기반으로 Collaborative Filtering 모델을 적용하여 추천하고, 로그인 후에는 사용자기반으로 Deep Collaborative Filtering 모델을 적용 중입니다.


2. 아마존

아마존은 평점(Rating),구매행위(Buying Behavior) 그리고 검색행위(Browsing Behavior) 정보들을 이용해 추천시스템을 운영하고 있습니다. 또한 자체적으로 기존 데이터를 기준으로 추천하는 Item-to-Item Collaborative Filtering 알고리즘을 개발하였죠.


<그림2 | 아마존이 특허 출원 시 제출한 추천 시스템 요약도>



이 외에도 넷플릭스, 페이스북 등 다양한 기업에서 추천시스템을 활용하고 있습니다.





Reference

https://www.oss.kr/info_techtip/show/5419f4f9-12a1-4866-a713-6c07fd36e647 

https://medium.com/@cfpinela/recommender-systems-user-based-and-item-based-collaborative-filtering-5d5f375a127f 








기획 및 글 | 사업기획팀 박예영

기술 협조 | 사업기획팀 윤효근 박사