생성형 AI | 뉴스, 하우투, 기획, 리뷰 및 동영상
머신러닝이란 완벽하지 않은 경우가 많은 존재다. 대출 승인 분류 등 사람들의 삶에 영향을 미치는 목적에서 모델 예측을 사용할 때, 최소한 일부 예측을 사람이 검토하는 것이 좋다. 신뢰
AI 프로젝트를 성공시키려면 비즈니스 가치, 학습용 데이터, 문화적 준비가 필수다. 이 3가지가 모두 없다면 기존 솔루션이 더 적합할 수도 있다
‘자연어 처리(Natural Language Processing; NLP)’ 모델을 프로덕션 환경에 투입하는 건 차를 구매하는 것과 비슷하다. 원하는 결과에 대한 매개변수를 설정하고, 몇 가지 접근 방식을 테스트
‘AI옵스(AIOps)’는 기업들이 IT 운영을 지능적으로 관리할 수 있도록 지원한다고 말하지만 그 여정이 항상 순탄하지는 않다.
데이터 과학 모델을 프로덕션 환경으로 옮기는 것은 애플리케이션 배포와 상당히 유사하다. 하지만 간과해서는 안 되는 중요한 차이점이 있다.
고객 서비스부터 직원 인터페이스까지 다양한 영역에서 인공지능(AI)과 결합된 챗봇 사용이 크게 증가하고 있다.
‘머신러닝(ML)’을 하는 가장 좋은 방법은 때때로 머신러닝을 전혀 하지 않는 것이다. 실제로 아마존의 응용 과학자 유진 얀에 따르면 머신러닝의 첫 번째 규칙은 머신러닝 없이 시작
한 때 ‘인공지능(AI)’는 SF소설에서나 나오던 개념이었다. 수십 년의 연구와 상용화를 거쳐 이제 인공지능은 기업 곳곳에서 활용되는 하나의 기본 도구가 됐다.
글로벌 피자 브랜드 도미노(Domino’s)가 ‘ML옵스(MLOps)’를 활용하고 있다. ML옵스는 도미노의 데이터 과학팀이 IT 지원 없이도 데이터 모델을 갱신하고 프로덕션 환경에 투입할 수
최근까지 ‘설명가능성(Explainability)’은 주로 AI 모델 개발 프로세스 말미에서 중요하지만 범위는 좁은 요건으로 여겨졌다. 하지만 이제 설명가능성이 머신러닝 생애주기에 걸쳐 가치
