컴퓨터가 인간보다 잘 하는 몇 가지 분야가 있는데, 그 중 하나가 바로 이미지 인식입니다. 2012년 알렉스넷이 개발된 이후 컴퓨터 비전 분야는 급속도로 성장하여 우리 일상에 자연스럽게 스며들었습니다. 오늘 포스팅에서는 컴퓨터가 이미지를 어떻게 인식할 수 있는지 이론을 중심으로 살펴보도록 하겠습니다. 1. 컴퓨터 비전의 과거 우리가 모니터를 통해 바라보는 이미지의 구조부터 알아보겠습니다.
데이터 문해력과 SAS Viya 플랫폼 ‘데이터 문해력과 시민 데이터 사이언티스트(이하 CDS)의 필요 역량’이라는 지난번 블로그 포스팅에 이어, 이번에는 데이터 문해력을 기반으로 CDS를 지원하는 기반 플랫폼 ‘SAS Viya’(쌔스 바이야)의 주요 특징들을 살펴보겠습니다. SAS Viya는 인 메모리, MPP 환경과 Cloud Native 등 최신 기술을 기반으로, 분석의 생애 주기인 데이터 접근, 전 처리,
오늘 6월 17일(미 동부 시간 기준 16일) 온라인으로 개최한 ‘SAS 글로벌 포럼 2020’에서 SAS는 최신 클라우드 기술을 접목해 의사결정 과정을 가속화하는 AI 기반 엔터프라이즈 분석 플랫폼의 최신 버전 ‘SAS 바이야 4(SAS® Viya® 4)’를 공개하고 마이크로소프트와 클라우드 전환 가속화를 위한 전략적 파트너십 체결을 발표했습니다. 클라우드로 전환하는 비즈니스 IT 트렌드에 발 맞추어
올해 초부터 시작된 코로나19 사태가 전 세계적으로 장기화되면서 ‘사회적 거리두기’가 새로운 일상으로 자리잡았습니다. 이에 따라 요즘 대부분의 시간을 집에서 보내며 온라인 강의를 듣는 학생들과 재택근무를 하는 직장인들도 많아졌는데요. #언택트 #집콕 #홈코노미 #홀로(HOLO) 등의 신조어들이 이러한 달라진 트렌드를 보여주고 있습니다. 공부를 하든 일을 하든, 집에서 오랜 시간을 보내는 것에는 꽤 명확한
2019년 12월, 중국을 시작으로 발생한 코로나바이러스감염증-19(COVID-19)가 전 세계로 확산되며 190개 국가에서 32만명이 넘는 확진 환자가 발생했습니다. (2020년 3월 23일 기준) 세계보건기구(WHO)는 3월 11일 감염 확산세가 지속되자 홍콩독감(1968), 신종플루(2009)에 이어 사상 세 번째로 코로나19에 대해 팬데믹(pandemic; 세계적 대유행)을 선포했는데요. 한국 역시 지난 2월 23일 코로나19 대응 수준이 ‘심각’ 단계로 격상되며 확진자가
SAS가 최근 글로벌 시장조사기관 가트너에서 발표한 ‘2020 가트너 매직 쿼드런트: 데이터 사이언스 및 머신러닝 플랫폼(2020 Gartner Magic Quadrant for Data Science and Machine Learning Platforms)’ 보고서에서 비전 완성도 및 실행력을 인정받아 리더로 선정됐습니다. SAS는 해당 부문에서 유일하게 7년 연속 리더로 선정됐는데요! 작년 대비 괄목할 만한 성장을 보이며 최상위 리더 제품으로
올해 1월 IDC에서 발표한 ‘IDC 마켓스케이프: 2019-2020년 전 세계 범용 인공지능 소프트웨어 플랫폼 벤더 평가(IDC MarketScape: Worldwide General-Purpose Artificial Intelligence Software Platforms 2019–2020 Vendor Assessment)’ 보고서에서 SAS가 리더로 선정되었습니다🙌🙌 IDC에서 인공지능(AI) 플랫폼 공급업체들을 평가한 것은 이번이 처음이었는데요. IDC 마켓스케이프 보고서는 수익 및 시장성을 비롯해 기업별 AI 전략 및 기능에 대한
지난 10월 21일부터 23일까지 이탈리아 혁신 기술의 중심지 밀라노에서는 유럽 최대 규모의 분석 컨퍼런스 ‘SAS 애널리틱스 익스피리언스 2019(SAS Analytics Experience 2019)’가 개최됐습니다. 3일간 밀라노 컨벤션 센터(Mico Milano Convention Centre)에서 진행된 올해 컨퍼런스에는 1,800명이 넘는 데이터 사이언티스트와 비즈니스 리더들이 모여 다양한 논의가 진행되었으며, 참석자들에게는 56개의 breakout 세션, 48개의 데모 부스, 그
인공지능(AI) 기술은 더 이상 공상 과학소설 속 제재가 아닌 기업이 마주한 현실이 되었습니다. 오늘날 기업들은 머신러닝, 알고리즘, 스마트형 커넥티드 제품 등 다양한 AI 기술을 새롭고 흥미로운 방식으로 비즈니스에 적용하고 있습니다. 딜로이트(Deloitte)에서 이러한 인지기술(cognitive technologies)을 적극적으로 도입하는 기업들을 대상으로 진행한 최근 설문조사에 따르면, 응답자 중 76%가 AI를 비롯한 인지기술이 3년 이내에
SAS, 향후 3년간 AI 분야 10억 달러 투자 계획 발표 R&D 혁신 교육 및 전문가 컨설팅 지원 통해 기업 AI 역량 강화 국내에서도 AI 전문가 교육 프로그램 제공… 인재 양성 및 분석가 저변 확대 2019년 3월 28일 – 세계적인 분석 선두 기업 SAS(www.sas.com/korea)가 향후 3년간 인공지능(AI) 분야에 총 10억 달러(한화 약
머신러닝 모델 해석력 시리즈 3탄! 오늘은 머신러닝 모델의 작동 원리에 대한 인사이트를 도출할 수 있는 변수를 표시하는 두 가지 방법에 대해 자세히 살펴보고자 합니다. 머신러닝 모델 해석력 시리즈 1탄과 2탄을 놓치셨다면, 클릭해주세요! 1탄: 인공지능(AI)과 머신러닝을 신뢰하기 위한 필수 조건, 해석력! 2탄: 머신러닝 해석력 시리즈 2탄: 데이터 세트를 이해하고 해석하는 방법 데이터 과학자가 모델이
SAS 솔루션으로 다양한 종류의 심층 신경망(DNN;Deep Neural Network) 모델을 구축할 수 있습니다. 구체적으로 컨볼루션 신경망(convolutional neural networks), 순환 신경망(recurrent neural networks), 순방향 신경망(feedforward neural networks), 오토인코더 신경망(autoencoder neural networks) 등을 생성할 수 있는데요. 오늘은 ‘SAS VDMML(Visual Data Mining and Machine Learning)'을 이용해 딥러닝 모델을 구축하는 방법을 자세히 설명해 드리고자 합니다. ‘SAS 클라우드 분석 서비스’를 활용한 딥러닝
소비자들은 다양한 산업에 빠르게 도입되고 있는 인공지능(AI)을 어떻게 받아들이고 있을까요? SAS가 최근 미국인 500명을 대상으로 조사한 결과, 소비자들은 금융이나 소매 분야보다 의료 산업의 인공지능 기술을 더욱 편안하게 여기는 것으로 나타났습니다. 특히 응답자의 47%는 수술 중에도 기꺼이 인공지능 기술의 도움을 받겠다고 답했는데요. 또 10명 중 6명(60%)은 의사가 애플워치나 핏비트와 같은 웨어러블 기기의 데이터를
“모델링에 뛰어들기 전에 먼저 데이터를 이해하고 탐색하라!” 데이터 과학자를 위한 일반적인 조언입니다. 데이터 세트가 정리되어 있지 않으면 모델을 구축해도 문제를 해결하는 데 도움이 되지 않습니다. 마치 쓰레기를 꺼냈다, 넣었다 하는 것과 같죠. 강력한 머신러닝 시스템을 구축하기 위해서는 예측 작업을 정의하고, 문제를 해결하기 전에 데이터 세트를 탐색하고 이해해야 합니다. 데이터 과학자는 대부분의 시간을 모델링을
‘스포츠 분석’이라고 하면 아마 많은 분들이 브래드 피트 주연의 영화 ‘머니볼(Moneyball)’을 떠올리실 텐데요. 이 영화는 2002년 분석을 활용해 오클랜드 애슬레틱스(Oakland Athletics) 야구팀을 승리로 이끈 빌리 빈(Billy Beane) 단장의 이야기를 다룹니다. 빈 단장은 스포츠 분석의 기반을 세웠지만, 오늘날 그 활용 범위는 훨씬 더 넓어졌죠! 몇 가지 예만 봐도 스포츠 분야에서 분석이 얼마나
올 초 애플이 미국 빅데이터 컨설팅 스타트업인 ‘실리콘 밸리 데이터 사이언스(Silicon Valley Data Science)’에서 창업자를 포함한 수십 명의 직원을 영입하며 화제를 모았습니다. 이전에는 인공지능(AI) 기반 데이터 분석 플랫폼 업체 ‘래티스(Lattice)’를 인수하고 하둡의 공동 창시자인 마이크 카파렐라를 스카웃하기도 했습니다. 구글 역시 60만 명의 데이터 과학자가 활동하는 호주 멜버른 기반의 스타트업인 ‘캐글(Kaggle)’을
인공지능 활용 엔터프라이즈 분석 가능한 ‘SAS 플랫폼’ 최신 오퍼링 출시 SAS 코리아, 최신 머신러닝·자연어처리 등 인공지능(AI) 활용 분석 기능 강화 머신러닝·자연어처리로 비정형 데이터 가치 극대화 및 전 과정 시각화하는 엔드투엔드 비주얼 환경 제공 웹 인터페이스로 전체 분석 라이프사이클을 통합하고, 초보자부터 전문가까지 전사 협업 지원 미국적십자사·시스코·뮌헨재보험 등 도입… 분석 인사이트로 비즈니스
최근 금융감독원은 2017년 국내 보이스피싱 피해액이 2,423억원에 달하며, 전년 대비 26% 증가했다고 발표했습니다. 특히 하반기에만 가상화폐를 이용해 148억원이 탈취된 것으로 밝혀지며 논란이 되고 있는데요. 이렇게 IT 기술이 발달함에 따라 신종 자금세탁 수법이 등장하면서 사기 탐지는 더욱 어려워지고 있습니다. 결국 산업에 관계없이 모든 금융 범죄 조사관은 사기 탐지 기술과 전략을 지속적으로 강화하고,
우리 모두가 개인 비서의 도움을 받는 세상, 상상이 가시나요? 어쩌면 빠르게 다가올지도 모르겠습니다. 바로 가상 비서, 챗봇 기술의 발전 덕분인데요! 챗봇(chatbot)은 채팅(chatting)과 로봇(robot)의 합성어로 자연어 처리(NLP; Natural Language Processing)와 인공지능(AI)을 이용해 사람과의 대화를 시뮬레이션하고 응답을 도출하는 컴퓨터 프로그램입니다. 쉽게 말해 사람의 이야기에 알맞은 답이나 정보를 제공할 수 있는 기계죠. 단순하고 자동화된 작업을 처리할
자율주행차, 커넥티드 기기, 디지털 트랜스포메이션, 사물인터넷(IoT), 머신러닝, 인공지능(AI), 자동화 등 2017년 한 해를 주도해온 기술 트렌드는 2018년은 물론 그 미래에까지도 계속될 것입니다. 실질적인 차이는 이 기술들의 결합에서 찾을 수 있는데요. 한 예로, 인공지능과 사물인터넷은 그 자체로 트랜스포메이션의 성격(transformative)을 지닙니다. 사물인공지능(artificial intelligence of things)으로 구현될 연결되고 자동화된 세상의 디지털 트랜스포메이션을 상상해보세요. 2018년에는 지능(intelligence)과
음악 추천부터 대출 심사, 직원 평가, 암 진단까지 현대 사회는 인공지능(AI)과 머신러닝 기반의 애플리케이션에 둘러싸여 있습니다. 기계가 사람을 대신해 내린 의사결정에 점점 더 많은 영향을 받고 있는데요. 일상적인 것부터 사람의 목숨이 걸린 중대한 의사결정에 이르기까지 우리는 머신러닝 모델에 수많은 질문을 던집니다. 이때 질문에 대한 답변은 ‘예측 모델’이 결정합니다. 생소하고 어려운 개념인데요. 데이터
금융소비자보호국, 불공정 행위로부터 소비자 보호 버락 오바마 미국 전 대통령은 2008년 글로벌 금융 위기 이후 소비자 보호를 강화하고, 금융 업계를 규제함으로써 사태 재발을 막기 위해 다양한 노력을 기울였습니다. 그 중 하나가 바로 2011년 월스트리트에 대한 연방 감독 기구로 출범한 미국 금융소비자보호국(CFPB; Consumer Financial Protection Bureau)인데요. 금융소비자보호국은 소비자를 불공정 행위, 사기, 권력
일본의 한 보험 회사가 올해부터 보험 계약 절차와 정보 조회 등 사무 작업의 90%를 인공지능(AI)으로 대체, 전사 업무 부담을 20% 가량 경감할 것으로 발표하며 이목을 모았습니다. 국내에서도 이처럼 보험과 IT 기술을 융합한 인슈어테크(Insure + Tech) 서비스가 속속들이 출시되며 보험 업계의 비즈니스 모델이 빠른 속도로 다각화되고 있는데요. 오늘은 보험 선진국으로 평가 받는 유럽의
현대 기업에게 금융 사기, 이상 거래 탐지는 분명 어려운 도전과제입니다. 실제 사기 거래 발생률은 낮고 기업 활동의 극히 일부분에 해당되지만, 문제는 적절한 툴과 시스템을 갖추지 않는다면 엄청난 금전적 손실을 야기하는 범죄로 빠르게 이어질 수 있다는 것입니다. 더군다나 금융 사기 범죄자들은 계속해서 새로운 사기 수법을 고안해내고 점차 정교해지고 있는데요. 한가지 좋은
현존 최고의 데이터 과학자들이 뽑은 머신러닝 알고리즘 개발 베스트 프랙티스! 그 대망의 마지막 시간입니다. 이전 블로그를 통해 다양한 유형의 모델을 결합하는 방법을 소개해드렸다면, 오늘은 다양한 유형의 데이터를 결합하고, 모델의 다양한 변수를 활용하는 방법에 대해 이야기하고자 합니다. 이전 시리즈를 놓치셨나요? 블로그 1탄, 블로그 2탄을 참고해주세요. 기본기 다지기 희귀한 이벤트 탐지하기 수많은 모델 결합하기 모델
현존 최고의 데이터 과학자들이 뽑은 머신러닝 알고리즘 개발 베스트 프랙티스! 그 두 번째 시간입니다. 시리즈를 처음 접하시는 경우 블로그 1탄을 참고해주세요. 기본기 다지기 희귀한 이벤트 탐지하기 수많은 모델 결합하기 모델 적용하기 국소 최적해에 빠지는 것을 방지하기 위해 모델 오토튜닝하기 시간 효과(temporal effect) 관리하기 '일반화' 이해하기 Chapter 5. 국소 최적해에 빠지는 것을 방지하기
“어떤 알고리즘을 사용해야 할까요?” 수많은 종류의 머신러닝 알고리즘을 맞닥뜨린 초급자 분들이 가장 많이 물어보는 전형적인 질문인데요. 사실 이 질문에 대한 답변은 하단 내용을 비롯한 수많은 요인에 따라 달라집니다. 데이터의 크기, 품질, 특성 가용 연산(계산) 시간 작업의 긴급성 데이터를 이용해 하고 싶은 것 그렇기에 숙련된 데이터 과학자(Data scientist)조차도 여러 알고리즘을 직접
1980년대 후반에만 해도 머신러닝(machine learning)이나 데이터 과학자와 같은 개념은 없었습니다. 대신 통계, 분석, 데이터 마이닝, 데이터 모델링과 같은 단어가 사용됐는데요. 이후 글로벌 기업들은 30년 이상 머신러닝 모델을 연구해 왔으며, 페이스북의 이미지 인식 소프트웨어, 아마존의 음성 비서 알렉사, KT의 인공지능 서비스 기가 지니(GiGA Genie)까지 그 결과들이 연이어 쏟아지고 있죠! 이러한 결실
1990년, ‘인터넷’이라는 개념이 가시화되면서 이전까지 불가능했던 연결, 지식, 속도를 누릴 수 있게 됐습니다. 그로부터 27년이 지난 요즘, 인터넷의 가장 최신 형태인 사물인터넷(IoT)에 대한 질문을 많이 받습니다. IoT의 가능성이 무궁무진한 가운데 과연 우리는 1990년에 인터넷을 사용했던 것처럼 지금 IoT를 사용하고 있을까요? 당시 우린 인터넷을 충분히 누리고 있다고 생각했었지만, 지금은 어떤가요? 2012년, 인터넷과 재생
오늘은 SAS에서 오랫동안 근무해온 프로그래머이자 데이터 사이언티스트의 SAS Viya 사용 후기를 공유해 드리려고 합니다. 새롭게 출시된 ‘SAS Viya(SAS 바이야)’ 환경을 사용해 본지는 이제 6개월이 지났는데, 벌써 푹 빠졌다고 합니다! SAS9 환경에서 사용했던 많은 통계 기법을 SAS Viya 환경에 동일하게 적용했을 때 그 속도와 더 높은 정확성에 감격했답니다. 그렇다면 데이터 사이언티스트가
