기계학습 응용 분야
실제로 많은 기계 러닝 연구에서 고가의 그래픽 카드를 사용하며, 그래픽 카드의 병렬 처리가 기계 러닝에 적합하여서 마이크로소프트는 그래픽 카드를 넘어 성능을 위한 FPGA를 연구하고 있다. NVIDIA는 기계 학습, 병렬 처리 아키텍처 CUDS 및 기계 학습 연구 도구 DIGITS 개발에 많은 투자를 합니다. 그래픽 카드의 병렬 처리를 위한 컴퓨터 아키텍처에 대한 정보는 GPGP를 참고할 수도 있겠지만, 현대 미디어에서 흔히 볼 수 있는 깊은 러닝을 위한 슈퍼컴퓨터의 내부는 이것을 장착하고 미친 듯이 전기를 빨아들인다. 구글은 인공신경망을 이용해 이미지를 보고 이를 설명하는 캡션을 만드는 AI를 만들었지만 2017년 AI 소프트웨어 관련 시장은 일본이 약 6조엔 규모로 추정된다. 자연 언어 처리 : 기계 번역, 음성 인식, 검색 (텍스트 기반 멀티미디어 검색, 지능형 검색 등. ), 자동 색인, 음성 합성 (TTS), 형태 학적 분석, 컴퓨터 자동화 비전, 패턴 인식 및 이미지 처리 데이터 마이닝 파싱 : Goldman Sachs는 자연 언어 처리를 통해 금융 기관의 경제 지표, 실적 및 주가 동향을 학습하고 자동으로 문서를 생성하는 Kens ho의 시스템을 구현했습니다. JP모건체이스는 계약 지능(coin) 플랫폼을 통해 법률 문서에서 핵심 정보와 조건을 추출했다. JP Morgan Chase는 연간 36만 시간의 계약 검토 프로세스를 자동화하고 있으며, Nomura Securities는 직원과 고객이 입력하는 데이터에서 부정확성과 이상을 발견하려고 노력하고 있다. 송금, 조회, 환전, 대출, 상품추천 등 금융 영역은 고객이 원하는 서비스를 선택할 수 있도록 했다. 신용평가 : 개인의 거래 기록, SNS 사용, 인터넷 사용 등을 분석하여 새로운 방식으로 개인의 신용도를 측정한다.
기계학습 대학, 취업, 창업에서의 기계학습
회귀, 차별, 혼잡, 확률 분포 추정, 마르코프 체인, 마르코프 무작위 필드, 숨겨진 마르코프 모델 등대하에서는 취업, 창업 등이 다시 한 번 통계로 다루어지지만, 링 도표 학습과 강화학습을 더 배우고 싶다면 대학원 이상의 컴퓨터 공학을 공부해야 한다. 하지만 2014년을 전후로 기계러닝의 인기가 너무 높아져서 국외 유명 대학원에 입학하기가 극도로 어려워졌고, 기계러닝과 관련된 유명 학회에서 한 발표 경험 때문에 박사학위 취득 가능성을 과녁으로 삼을 정도로 인기가 많은 곳도 있다. 미국을 비롯한 여러 대학원에서는 이미 기계러닝이라는 단어가 유행어가 되고 있다. Python에서 Pandas, scikit-learn 및 tensor flow와 같은 라이브러리를 사용하면 중학생조차도 기계 학습 출력을 활용할 수 있습니다. 문제는 이것만으로 데이터 과학자의 일을 하기에는 부족하더라도 데이터 사이언티스트를 자처하며 서류를 작성하거나 인터뷰를 하는 등 인사담당자의 시간을 허비할 것이라는 점이다. 그래서 한 데이터 과학자는 인터뷰에서 사이클론과 텐서플로우의 인간을 흉내 냈다고 말했고, 기계러닝을 배울 수 있다고 말하는 대학생들을 비웃으며 그래, 16살짜리 딸이 파이썬을 쓸 수 있어. 한 회사의 AI 과학자 채용 요건은 NIPS, ICM, CLR, CPR, EMNLP와 같은 국제회의에서 논문을 발표하는 데 있어 우선적인 경험이다. 세계 최고의 학술 기관 중 하나에서 논문을 쓰는 것은 즉시 할 수 있는 일이 아니지만 거의 7년의 박사 학위를 가진 대학원을 졸업하고 회사의 전문가로 선호되는 사람은 기계 학습 분야의 박사 학위를 소지하고 있습니다. 이러한 박사급 데이터 과학자를 채용하는 것이 아니라 학사-석사 수준의 프로그래머를 채용하는 것이라 하더라도 도서관만을 활용한 개발 경험이 경쟁력이라고 할 수는 없다.하지만 기업에서는 연구 프로젝트에서도 프로세스를 실제 제품에 적용해야 하기 때문에 이 부분에서는 앞서 언급한 박사급 연구원 중 일부는 프런트 그리고 개발을 연구하고 현장에 뛰어들어야 하며 일반 개발자들은 기계러닝 모델에 필요한 데이터를 가공하거나 추론 결과를 활용해야 한다.따라서 유행을 따라가는 것은 어느 정도 유행이 아니라 유행만큼 잘 알지 못하면 경쟁력이 없다.