AI 비지니스 무엇을 어떻게 준비하고 해야 하는가? - 정우진 (AWS 사업개발 담당)
16 likes9,797 views
최근 글로벌 혁신의 트렌드인 AI의 다양한 사례를 살펴보고 단계적으로 어떻게 접근하고 준비해야 할지를 알려드립니다. 이미지/비디오 인식 등 AI 어플리케이션의 유형과 트렌드를 전달드립니다. 특히 AWS AI 서비스를 성공적으로 도입하고 활용하기 위한 전략을 살펴보고 사례를 통한 Use Case를 통해 단계별 접근 전략을 소개드립니다. 이번 세미나를 통해 최신 AI트렌드와 정의, 그리고 사례 기반의 도입 유형, 접근 전략과 방법론 등을 알 수 있습니다. 더 많은 AWS 온라인 세미나 알아보기: https://aws.amazon.com/ko/events/webinars/series
![[Why?] 인공지능은 왜 우리가 지금 해야 하는가?
1. Automation - 자동화
– 현재 프로세스의 최적화 및 제고
– 운영/관리 향상 및 효율화 및 비용 절감
2. Enrichment - 보다 향상된 서비스
– 신규 추가 및 개선된 제품과 서비스 제공
– 고객 또는 현장에 확장된 실시간 바로 대응
3. Invention - 새로운 발명
– 새로운 제품과 서비스 분야 발굴 및 개척
– 산업/업종 전문 역량과 AI 특화 기술이 결합/혁신 주도](https://image.slidesharecdn.com/aibusiness-180320043110/85/AI-AWS-17-320.jpg)
![인공지능의 정의 – 비즈니스 측면
AI 인공지능이란, 인간의 지능이 필요한 작업(Workflow, Process)을 기계도 할 수 있게
만드는 것을 목표로 하는 과학이다. 지능적인 기계를 만들기 위해서는 특정 문제
영역에서 전문가 지식을 획득하고 구성하여 사용할 수 있어야 한다.
[Translation Process의 AI 적용 예시]
https://www.weforum.org/agenda/2017/05/your-next-peer-review-will-be-done-by-a-machine/](https://image.slidesharecdn.com/aibusiness-180320043110/85/AI-AWS-19-320.jpg)
AI 비지니스 무엇을 어떻게 준비하고 해야 하는가? - 정우진 (AWS 사업개발 담당)
- 1. AI 비지니스, 무엇을 어떻게 준비하고 해야 하는가 AI Business Strategy & Amazon AI 2018.03 Amazon Web Services 정우진 이사
- 2. Agenda AI 비즈니스 Why – 왜? What – 무엇을? How – 어떻게?
- 3. AI 비즈니스 전망 AI 기술은 , 2020 년까지 거의 모든 새로운 소프트웨어 제품에 적용 및 등장. – Gartner AI는 2020년까지 30% 이상의 CIO에게 투자 우선 순위에 5 위를 차지할 것. - Gartner 인공 지능 솔루션 시장은 2020 년에 연평균 성장률이 55.1 %로 470억 달러를 넘을 것으로 예상– IDC
- 4. 아마존의 AI 비즈니스 혁신 음성인식 기반 가상 비서 로봇 기반 물류 자동화 이미지 인식 기반 서비스 무인 스토어 ·무인 드론
- 5. AI 비즈니스가 중요한 이유는? AI Artificial Intelligence 혁신을 리딩하는 포지셔닝 - 고객/시장에 주도권 경쟁 Innovation 모든 것을 연결하는 중심 - 서비스를 명령/조종 연결 IoT 결국 데이터 유치 경쟁 - 학습 및 모델링을 위한 Data
- 6. AI 기술의 성숙도, 그리고 현실 When Jobs/Tasks will be taken over by Machines? AI는 인간을 언제 대체하는지? 옥스포드대와 예일대에서 352명의 인공 지능 연구원에게 설문 조사 미래의 기계가 인간의 다양한 업무로 대체 할 때는 언제인지? -언어번역은 2024년이 되어야 완전히 대체. -에세이는 2026년에 고등학생 수준 작성. -2061년까지 모든 인간 작업을 자동화. -2136년이 되어야 완전히 인간을 대체. “AI 기술의 진화와 혁신에 맞춰 기술의 정도와 혁신의 수준을 시장과 고객에게 맞추는 것이 중요” "이 결과는 연구원과 정책 입안자들 사이에서 AI의 경향을 예측하고 관리하는 것에 관한 논의에 도움을 줄 것임."
- 7. ‘암흑기’에서 지식기반 시스템에 이르는 AI의 역사 1. 암흑기 : AI의 탄생 (1943년~1956년) 2. AI의 융성 : 큰 기대의 시대 (1956년~1960년대 후반) 3. 이행되지 않은 약속 : 현실의 직면 (1960년대 후반~1970년대 초반) 4. 전문가 시스템의 기술 : 성공의 열쇠 (1970년대 초반~1980년대 중반) 5. 기계가 학습하는 법 : 신경망의 재탄생 (1980년대 중반~) 6. 진화 연산 : 탐색하면서 배우기 (1970년대 초반~) 7. 지식공학의 새로운 시대 : 단어로 계산하기 (1980년대 후반~) 1960년대 1970년대 1980년대 1990년대 2000년대 2010년대 제1차 AI붐 제2차 AI붐 겨울의 시대 겨울의 시대 제3차 AI붐 머신러닝 딥러닝 싱귤래리티
- 8. 인공지능 기술로드맵 기계학습 뉴럴네트워크(신경망) 웹-빅데이터 구글 딥마인드 인수 페이스북, 바이두 아마존 AI 자율주행, 페퍼 통계적 자연 언어 처리 검색 엔진의 활용 마이신 DENDRAL 웹 왓슨 테스크 온톨로지 LOD –Linked Open Data 이라이자 애플 Siri 대화 시스템의 연구 bot 탐색미로 하노이 계획 체스 장기 바둑 1956 1970 1980 1995 2010 2015 빅데이터 전문가 시스템 온톨로지 제1차 AI붐 (추론·탐색) 제2차 AI붐 (지식) 제3차 AI붐 (머신러닝/딥러닝)
- 9. New Computer Age의 도래 PC-Computer Smart Phone ?Frictionless Computing No Display! No Keyboard/Mouse! No Touch! Only Recognition! 출처 http://ben-evans.com/ PC컴퓨터에서 스마트폰, 이제는 Mobile First에서 Next Computing 시대로
- 10. 결국 기계를 학습시키는 것 Learning의 시대 머신러닝으로 모든 것이 재조명 되고 있는 상황 스마트폰 이후에 다음 세대의 디바이스 서비스로 예상되고 있음 출처 http://ben-evans.com/
- 11. AI와 IoT의 결합과 융합으로 진화 이미지 출처 : https://www.slideshare.net/muralidhar9s/what-if-things-start-to-think-artificial-intelligence-in-iot AI + IoT = AIoT
- 12. 이제 AI는 IoT와 Big Data 없이는 할 수 없는… IoT : 사물인터넷을 통해 데이터 취합 및 액션 Big Data : 데이터 캡처, 축적, 실시간 분석 AI : 데이터 기반 학습 및 알고리즘 (Machine/Deep Learning)
- 13. 인공지능의 단계 Level Level 1 Level 2 Level 3 Level 4 -단순 제어 프로그램 탑재된 디바이스/장비 -제어공학/시스템 공학 -IoT와 머신러닝 결합 -자동 작동/원격 관리 -사전 예측/진단 -퍼즐/진단 프로그램 -행동 패턴 인식/실행 -다양한 경우, 입출력 경우의 수가 많은 경우 -적절한 판단,추론/탐색 기존 지식 기반 판단 -자동적 판단, 검색/ 빅데이터 기반 -추론 구조/지식 베이스 데이터 기반 학습 -기계학습, 표본 데이터 규칙/지식을 스스로 학습. 패턴 인식 -딥러닝 적용 (DNN) -이미지/음성인식, 자연어 처리 -질의/응답/서비스 실행 -지속적인 학습으로 진화하는 러닝 모델.
- 14. AI 도입은 더 많은 Digital 부문과 Value Chain에서 더 빠르게 진행 The MGI Digitization Index is GDP weighted average of Europe and United States. See Appendix B for full list of metrics and explanation of methodology. SOURCE: McKinsey Global Institute AI adoption and use survey; Digital Europe: Pushing the frontier, capturing the benefits, McKinsey Global Institute, June 2016; Digital America: A tale of the haves and have-mores, McKinsey Global Institute, December 2015; McKinsey Global Institute analysis Digital Innovation&Transformation = AI Business Smart Factory Digital Banking Future Store Robot Process Automation ····
- 15. 인공지능 분야 글로벌 비즈니스 투자 현황 Estimates consist of annual VC investment in AI-focused companies, PE investment in AI-related companies, and M&A by corporations. Includes only disclosed data available in databases, and assumes that all registered deals were completed within the year of transaction. SOURCE: Capital IQ; Pitchbook; Dealogic; McKinsey Global Institute analysis 글로벌 머신러닝 현황은 머신러닝과 컴퓨터 비전 분야에 투자가 높고 자연어 처리와 자율 주행차는 비슷한 수준임 Machine learning received the most investment, although boundaries between technologies are not clear-cut
- 16. 최근 AI 응용 어플리케이션 분야 수많은 처리 및 예측 A lot of number crunching 컴퓨터 비전 Vision 자연어 처리 Language Processing 지능화된 비즈니스 (BI) 사전인지/예측기반 IoT 탐색 및 맞춤형 추천 미래 예측 모델 자율 주행 및 드론 개인화/추천 로봇 기반 자동화 헬스케어 인식/판단 챗봇 Chatbots 컨텐츠 자동 분류/기획 음성인식 기반 스마트홈 텍스트 자동 분석/번역
- 17. [Why?] 인공지능은 왜 우리가 지금 해야 하는가? 1. Automation - 자동화 – 현재 프로세스의 최적화 및 제고 – 운영/관리 향상 및 효율화 및 비용 절감 2. Enrichment - 보다 향상된 서비스 – 신규 추가 및 개선된 제품과 서비스 제공 – 고객 또는 현장에 확장된 실시간 바로 대응 3. Invention - 새로운 발명 – 새로운 제품과 서비스 분야 발굴 및 개척 – 산업/업종 전문 역량과 AI 특화 기술이 결합/혁신 주도
- 18. 인공지능의 정의 - 사전적 ‘지능(intelligence)’이라는 단어는 무엇을 의미하는가? 1. 인간의 지능은 무언가를 이해하고 배우는 능력이다. 2. 지능은 본능적 혹은 자동적으로 무언가를 하는 대신 생각하고 이해하는 능력이다. - Essential English Dictionary, Collins, London, 1990 ‘생각(thinking)’이라는 단어는 무엇을 의미하는가? 생각(thinking)이란 문제를 고려하거나 아이디어를 만들기 위해 두뇌를 사용하는 행위다. - Essential English Dictionary, Collins, London, 1990 생각을 하려면 인간이나 사물에 두뇌, 즉 문제를 풀고 결정을 내리기 위해 무언가를 배우고 이해할 수 있게 해주는 기관이 있어야 한다. 따라서 지능이란 ‘문제를 풀고 결정을 내리기 위해 배우고 이해하는 능력’ 으로 정의할 수 있다.
- 19. 인공지능의 정의 – 비즈니스 측면 AI 인공지능이란, 인간의 지능이 필요한 작업(Workflow, Process)을 기계도 할 수 있게 만드는 것을 목표로 하는 과학이다. 지능적인 기계를 만들기 위해서는 특정 문제 영역에서 전문가 지식을 획득하고 구성하여 사용할 수 있어야 한다. [Translation Process의 AI 적용 예시] https://www.weforum.org/agenda/2017/05/your-next-peer-review-will-be-done-by-a-machine/
- 21. 인공지능 AI 비즈니스 접근 전략 - Approach 1. Business before Technology 비즈니스 서비스 모델 2. Scenarios to Pattern, Prototype 프로세스, 워크플로우 (예, 고객 대응 대화) 3. Data Learning model & Algorithm 데이터 모델링 및 딥러닝 알고리즘 4. Leverage Platform & Build 데이터레이크, 딥러닝 프레임웍, GPU 인스턴스, 머신러닝, AI 서비스 등 Platform Learning Model Business Scenarios
- 22. AI/ML Use Case Examples – Manufacturing & Supply Chain – Predictive Maintenance – Product Design Assistant – Work Safety – Inventory Management – Pricing Optimization – Demand / Production Planning – Robo Pick & Pack – Demand Forecasting – Quality Assurance & Forecasting – Root Cause Analysis – Anomaly Detection – Overall Equipment Effectiveness Common Use Cases
- 23. AI/ML 분야의 깊은 경험은 아마존의 서비스를 차별화함 Product recommendation engine Robot-enabled fulfillment centers New product categories 아마존은 설립 초기부터 AI / ML에 투자했으며 우리는 고객에게 지식과 역량을 공유합니다. 20171995 Natural language processing- supported contact centers ML-driven supply chain and capacity planning Checkout-free shopping using deep learning 상품 추천 물류센터 로봇 신규 제품 영역 머신러닝 기반 SCM 자연어처리 기반 콘택센터 딥러닝 기반 무결재 쇼핑
- 24. Amazon AI 사례. Washington Post 사례 2016 브라질 리오 올림픽 사례 인공 지능 기술 활용 2016 년 올림픽에서 경기 결과 및 메달 집계를 비롯한 주요 정보 자동으로 웹 및 소셜상에 게시 지난 미대선 선거 개표/결과 사례 헬리오 그라프 (Heliograf)를 통해 선거일 50 개 주 전체의 하원, 상원, 주지사 개표/ 결과 서비스 제공. 거의 다른 500 개 타입의 최신보고, 분석 및 결과를 제공 1 2
- 25. Amazon AI 사례 : Expedia 항공 예약 엔진 및 챗봇, 개인화 등으로 AI/ML 서비스도 도입 확대 Trivago 와 Hotels.com 등 여행 관련 12개 회사를 운영 서비스 운영의 핵심은 머신러닝에 있음 항공 예약 검색은 요금과 일정의 자주 변동으로 최상의 요금 검색 (BFS : Best Fare Search)을 위해 머신러닝 도입 3초내 1만6천편 항공편 검색 결과 제공 (가격/시간/편의) 챗봇서비스 개인화 부정탐지 Expedia’s first bot is for booking hotels
- 26. Pinterest Lens Netflix Recommendation Engine Amazon AI 사례 : Pinterest/Netflix
- 27. AI Use Case Examples – bot 도입 유형 정보봇 서비스 - Informational Bots 모든 고객의 매일 일상적 질의에 대한 챗봇 서비스 Chatbots for everyday consumer requests 어플리케이션 봇 - Application Bots 모바일 어플리케이션에 강력한 인터페이스 연계 Build powerful interfaces to mobile applications • 뉴스 업데이트 • 날씨 정보 • 스포츠 경기 스코어 • 티켓예약 • 식사 주문 • 은행 계좌 관리 등 기업 생산성 봇 – Enterprise Productivity Bots 기업의 업무에서 생산성 향상과 업무 과정상에 지원 Streamline enterprise work activities and improve efficiencies • 매출 확인 • 마케팅 상황/결과 • 실시간 재고 파악 IoT 봇 – Internet of Things (IoT) Bots 디바이스 상호 작용에서 인터페이스를 통한 대화(컨트롤)가능 Enable conversational interfaces for device interactions • 웨어러블 • 원격 어플리케이션 • 자동화
- 28. Bot Dialogue Structure – 대화 시나리오 구조화 Utterances 발화 귀하의 의도를 불러 일으키는 음성 또는 입력된 문장 BookHotel Intents 관심은 사용자 입력에 자연어 처리에 대한 응답으로 동작을 수행. Slots 자리 의도를 수행하는 데 필요한 입력 데이터 Fulfillment 이행 귀하의 의도를 위한 실행 메커니즘 호텔예약 관심
- 29. Machine & Deep Learning Process 1. 데이터 준비 2. 데이터 분석 탐구 3. 데이터 가시화 4. 분류 및 군집 5. 인지/ 예측 분석 6. 인공 지능 데이터 디자인, 실험, 비즈니스 문제에 대한 수식화 데이터 분석, 시나리오/ 워크플로우 머신러닝/딥러닝 알고리즘, 학습 모델 출처 : http://moolya.com/important-testers-learn-ai/
- 30. Recommend System – 추천 시스템 My Profile – amazon.co.uk My Profile – amazon.de Service Category Recommended for You Today's Deals Inspired by your browsing history Related to items you've viewed Amazon.com product sales are generated by its Recommendation engine 사람이 아닌 추천엔진에 의해 상품 기획
- 31. Recommend System – Motivation • 추천 시스템은 고객 경험을 개인화하고 향상시키는 중요한 메커니즘. • 추천 시스템을 적용하여 다양한 목표를 달성 할 수 있음. - 사이트에 머무는 시간 증가 - 제품에 보완/추가적인 부분이 필요할 수도 있음을 고객에게 제공. • 이 모든 것을 중심으로 시스템과 상호 작용하는 사람에게 가장 관련성 높은 결과와 콘텐츠를 제공하는 것이 목적.
- 32. © 2017, Amazon Web Services, Inc. or its Affiliates. All rights reserved. • User based recommenders 사용자 기반 추천은 새 항목을 평가 한 사용자와 "유사한“ 다른 사용자의 짧은 목록을 확인. 그런 다음 해당 사용자의 항목에 대한 등급의 가중 평균을 취하여 해당 항목의 예상 평점으로 예측함. • Item based recommenders 아이템 항목 기반 추천은 문제의 항목과 "유사한"다른 항목의 짧은 목록을 확인하고 제공 한 가장 적은 항목에 대한 등급의 가중 평균을 취하여 해당 항목의 가능성 등급으로 예측. https://www.oreilly.com/ideas/deep-matrix-factorization-using-apache-mxnet?cmp=tw-data-na-article-engagement_sponsored+kibird Recommend System – Collaborative Filtering
- 33. © 2018, Amazon Web Services, Inc. or Its Affiliates. All rights reserved. Alexa에 들어가는 Machine & Deep Learning targets: 0 = non-speech/undesired speech 1 = desired speech anchor word S P E A K E R A D A P T A T I O N A N C H O R E D S P E E C H D E T E C T I O N
- 34. AWS AI/ML: Solutions full Stack PLATFORM SERVICES APPLICATION SERVICES FRAMEWORKS & INTERFACES Caffe2 CNTK Apache MXNet PyTorch TensorFlow Torch Keras Gluon AWS Deep Learning AMIs Amazon SageMaker AWS DeepLens Rekognition Transcribe Translate Polly Comprehend Lex Amazon Mechanical Turk Amazon ML
- 35. AWS AI/ML: Solutions for Every Skill Level Services • 애플리케이션 개발자를 위한 설계 • API를 통해 제공되는 솔루션 중심의 사전 빌드 된 모델 • 이미지 분석, 텍스트 음성 변환, 대화형 UX Platforms • 공통 요구 사항을 해결하기 위해 데이터 과학자를 위한 설계 • 모델 빌딩을 위한 완벽하게 관리되는 플랫폼 • 모델 구축 및 배치에서의 추가적 작업 감소 Frameworks • 데이터 과학자들의 첨단/신규 요구를 해결할 수 있도록 설계 • 선도적인 AI 프레임 워크에서 개발 할 수 있도록 최대한의 유연성 제공 • Expert AI 시스템 개발 및 구축 가능
- 36. AWS AI/ML Case study - duolingo 듀오링고(Duolingo)는 사용자들이 무료로 언어를 배우는 동시에 크라우드 소싱의 방식으로 언어를 번역할 수 있는 플랫폼
- 37. Duolingo 기능 및 서비스 두가지 속도의 음성을 통해서 반복적으로 학습할 수 있습니다. 사용자가 설정한 언어를 간단한 문장으로 학습할 수 있습니다. 사용자가 직접 소리내어 발음을 테스트하고 학습의 효과를 테스트할 수 있습니다. 음성을 듣고, 직접 말하며 학습하는 언어교육 어플리케이션
- 38. Duolingo 아키텍처 비용 절감과 네트워크 지연 감소 효과
- 39. Duolingo 주요 AWS 서비스 Amazon Polly • TTS (Text-to-speech)에 사용 • 원어민 대신하여 꾸준한 퀄리티와 즉각적인 서비스 제공 Amazon DynamoDB • 310억 항목 저장 • 초당 24,000개 읽기 & 3,300개 쓰기 활동 가능 • 높은 확장성을 기반으로 한 안정성 이미지 관련 데이터 저장용 영구 데이터 저장용컴퓨팅용 핵심서비스 추가서비스 매월 60억 개 이상의 활동을 구동하며, 80개 언어를 제공하는 온라인 학습 사이트/어플리케이션으로 현재 1억7천만명이 이용 중
- 40. © 2018, Amazon Web Services, Inc. or Its Affiliates. All rights reserved. Alexa 서비스 현황 및 AI 플랫폼 +30,000 이상의 App 연계, 실행/정보 제공 App/Device를 연결하는 플랫폼 (IoT hub) Dialog manager ASR NLU TTS User speech Text Labels Actions Speech output Clarification dialog 다양한 AI 기반 인식/합성 서비스의 유기적 연결
- 41. AI 도입 및 적용의 어려움과 AI 서비스 플랫폼의 활용 이유? AI/ML expertise is rare Building and scaling AI/ML technology is hard Deploying and operating models in production is time-consuming and expensive A lack of cost-effective, easy-to-use, and scalable AI/ML services 전문가 부족 기술/스케일링 어려움 운영시 시간 소모적/고비용 비용 효율적 쉽고 단순한 확장성 있는 서비스 필요
- 42. AI를 활용/도입하는 체계로 전환하는 것은 디지털 트랜스포메이션과 유사 SOURCE: The age of analytics: Competing in a data-driven world, McKinsey Global Institute, December 2016; McKinsey Global Institute analysis Use-case를 탐색하여 비즈니스 요구 사항을 명시하고 비즈니스 사례를 만듭니다. 분산된 데이터의 집계 /사전 분석 수준 결정 가치가 높은 데이터 확인 AI 최적화 Tool 확인 역량 부족을 메우기위한 파트너 또는 역량 획득 민첩한 "테스트 및 학습“ 접근 방식 개방적이고 협력적인 문화를 채택. AI 통찰력에 신뢰 구축 업무 전환 및 역량 향상을 위한 인력 재교육 AI를 업무와 업무현장 및 환경에 통합 인간/기계 인터페이스 (상호작용) 최적화 Use Cases/ Sources of Value Data Ecosystems Techniques and Tools Workflow integration Open culture and Organization
- 43. AI POC를 위한 평가 기준 항목 실용적 예술의 인지 Identifying the “Art of the Practical” 정보/데이터 소스가 모두 사용 가능하고 액세스 가능한지 Data Availability Business Value Ability to Execute 결과는 측정 가능하며 성공 메트릭스는 명확한지 성과는 프로젝트(사업)에 의해 실제적으로 사용될 수 있는지
- 44. POC 기준 : Business Value • 기준 & 입력 항목 • 사업 & 운영 목표 • 매출 향상 Revenue Improvement • 비용 절감 Cost Reduction • 위험 가능성 Risks Averted • 경험 개선/향상 Improved Experience • 투자 대비 효과-입력 ROI Inputs • 비용 단위 Unit Costs • 현재 결과 Current Results (e.g., response rates, volumes, etc.) • 투자 대비 효과-결과ROI Outputs • 사업 가치 Business Value 비즈니스 가치
- 45. POC 기준 : Ability to Execute 실행의 가능성 • 기준 & 입력 항목 • 사업 & 운영 목표 • 목표가 식별되고 따라 할 수 있는지 • 실행을 전달할 수있는 방법이 있는지. • 실행 결과를 모니터링하는 수단이 있는지 • 결과는 측정 가능한지 • 실행을 위한 입력 • 필수 시스템 및 API에 대한 접근 • 실행 결과 • 작업 전달 및 확인 • 결과 피드백 캡처
- 46. POC 기준 : Data Availability 데이터 가용성 • 기준 & 입력 항목 • 사업 & 운영 목표 • 결과를 행동으로 변환 할 수 있는지. • 최종 사용자는 기본 규칙을 액세스하고 조작 할 수 있는지. • 사용 가능한 기록 데이터 또는 시간에 따라 캡처하는 기능 • 데이터 입력 • 데이터 타겟팅 (real-time, near-real-time, batch, etc.) • 데이터 출력 • 결과를 백엔드 시스템에 전달하여 반영할 수 있는지
- 47. POC 기준 : 자격 대상 확인 목록 Checklist Question Common Answers 어떤 비즈니스 또는 운영상의 이점을 추구하고 있습니까? • Customer Retention • Quality Assurance Improvement • Root Cause Identification • Fraud Detection • Sentiment Identification • Image Analysis 결과를 어떻게 이용하고 작동하게 할 것인가? • Using fraud detection to stop suspect transactions • Enabling tagged images to be searched within a repository 현재 어떤 유형의 데이터를 사용할 수 있습니까? 현재 AWS에있는 각 데이터 카테고리의 양은 어느 정도입니까? • Customer information • Financial transaction data • Photo Libraries • Clinical Forms • Free-form Surveys • User-generated Content 오늘날 어떤 유형의 분석 및 기계 학습이 사용되고 있습니까? • Business Intelligence • Rules-based Processing • Predictive Modeling • Deep Learning 현재이 활동을 지원하는 직원 및 또는 컨설턴트는 누구입니까? • Data Engineers • Data Scientists • Statisticians • Econometricians • App Developers 현재 이러한 활동을 지원하는 소프트웨어는 무엇입니까? • TensorFlow / Caffe • DataRobot / Dataiku • R / R-Studio • IBM Watson • SAS • Tableau 이러한 비즈니스 목표를 달성하기위한 이상적인 시나리오는 무엇입니까? • Automate all manual processes • Eliminate fraudulent transactions • Enable content searching via voice commands AI를 도입 할 때 고객이 겪었던 문제점과 격차는 무엇입니까? • Access to Data • Data Quality • Resource Skills • Inability to Operationalize • Sufficient Resources • Limited Historical Results • Limited Business Adoption • Difficulty Measuring Results
- 48. Q & A
- 49. 감사합니다.