인공지능 기술을 통한 기계학습(ML)

인공지능을 통한 기계학습(ML)을 통해 품질을 향상하고 가격을 낮추는 기술은 더 많은 일자리를 필요로 하는 수요를 증가시켜 일자리가 늘어날 것으로 보았습니다.

사실 농촌에서 농기계가 식량을 생산을 촉진하고 농산물을 저렴하게 만들면서 농산물에 대한 수요가 증가했습니다.

그 덕분에 농부는 더 높은 수입을 얻어 새로운 산업재를 구입했습니다.

이런 새로운 산업은 매우 생산적이었고, 격렬한 기술 발전의 대상이었습니다.

텔레비전, 컴퓨터, 플라스틱 장난감에 이르기까지 기술 바퀴의 각 새로운 회전은 근로자에게 더 높은 수입을 가져다주었고, 더 정교한 제품과 서비스를 구매자에게 주었습니다.

하지만 기계학습(ML)을 통한 기술 혁신을 점차 시대가 변해갈수록 달라졌습니다.

약 수십 년 동안 생산성 향상을 위한 기술을 도입한 모든 산업에서 일자리가 점차 감소했다는 사실을 발견했습니다.

경제학자는 경제의 전반적인 생산성을 감소시키는 더 많은 기술의 역설에 머리를 맞대는 데에 어려움을 겪었는데 이는 기술의 발전이 필연적으로 더 나은 일자리와 더 높은 임금으로 이어진다는 믿음에 대한 역설이었습니다.

그러나 기계학습(ML)은 근본적인 변화를 나타내는 데 인공지능의 하위 집합으로 통계 및 수학적 최적화에 기반을 두고 있습니다.

컴퓨터에는 기계학습(ML)을 통해 방대한 데이터 세트와 몇 가지 일반 매개 변수가 제공되어 기계는 생물학적 뉴런이 어떻게 동작하는지 시뮬레이션을 실행하고 이를 사용하여 데이터에서 반복되는 결과를 인식하고 자체 규칙을 작성합니다.

기계학습(ML)은 컴퓨터 코드로 작업을 수행하는 데 프로그램으로 작성된 규칙을 따르는 데 능숙하여 더 많은 규칙을 추가하면 알고리즘을 얻을 수 있습니다.

인간이 작성한 알고리즘을 적용하는 데 더 이상 제한되지 않고 기계가 자체적으로 설계하고 새로운 패턴을 발견하면 동일한 플랫폼에 연결된 다른 기계에서 즉시 기계학습(ML)을 할 수 있습니다.

기계학습(ML) 사용의 현재 리더 중 하나는 제품 추천에 예측 분석이 사용되는 온라인 소매입니다.

전자상거래 웹 사이트의 옵션은 구매자가 로그인했을 때 계획한 것보다 더 많이 지출하도록 유도합니다.

즉, 머신이 최적화하려는 매개변수는 가상 장바구니의 가치를 높이는 것입니다.

기계학습(ML)은 넷플릭스와 같은 스트리밍 비디오 서비스는 사용자가 서비스를 이용하는 시간을 최대화하려고 합니다.

사용자가 무엇을 검색하고, 무엇을 보는지, 다른 사용자의 패턴과 유사한 지에 여부를 확인합니다.

그동안 기계학습(ML) 알고리즘은 새로운 데이터를 흡수하고 학습하여 추천을 개선합니다.

점차 시대가 변하고 발전할수록 산업 전반에 걸친 기계학습(ML)의 머신 러닝 애플리케이션은 광범위합니다.

기존의 머신 러닝 수준에서 자동화는 기계학습(ML)을 통해 현대 경제 활동에서 중요한 역할을 할 수 있다는 것을 발견할 수 있습니다.