인공지능 포럼

의료분야에서 가장 많이 사용 되는 대화형 AI

insight_unni — Sat, 9 Apr 2022 08:34:58 +0900

대화형 AI가 의료분야에서 하는 역할

대화형 AI 및 의료분야에서 대화형 AI의 역할을 전달해드리겠습니다. 이 포스트를 전체적으로 읽고 나면 대화형 AI 및 의료분야에서 대화형 AI의 역할을 이해하게 될 것입니다. 대화형 AI 및 의료분야에서 대화형 AI의 역할의 지식이 필요하시다면 전체 다 읽어주세요. 이제 아래에서 전부 알려드리겠습니다. 코로나의 대유행 이후 의료 산업은 전 세계적으로 의사, 간호사 및 기타 의료 종사자의 심각한 부족에 직면해 있습니다. 이러한 부족을 극복하기 위해 세계 각국에서 몇 가지 개혁이 제안되었습니다. 여기에는 국제 의학 졸업생들이 직면하는 장애물을 최소화하고 의료 면허 절차를 간소화하는 것이 포함됩니다. 기술은 진화하고 있으며, 지구상의 거의 모든 조직을 지배하고 있으며, 의료 산업도 예외는 아닙니다. 대화형 인공지능(AI)은 의료 산업을 혁신하고 심각한 위기에서 구할 준비가 되어 있습니다. 환자 참여 챗봇입니다. 의료 분야의 대화형 AI를 사용하여 환자가 시술 후 단계에 계속 참여하도록 할 수도 있습니다. 우리는 이제 로봇이 어떻게 사용자가 치료 일정을 정하고 진단하는 데 도움을 줄 수 있는지 알게 되었습니다. 그러나 그 이상은 아니더라도 사후 처리 단계는 필수적입니다. 약속 스케줄입니다. 메시징 인터페이스를 통해 챗봇에 쉽게 액세스할 수 있습니다. 챗봇은 의사의 예약 가능 여부에 따라 예약을 예약할 수 있습니다. 또한 특정 챗봇은 Microsoft Dynamics 또는 Salesforce와 같은 CRM 시스템과 상호 작용하도록 설계되어 직원들이 향후 참조를 위해 정보를 편리하게 저장하면서 특정 환자의 방문 및 후속 진료 예약을 추적할 수 있도록 지원합니다. 챗봇 기능은 인건비를 줄일 수 있으며 환자들이 자주 하는 질문을 통해서 즉각적인 답변을 해 줄수 있습니다. 따라서 예약에 대한 번거로움이 훨씬 줄어들 수 있습니다. 응급 환자 에스컬레이션입니다. 현재 유행하고 있는 코로나19와 같은 건강 위기 상황에서 분류와 같은 활용 사례는 바쁜 의료 기관에 매우 유용한 것으로 입증될 수 있습니다. 의료 인터랙티브 AI는 환자를 선별하고 치료를 분류하는 데 초점을 맞출 수 있습니다. 봇은 환자 증상 데이터를 수집하고 상황의 심각도에 따라 적절한 조치를 취하도록 지시합니다. FAQ(자주 묻는 질문) 해결 방법 FAQ 섹션은 모든 웹 사이트의 가장 일반적인 구성 요소 중 하나입니다. 클리닉과 병원은 이 섹션을 웹사이트의 일반적인 질문에 대답하는 전용 챗봇 기능으로 전환했습니다. 사용자가 정보를 찾는 데 도움이 됩니다. 증상 평가입니다. Conversa와 같은 증상 테스트 봇은 환자와 병원 간의 첫 번째 연락 경로가 될 수 있습니다. 챗봇은 관련된 질문을 하고 증상을 이해할 수 있습니다. 이 플랫폼은 고위험 환자를 식별하고 전화, 원격 의료, e-방문 또는 직접 예약을 통해 의료 제공업체에 연락할 수 있도록 지원함으로써 치료 프로세스를 자동화합니다. 결론은 다음과 같습니다. 대화형 인공지능(AI)은 지루한 프로세스를 자동화하여 서비스 품질 기준을 크게 향상시켰습니다. 환자에게 문진을 하고, 기초 검사를 하고, 병력 체크를 하는 일련의 과정을 획기적으로 줄일 수 있게 되었습니다. 또한 고위험 환자의 경우 병원으로 내원 하기 전 전원 하는 방법을 통해 선별 진료를 해 볼 수 있습니다. 환자의 위험도나 증상도에 따라서 분류를 하게 되는 것은 병원에서도 여러가지의 번거로운 작업들을 효율화 시키는 계기가 될 것입니다. AI 기술을 통해 의료 종사자는 증상을 즉시 식별하고, 중요도가 낮은 환자를 분류하고, 그에 따라 예약을 계획할 수 있습니다. 또한 이 기술을 통해 의료 관계자들은 체크인하는 동안 필요한 세부 정보를 수집할 수 있습니다. 이러한 놀라운 기술 발전에도 불구하고, AI 및 기타 판도를 바꾸는 기술 솔루션과 관련하여 의료 부문은 개선의 여지가 많습니다. 코어AI가 의료 인공지능(AI) 대화비서 '헬스 어시스트'를 출시했다고 17일 밝혔다. 디지털 퍼스트 의료 지원 시리즈 중 첫 번째 제품입니다. Health Assist는 미국 HIPAA(Health Information Protection Act)를 준수하는 솔루션으로, 의료 회사가 환자, 구성원, 보호자, 제공자 및 대리인을 지원하는 업무 전반에 걸쳐 음성 및 디지털 상호 작용을 통해 상담원과 실제로 대화하는 경험을 제공합니다. 의료 회사는 다양한 관계자의 참여를 촉진하고, 새로운 환자/구성원을 확보하며, 유지율을 높이고, 경험과 만족도를 최적화하고, 비용 관리를 포함한 업무 생산성을 향상시키기 위해 Health Assist를 사용할 수 있습니다. 보건지원은 EHR/EMR과 같은 솔루션, 질병, 처방, 의약품과 같은 정보를 처리할 수 있는 온톨로지 시스템 운영을 위한 다양한 정보, 입원-퇴원-전원(ADT) 정보, 환자 모니터링, 청구서와 연계하여 사용할 수 있습니다. "Health Assist는 우리의 역량을 집중시키는 솔루션이며, 인터랙티브 AI는 이를 가장 필요로 하는 관계자들의 만족도를 높이고 주요 인력 부족을 해결하는 데 도움이 될 것이라고 합니다. 대화형 AI 및 의료분야에서 대화형 AI의 역할에 대해서 알아보았습니다. 대화형 AI가 의료계에 긍정적인 영향을 줄 것이라 기대 해 봅니다. 여러분의 생각은 어떠신가요? 추가적으로 필요하신 정보가 있다면 상단의 글들을 참고하시면 됩니다. 감사합니다.

핀테크 산업에 영향을 미치는 상위 5개 머신 러닝 스타트업

insight_unni — Fri, 8 Apr 2022 09:19:25 +0900

핀테크 산업에 큰 의미를 부여한 AI와 기계 학습 상위 다섯개 스타트업 소개

AI와 기계학습은 핀테크 산업에 새로운 의미를 부여했습니다. 여기 다섯 가지 기계 학습 스타트업들이 있습니다. AI와 머신러닝은 최근 금융 서비스를 바꾸고 있으며, 머지 않아 결제 세계를 완전히 바꿀 준비가 되어 있습니다. 보고서에 따르면, "인공지능은 2030년까지 은행 산업에서 1조 달러 이상을 절약할 것입니다. 기계학습의 활용은 핀테크 산업 내에서 수행되는 작업의 수를 재정의합니다. 많은 기계학습 스타트업들이 핀테크 산업을 발전시키기 위해 노력하고 있습니다. 이 기사에서는 업계에 영향을 미치는 상위 5개 머신러닝 스타트업을 소개합니다. 첫째는 액시온 AI입니다. 엑시온 AI는 자산관리 플랫폼 Axyon IRIS를 제공하는 이탈리아 핀테크 스타트업입니다. 빅데이터, 예측 분석 및 고성능 컴퓨팅(HPC)을 결합하여 복잡한 시장 패턴에 대한 통찰력을 제공합니다. AXYON IRIS는 시장 데이터 이상을 감지하여 시장 수동 분석의 필요성을 줄이고 예측 정확도를 향상시킵니다. 핀테크 산업에 영향을 미치는 최고의 머신러닝 스타트업 중 하나입니다. 엑시온 AI에 관련한 기사가 있어 확인을 해 보았습니다. IT 리서치 회사인 Gartner는 TenSpace의 ASTER 솔루션을 Gartner Banking and Investment의 AI for Banking and Investment Services에서 2020 Cool Vendors로 선정했습니다.지난 4월 말 AI 분야에서 '쿨벤더'로 선정된 4개 기업을 공식 발표하고 혁신적인 장점을 소개했습니다. 선정된 기업은 액시온AI(이탈리아), 아이겐테크놀로지스(영국), 소큐어(미국), 텐스페이스 등 입니다. 텐스페이스는 영국과 대만 분석가들과 함께 두 차례에 걸쳐 멋진 벤더를 선정하는 업체 브리핑을 진행했는데, 이 브리핑에서는 가트너가 전 세계 유명 벤더를 선정해 가트너 연구자들에게 솔루션과 기술을 상세히 알려주고 있습니다.Gartner는 보안, 의료, 산업 현장, 모바일 등 IT, IoT(사물인터넷) 기술이 필요한 다양한 업종에서 운영되는 공급업체를 분석하고 보고서(Magic Quadrant)와 쿨 벤더(Cool Vendor)를 통해 최종 사용자에게 정보를 전달합니다. 가트너의 보고서는 전 세계 언론들이 매일 인용하는 믿을 만한 보고서로, 전 세계 수많은 최종 사용자 기업들이 IT 공급업체를 선정할 때 가트너의 보고서를 적극 반영하는 것으로 알려져 있습니다. Gartner는 Tenspace를 "대안 신용 등급, AML(자금세탁 방지 추적), 대출 등 세 가지 시나리오에서 의사 결정을 개선하기 위해 AI 지원 도구를 사용하여 소셜 미디어 데이터를 분석한다 라고 소개했습니다. 그는 특히 소셜 미디어를 활용한 텐스스페이스의 접근 방식이 다른 벤더(공급업체)보다 한 단계 앞선 기술을 보유하고 있다고 칭찬했습니다. 텐스페이스는 '소셜네트워크 분석 기반 사용자 평가 방법 및 시스템' 관련 특허 등 2건을 보유하고 있으며, 3건의 특허와 미국·중국·일본 특허도 진행 중이라고 합니다. 둘째는 피리미드 핀테크입니다.Pirimid Fintech는 대출감시를 위한 조기경보시스템을 제공하는 인도 스타트업입니다. 이 스타트업의 소프트웨어는 ML을 사용하여 은행 데이터, 거래 세부 정보, 소셜 미디어 감성 및 디지털 풋프린트의 차입자 정보를 비교하여 트렌드와 패턴을 식별합니다. 세번째는 토큰 메트릭스입니다. 미국 기반 스타트업 토큰 메트릭스는 암호화 분석 플랫폼을 개발합니다. 머신러닝은 Etherin과 Bitcoin의 온체인 데이터, 사회적 정서적 동향, 일상적인 시장 업데이트 등을 분석하여 가상화폐 투자에 대한 통찰력을 제공합니다. 핀테크 산업에 영향을 미치는 최고의 머신러닝 스타트업 중 하나입니다. AiDA는 재무 분석 및 프로세스 자동화를 위한 제품군을 제공하는 싱가포르의 스타트업입니다. 이 스타트업의 ML 기반 솔루션을 통해 은행과 보험 회사는 사기 탐지, 인수 자동화 및 에이전트 성능 관리를 위한 신제품을 개발할 수 있습니다. 영국에 본사를 둔 스타트업 Regvolution은 은행 및 비은행 금융 회사(NBFC)를 위한 위험 및 재무 최적화 프로그램을 만듭니다. 스타트업의 솔루션은 규제 데이터를 분석하여 데이터 중복을 탐지하고 변수 간의 관계를 확인하고 데이터 프로세스를 최적화합니다. 핀테크 산업에 영향을 미치는 최고의 머신러닝 스타트업 중 하나입니다.첨단 기술과 함께 컴퓨터 비전이 향후 몇 년 동안 인간의 일자리를 앗아갈까요? 컴퓨터 비전이 실업률을 증가시킬 수 있는 인간의 일자리를 대체할지에 대한 세계적인 논쟁이 있습니다. AI 알고리즘과 첨단 기술을 기존 컴퓨터 시스템에 통합하여 고급 컴퓨터 비전을 도입하였습니다. AI 알고리즘은 사람의 개입 없이 여러 개의 실시간 데이터 세트를 적절한 비즈니스 통찰력으로 변환합니다. 그러나 인공지능 알고리즘과 컴퓨터는 여러 작업을 효율적이고 효과적으로 수행하기 위해 인간의 도움이 필요합니다. 최근 몇 년 동안 AI 분야에서 인간의 일자리가 늘어난 이유에 대해 생각해 본 적이 있나요? 소프트웨어 개발과 생산성 향상을 위해 새로운 기술을 혁신하기 위해서는 인간의 기술이 필요합니다. 컴퓨터 비전 엔지니어, 컴퓨터 비전 과학자, 딥 러닝 전문가, 소프트웨어 개발자, 데이터 과학자, 소프트웨어 엔지니어, 선임 과학자, 데이터 분석 관리자 및 컴퓨터 비전 연구 엔지니어와 같은 수익성 높은 급여 패키지를 제공합니다. 다시 말해, 우리는 컴퓨터 비전이 인간의 작업을 수행하는 것이 아니라 워크로드를 효과적으로 완화하여 더 높은 ROI를 달성할 것이라고 주장할 수 있습니다.

인공지능의 시초에 대한 탐구

insight_unni — Thu, 7 Apr 2022 15:09:04 +0900

인공지능의 기원과 그 역사에 대한 고찰

인공지능의 시초 및 인공지능의 역사를 소개해드리겠습니다. 이 게시물을 전체적으로 읽어주시면 인공지능의 시초 및 인공지능의 역사를 이해할 것입니다. 인공지능의 시초 및 인공지능의 역사가 궁금하신 분들은 모두 읽어주시면 도움이 되실 것입니다. 이제 아래에서 전부 알려드리겠습니다. 오늘날 인공지능은 모든 곳에서 광범위하게 활약을 하고 있는데요, 인공지능이 언제부터 시작이 되었는지, 그리고 인공지능에 대해서 처음으로 발명을 하게 된 사람은 누구 인지 궁금해 하는 분들이 많으실 겁니다. 과연 인공지능을 발명한 사람은 누구일까요? 컴퓨터 과학자 존 맥카시는 1955년에 이 용어를 만들고 최초의 AI 프로그래밍 언어 중 하나인 LISP를 만들었고, 인공지능의 아버지로 여겨집니다. 하지만 그가 인공지능 아이디어를 제안한 첫 번째 사람은 아닙니다. 인공지능의 개념은 20세기 초부터 공상과학 소설에 무수히 떠돌고 있었습니다. 최초의 프로그램 저장 컴퓨터가 가동되기 전인 1949년까지 AI가 존재했습니다. 몇 년 안에, 과학자들과 학자들은 컴퓨터가 논리적인 규칙에 기초한 처리를 넘어 실제로 생각하는 기계가 될 수 있다는 이론을 세웠습니다. 가장 유명한 사람 중 하나는 영국의 수학자 Alan Turing으로, 그는 1950년 논문 Computing Machine and Intelligence에서 튜링 테스트로 알려진 기계 지능 테스트 방법을 제안했습니다. 5년 후, Herbert Simon, Allen Newell 그리고 John Shaw는 인간의 문제 해결 기술을 모방하기 위해 고안된 첫 번째 프로그램인 Logic Theoryist를 만들었습니다. 존 맥카시가 이 주제에 대한 여름 연구 컨퍼런스 제안에 "인공지능"이라는 용어를 포함시키기 전까지는, 우리가 현재 AI로 알고 있는 것은 그때까지만 해도 정확하게 정의되지 않았습니다. 맥카시는 그의 제안서에서 이 연구는 학습의 모든 측면과 지능의 다른 특징들이 원칙적으로 너무 정확하게 설명되고 기계가 그것을 시뮬레이션 할 수 있다는 추측에 기초하고 있다고 했습니다. 또한 기계가 언어를 사용하고, 추상화와 개념을 형성하고, 현재 인간에게 주어진 문제를 해결하고, 스스로를 개선할 수 있는 방법을 모색할 것이라고도 일컬었습니다. John McCarthy는 스탠포드 대학의 컴퓨터 공학과 교수입니다. 그는 1948년부터 인공지능에 관심이 있었고 1955년에 이 용어를 만들었습니다. 그의 주요 인공지능 연구 분야는 상식의 공식화였습니다. 그는 1958년에 LISP 프로그래밍 언어를 발명했고, 50년대 후반과 60년대 초반에 시분할 개념을 개발했으며, 컴퓨터 프로그램이 그들의 사양을 충족한다는 것을 증명하기 위해 60년대 초부터 일해왔습니다. 그는 1978년에 비단조적 추론을 제한하는 방법을 발명했습니다. 그의 주요 연구는 상식의 지식과 추론을 만드는 것입니다. 그의 기사는 존 맥카시의 메인 웹 페이지에 있습니다. 맥카시는 A.M 훈장을 받았습니다. 1971년 컴퓨터 기계 협회에 의한 튜링상, 1983-84년 미국 AI 협회의 회장으로 선출되었으며, 이 조직의 펠로우입니다. 그는 1985년 국제 인공 지능 공동 회의로부터 제1회 연구 우수상, 1988년 11월 이나모리 재단으로부터 교토 상, 1990년 국립 과학 훈장을 받았습니다. 그는 미국 예술 과학 아카데미, 미국 공학 아카데미 및 미국 과학 아카데미의 회원입니다. 그는 마드리드의 Linkoping University, Colby College, Trinity College, Dublin, 그리고 캐나다 몬트리올의 Concordia University에서 명예 학위를 받았습니다. 그는 캘리포니아 공과대학에서 우수한 졸업생으로 선정되었습니다.그의 목표는 그때나 지금이나 인간과 같은 지능을 가진 기계를 만드는 것입니다. 그리고 그는 1959년에 출판된 "상식을 가진 프로그램"이라는 논문에서 그것을 갈고 닦았습니다. 이 논문은 맥카시가 평생 추구한 수학적 정확성의 출발점이었습니다. 맥카시는 다음과 같이 자신의 목표를 구체적으로 표현하기 위한 상식적인 프로그램이라고 정의했습니다. 이 프로그램은 이미 충분히 광범위한 범위에서 이미 알려진 주문의 즉각적인 결과를 추론할 수 있는 프로그램입니다. 1959년 논문에서, 그것의 목표는 '누구나 할 수 있을 만큼 간단한 기본적인 언어 추론 과정을 수행할 수 있는' 기계를 만드는 것이라고 언급되었습니다. 그런 의미에서 이 작업은 상당히 실현 가능한 것으로 보입니다. 하지만, 미래의 모습은 매우 다를 수 있습니다. 수천만 개의 사실과 규칙을 암호화한 Douglas Lenat의 Cyc만큼 광범위한 프로젝트는 결코 환영받지 못할 많은 어려움에 직면해 있습니다. 그런 논리를 사용하는 모든 프로젝트는 맥카시의 연구를 바탕으로 작성될 것입니다. 여기까지 인공지능의 시초 및 인공지능의 역사를 전달해드렸습니다. 참고로 로봇에 대한 어원도 알려 드리겠습니다. 로봇의 개념은 수천년 전 부터 있었지만 로봇이라는 단어가 등장 한 데에는 그지 오래 되지 않았습니다. 로봇은 체코어인 robota 에서 비롯되었는데요, 이는 노동을 의미한다고 합니다. 한국의 겨우 구글 인공지능 로봇 알파고와 이세돌 9단의 세기 바둑 대결로 인공지능 로봇이 급격하게 알려지게 되었습니다.인공지능이 어디서 부터 시작되었으며 어떠한 형태로 발전해 왔는지 궁금증이 풀리길 바랍니다. 읽어주셔서 감사합니다. 추가적으로 궁금하신 게 있다면 댓글로 알려 주시면 찾아 보도록 하겠습니다.

인공지능을 통해 미래 삶이 가져 올 변화는 무엇인가

insight_unni — Mon, 4 Apr 2022 23:48:11 +0900

우리 미래의 삶에 인공지능이 가져 올 변화는?

인공지능의 미래 및 예측될 변화를 전달해드리겠습니다. 이 자료를 모두 읽어주시면 인공지능의 미래 및 예측될 변화를 이해하시게 될 것이라고 기대하고 있습니다. 인공지능의 미래 및 예측될 변화가 궁금하신 분들은 모두 읽어주세요. 아래의 포스팅을 통해서 알아 보도록 하겠습니다. 오늘날 인공지능은 사람들이 함께 더 똑똑하게 생각하고 행동할 수 있게 해줍니다. 우리가 AI를 이해하는 데 있어 가장 큰 차이 중 하나는 AI가 인간의 집단 지능과 어떻게 관련되어 있는가 입니다. 대부분의 AI 애플리케이션은 작업을 수행할 때 개별 인류를 대체하거나 더 효율적으로 만드는 매우 세세한 작업 집합을 통해 인간의 능력을 복제하는 데 초점을 맞췄습니다. 하지만, 어떻게 AI를 사용하여 사람들이 더 똑똑하게 생각하고 행동할 수 있는지 그리고 복잡한 문제를 해결하기 위해 인간과 기계 지능을 가장 잘 결합할 수 있는지에 대한 집중은 훨씬 덜합니다. 그 어느 때보다 많은 사람들을 연결하는 디지털 기술의 발전과 함께 발맞추어 이러한 부분에서 AI는 도움을 줄 수 있습니다. 비록 우리가 공동의 노력을 최대한 활용하기 위해서는 아직 갈 길이 멀지만요. 예를 들어, AI를 사용하여 작업, 기술 및 정보가 팀 내에서 분배되는 방식을 단순화하거나, 의사결정 과정에서 공유 정신 모델을 개발하는 데 도움이 되는 복잡함을 시뮬레이션할 수 있습니다. 이를 위해서는 AI의 가치와 자금 조달의 우선 순위를 정하는 방법에 대해 훨씬 더 많은 상상력이 필요합니다. 이를 통해 AI에 대한 대안적인 미래 비전을 모색하고 실험할 수 있는 실천 커뮤니티를 구축하고 있습니다. 우리의 마음과 기계의 미래에 대한 연구는 인공지능이 어떻게 집단 지능을 향상시킬 수 있는지, 그리고 참여가 어떻게 AI 개발에 다양성의 원리와 집단 가치를 도입할 수 있는지를 확인 해 볼 수 있습니다. AI 형성에 보다 폭넓은 인력과 목소리가 참여합니다. AI는 우리 사회에 존재하는 부당함을 반영할 수 있습니다. AI 알고리즘의 배후에 있는 데이터는 편견과 시대에 뒤떨어진 관행을 강화할 수 있습니다. 따라서, 특정 AI 애플리케이션의 배포는 우리에게 시스템적 불평등에 직면하게 하고 우리가 사회로서 가지고 있는 가치를 조사하게 했습니다. 얼굴 인식에 대한 최근의 논쟁에서 보듯이, 집단 행동은 대기업과 개발자들이 AI 사용에 대해 생각하는 방식을 형성하는데 도움을 줄 수 있습니다. 보다 공정하고 대표적인 AI를 보장하기 위해, 우리는 권력이 재분배될 수 있는 더 많은 기회와 AI의 미래를 형성하고 지시할 수 있는 훨씬 광범위한 사람들과 목소리, 그리고 AI가 우리의 생활 스타일에 미치는 영향을 볼 필요가 있습니다. 이러한 문제는 AI의 성별 다양성 부족에 대한 연구로 설명되며, 전체 AI 연구의 14% 미만이 여성에 의해 이루어지고 있는 것으로 나타났습니다. 더 많은 대표성을 보장하는 방법 중 하나는 참여 선물을 통해서입니다. 미래의 서비스와 제품을 개발하는 데 도움이 되는 도구와 방법은 어떻게 하면 사람들이 그 과정에서 보다 포괄적이고 다양해질 수 있을지 생각하게 합니다. 11~16세 청소년들을 초청하여 AI 시스템을 실험하고 구현하기 위한 Litude Explorer Prize를 통해 타인의 삶을 개선하는 AI 지원 솔루션에 대한 아이디어를 제출하였습니다. AI로 인한 속도와 혼란은 정책과 규제에 대한 새로운 접근이 필요합니다. 우리는 규제 기관 및 정부와 적극적으로 협력하여 법적 접근 문제 등을 통해 규제에 대한 보다 예측 가능하고 포괄적인 접근 방식을 촉진하고 있습니다. 우리는 인공지능을 통해서 더 나은 미래를 위한 길을 닦을 수 있습니다. 세계 보건 위기는 현재 시스템의 한계를 시험했고 비상 대비, 혁신 및 의사결정을 위한 집단 행동의 중요성을 강조했습니다. 지금은 AI 궤도가 현재 우리를 가두고 있는 미래를 위한 대안적인 비전을 위해 잠시 멈추고 재고하고 노력해야 할 때입니다. 그렇게 함으로써, 우리는 건강, 경제 또는 기후 위기와 관련된 다음 세계 비상사태에 대처할 수 있는 더 나은 위치에 서게 될 것입니다. 이를 위해서는 AI가 보다 현명하게 사고하고 행동하도록 유도하고 열린 기회와 이익을 사회 전체에 확산시키는 방법을 실험함으로써 강력한 근거 기반을 구축해야 합니다. 당신은 또한 건전한 상상력이 필요합니다. 우리는 인공지능의 미래에 대해 이야기하기 시작해야 합니다. 대부분은 알려지지 않은 영역이고 명확한 답은 없습니다. AI와 CI를 새로운 방식으로 결합하기 위해 새로운 데이터 과학 방법이나 자금 지원을 실험하고 있기 때문에, 그 과정에서 약간의 실패가 있을 수 있습니다. 이 작업의 야망과 범위, AI가 여러 분야와 다양한 전문지식으로 확산된다는 것은 우리가 이 비전을 달성하기 위해 협력할 동맹이 필요하다는 것을 의미합니다. 더 많은 AI 시스템이 더 나은 감독을 통해 구축되고 사회 관리를 위한 자원 조정이나 사회 경제적 불평등 감소와 같은 사람들에게 중요한 문제에 초점을 맞추었다면, 그들은 COVID-19의 이질적인 영향을 더 빨리 적응하고 완화했을 것입니다. 이렇듯 인공지능을 통해 우리미래의 변화는 극적이고 빠르게 변화 할 것이라고 많은 사람들이 예측을 하고 있습니다. 미래의 인공지능 비전에 대한 꾸준한 연구와 적용이 우선시 되어야 한다고 생각합니다. 인공지능의 미래 및 예측될 변화에 대해 알려드렸습니다. 모두 읽어주셔서 감사합니다. 다른 정보도 궁금하시다면 위의 글들을 참고하시면 도움이 될 것입니다.

인공지능이 국제 무역에 미치는 영향

insight_unni — Mon, 4 Apr 2022 13:32:38 +0900

국제 무역에서 인공지능이 미치는 영향 확인

인공지능은 국제 무역에 혁신적인 영향을 미칠 것입니다. 데이터 분석 및 번역 서비스와 같은 분야의 특정 애플리케이션은 이미 트랜잭션 장벽을 낮추고 있습니다. 동시에, AI 시스템을 양성하기 위한 데이터에 대한 글로벌 접근성 개선 등 국제 무역 규칙이 해결할 수 있는 AI 개발 과제입니다. 다음은 주요 AI 거래 기회와 거래 규칙이 AI 개발을 지원하는 데 도움이 될 수 있는 분야에 대한 개요입니다. 인공지능의 의미가 무엇일까요? 무역에 미치는 영향을 설명하기 전에 AI의 의미를 명확히 하는 것이 중요합니다. 구체적으로 번역 서비스, 챗봇, 자율주행차 등 좁은 폭의 AI와 일반 AI의 핵심 차이, 즉 "인간 전반의 경험을 통해 학습하고 모든 작업에서 인간의 성과를 능가하는 자체 학습 시스템"이 있습니다. 일반적인 AI는 이러한 시스템 목표를 우리의 목표와 일치시켜 재앙적인 결과를 예방하는 방법 등 광범위한 실존적 우려를 제기하지만, 일반적인 AI는 여전히 먼 미래에 개발되어야 할 기술로 남아 있습니다.협소한 AI가 무역에서 갖는 잠재적인 중요성을 이해하기 위해서는 핵심 분야를 간략히 고려하는 것도 중요합니다. 특히, 협 AI는 머신러닝을 기반으로 대량의 데이터와 강력한 알고리즘을 사용하여 더욱 강력한 미래 예측을 개발합니다. 기계 학습에 사용되는 데이터는 지도 없이 또는 사전 프롬프트 없이 패턴을 식별해야 하는 원시 비감독 데이터일 수 있습니다. 여기에는 기계 학습 알고리즘이 자체 교육 데이터를 능동적으로 선택하여 생성하는 강화 학습이 포함됩니다. AI의 발달은 다양한 방식으로 국제 무역에 영향을 미칠 것입니다. 하나는 AI의 거시경제적 영향과 관련 무역 효과입니다. 예를 들어, AI가 생산성을 높인다면, 경제성장은 증가하여 국제 무역에 새로운 기회를 제공할 것입니다. 현재 세계적으로 생산성 증가율이 낮으며 다양한 원인이 제시되고 있습니다. 생산성이 낮은 이유 중 하나는, 특히 AI와의 잠재적 연관성을 이해하는 것과 관련하여, 경제가 새로운 기술, 특히 경제에 전체적으로 영향을 미치는 복잡한 기술을 통합하고 효과적으로 사용하는 데 시간이 걸리기 때문입니다. 여기에는 포괄적인 효과를 낼 수 있을 만큼 큰 자본을 구축할 시간과 숙련된 인력 및 비즈니스 관행에 대한 접근 등 AI 투자를 최대한 활용하기 위해 필요한 무료 투자가 포함됩니다. AI는 또한 국제 무역에 영향을 미치면서 경제 성장의 유형과 질에도 영향을 미칠 것입니다. 예를 들어, AI는 서비스 경제로의 전환을 가속화할 것입니다. 이는 AI가 자동화를 확대하고 제조업 분야의 저숙련 블루칼라 실업률을 가속화할 가능성이 높아 AI와 일자리의 영향을 우려한 결과입니다. 동시에, AI는 생산과 제품에 가치를 더하는 데 사용되기 때문에, 특정한 작업 능력을 강조하기도 합니다. 이는 생산 및 국제 무역에서 서비스 점유율을 더욱 확대하는 결과로 이어질 것입니다. 국제 무역을 위한 특정 AI 응용 프로그램입니다. AI와 글로벌 가치 사슬입니다. AI는 이미 글로벌 가치사슬의 개발과 관리에 영향을 미치고 있습니다. 소비자 수요의 변화와 같은 미래 추세를 더 잘 예측하고 공급망을 따라 위험을 더 잘 관리하는 데 사용할 수 있습니다. 기업이 복잡하고 분산된 생산 단위를 더 잘 관리할 수 있도록 지원함으로써 이러한 도구는 GVC의 전반적인 효율성을 향상시킵니다. 예를 들어, 기업은 AI를 사용하여 창고 관리, 수요 예측, 적시에 제조 및 배송의 정확성을 개선할 수 있습니다. 로보틱스는 포장 및 재고 검사에서 생산성과 효율성을 높일 수 있습니다. 기업은 또한 AI를 사용하여 공급망을 따라 자산의 물리적 검사와 유지보수를 개선할 수 있습니다. GVC의 발전은 스마트 제조를 발전시키기 위한 AI의 광범위한 사용으로 인해 영향을 받을 것입니다. 예를 들어 독일 주도의 Industry 4.0 개념은 센서, IoT 및 기계, 재료, 소모품 및 고객을 연결하는 사이버 물리적 시스템을 기반으로 합니다. 여기에는 공장 레벨 예측 기계 및 자체 유지보수, 공급망을 따라 기업 간의 완벽한 커뮤니케이션, 고객 사양을 충족하기 위해 소규모 또는 단일 배치를 제조할 수 있는 기능이 포함됩니다. [10] 이러한 발전은 GVC를 강화하고 확장할 수 있습니다. 예를 들어, 연결 중심의 스마트 제조는 GVC를 R&D, 설계, 로보틱스 및 공급망 개별 작업에 맞춘 데이터 분석과 같은 분야에서 전문 서비스 제공업체의 보다 구체적인 참여에 개방할 수 있습니다. 하지만, AI는 또한 온쇼어 생산의 트렌드를 만들어 낼 수 있습니다. 광범위한 자동화 기회와 3D 프린팅의 확장을 통해 공급망 확대의 필요성을 줄일 수 있습니다. 그 결과 Dani Rodrik은 개발도상국에서 조기 산업화를 가속화할 수 있었습니다. 이는 디지털 플랫폼을 사용한 트랜잭션입니다. AI가 이미 보급되어 있는 또 다른 분야는 이베이와 같은 디지털 플랫폼입니다. 특히 중소기업의 경우 디지털 플랫폼은 전례 없는 글로벌 확장 기회를 제공했습니다. 예를 들어 미국에서는 중소기업의 97%가 eBay를 수출하지만 오프라인 수출은 4%에 불과합니다. AI가 개발한 번역 서비스는 국제 무역의 견인차로서 디지털 플랫폼을 더욱 활성화시키고 있습니다. 예를 들어, 이베이의 기계 번역 서비스 결과, 스페인어 사용 라틴 아메리카에 대한 이베이 기반 수출은 17.5%(가치 13.1%) 증가했습니다. 이러한 성장을 컨텍스트에서 설명할 경우, 국가 간 거리를 10% 줄이면 무역 수입이 3.51% 증가할 것입니다. 무역 교섭에도 원활하게 활요이 가능합니다. AI는 또한 국제 무역 협상의 결과를 개선하는 데 사용될 수 있습니다. 예를 들어, AI는 무역 협상 결과 즉 무역 자유화의 다양한 형태에 따른 성장 경로와 이러한 결과가 무역 장벽이 있는 다자 시나리오에서 어떤 영향을 미치는지와 같은 다양한 가정 하에 각 협상 파트너의 경제적 궤적을 더 잘 분석하기 위해 사용될 수 있습니다. 다른 비율로 조정하고 협상하지 않는 국가의 무역 반응을 예측합니다. 브라질은 이미 무역 협상을 개선하기 위해 AI를 사용하는 Intelligent Tech & Trade Initiative를 설립했습니다.

인공지능에 대한 다섯가지 오해

insight_unni — Sun, 3 Apr 2022 20:41:42 +0900

우리가 흔히 가지는 인공지능에 대한 오해 다섯가지

우리는 인공지능이 인간을 능가하는 자율 자동차와 컴퓨터 프로그램을 바둑에서 어떻게 구동하는지에 대한 뉴스 기사를 들었습니다. 과연 AI가 어떻게 차이를 만들 수 있을까요? 정답은 AI가 수십 년 만에 가장 혁신적인 기술 중 하나로, 새로운 비즈니스 모델과 수익 기회를 창출한다는 것입니다. 실제로 최근 McKinsey 연구에 따르면, 엔터프라이즈 AI의 얼리어답터들은 2030년까지 현금 흐름을 두 배로 늘리고 동료들보다 더 높은 장기적 성장률을 달성할 수 있습니다. 한편, 이 연구는 뒤처진 사람들이 같은 기간 동안 현금 흐름이 20퍼센트 감소하는 것을 볼 수 있다는 것을 발견했습니다. 불행하게도, 비즈니스 리더들은 AI가 어떻게 기업의 번영을 도울 수 있는지 알아내고 있지만, 많은 사람들은 AI를 어떻게 대규모로 구현할지 고민하고 있습니다. AI 성공의 가장 큰 걸림돌은 우리 모두가 잘 알고 있는 두 가지 요인, 즉 AI 광고와 AI가 만들어낸 신화입니다. 이러한 장벽을 허물고 엔터프라이즈 AI로의 전환을 촉진하기 위해 IT 리더와 비즈니스 임원은 AI를 둘러싼 5대 오해 뒤에 숨겨진 현실을 이해해야 합니다. 오해 1: 엔터프라이즈 AI는 자체 구축 방식을 필요로 합니다. 귀사의 비즈니스는 독특하며 고도로 숙련된 내부 전문가나 값비싼 타사 데이터 과학자와 개발자가 개발한 맞춤형 AI 애플리케이션이 필요합니다. 현실은 다음과 같습니다. 가장 좋은 방법은 균형을 잡는 것입니다. 애플리케이션을 구입하고 구축해야 합니다. 핵심은 일반 비즈니스 프로세스에 사용할 수 있는 상용 솔루션을 구입하고 내부 데이터 과학자들의 경쟁력 있는 차별화를 촉진할 프로젝트에 집중하는 것입니다. 예를 들어, 고객 이탈을 최소화하는 것은 모든 통신 사업자에게 중요한 목표입니다. 어떤 고객이 퇴사할 준비가 되어 있고 어떤 제안이 확실하게 고객을 유지할 수 있는지를 파악하는 데 가장 적합한 AI 솔루션은 공급업체에 특화된 독점 솔루션이 될 가능성이 높습니다. 오해 2: AI는 판도를 바꾸는 비즈니스 이점을 신속하게 제공할 것입니다. 예를 들어, AI Moonshot의 아이디어는 경영진이 이익을 즉시 세 배로 늘리는 혁신적인 솔루션을 믿도록 장려합니다. 현실은 다음과 같습니다. AI는 마법이 아닙니다. 사실 AI의 성공으로 가는 길은 조직이 AI를 작동시키기 위해 취해야 하는 덜 화려한 단계 중 몇 가지에 시간과 집중을 필요로 합니다. 조직은 AI 잠재력의 일부를 실현하는 단절된 솔루션 모음을 출시하기보다는 AI의 이점을 결합한 상호 관련 솔루션을 제공하는 전략적 프레임워크가 필요합니다. 예를 들어, ERP 플랫폼 내의 AI 솔루션은 PO 번호 없이 도착하는 송장을 처리하는 데 필요한 수동 작업을 줄일 수 있습니다. 결제를 완료하기 위한 계정 코드를 권장합니다. 그것만으로도 가치가 있지만, 첫 번째 솔루션이 조기 지급을 위해 가장 큰 절감 효과를 제공할 공급업체를 식별하는 관련 AI 솔루션과 결합되면 이점은 확대됩니다. 더 많은 송장이 더 빨리 처리되기 때문에 더 많은 송장 및 공급업체가 조기 지급을 고려하고 더 많은 비용을 절감할 수 있습니다. 오해 #3: 인공지능을 사용하는 것은 사람을 필요로 하지 않습니다. AI는 현재 직원들이 하고 있는 업무를 자동으로 완료하여 직원 수를 크게 줄일 수 있습니다. 현실은 다음과 같습니다. AI는 인간의 능력을 대체하는 것보다 증강될 때 가장 가치가 있습니다. 한마디로 AI와 사람은 서로를 필요로 합니다. 그것은 인공지능이 인간의 기술과 전문성을 활용하지 않는 일상적인 작업을 제거하는 것으로부터 시작됩니다. 이를 통해 사람들은 보다 전략적이고 부가가치가 높은 활동에 참여할 수 있습니다. 부수적인 이점은 최고의 직원들이 보다 동기부여가 되고 생산성이 향상되며 회사에 남을 가능성이 높아진다는 것입니다. 예를 들어, 소비재 기업은 AI와 인적 조합을 활용하여 다음 분기의 판매 예측을 개선할 수 있으며, 소비자 수요가 예상보다 많을 때 재고 초과 또는 부족 관련 비용을 방지할 수 있습니다. AI는 사내 비즈니스 정보와 타사 시장 데이터를 결합하여 초기 매출 분석을 수행하는 기본 업무를 수행합니다. 그런 다음 영업 및 마케팅 전문가는 주요 고객과의 대화를 통해 얻은 전문 지식과 통찰력을 바탕으로 예측을 수정합니다. 그러면 AI 애플리케이션은 각 사람의 상호작용을 통해 학습하고 출력을 지속적으로 향상시킵니다. 오해 #4: 데이터가 많을수록 좋습니다. 점점 더 큰 데이터를 가능한 한 많은 정보로 채워야 AI 분석이 성공할 것입니다. 데이터는 품질이 양보다 더 중요합니다. AI는 스마트 데이터라고 불리는 고품질 정보가 필요합니다. 최신 정보, 완벽함, 중복된 항목, 오래된 항목 및 잘못된 항목이 제거되었습니다. AI 기반의 데이터 엔진은 신뢰할 수 있는 데이터의 핵심입니다. AI 솔루션에 활용되기 전에 내부 기업 기록을 정리하고 강화하는 것이 가장 좋은 예입니다. 선도적인 AI 데이터 엔진은 공공 디지털 자산에서 회사 데이터를 지속적으로 추출하고 일일 미디어 기사를 검색하여 "회사가 파산 신청을 했습니다" 또는 "회사가 국제적으로 확장 중입니다"와 같은 회사 신호를 감지합니다. 알려진바로는 각 개발 회사는 두 개의 고객 관계 관리 데이터베이스를 통합하기 위해 AI 데이터 엔진을 사용했습니다. 엔진은 먼저 결합된 고객 기록에서 충돌을 집계한 다음 공공 소스의 최신 수익 및 인력 데이터와 회사 신호로 정보를 강화했습니다. 이를 통해 영업 및 마케팅이 잠재적인 이익을 바탕으로 고객에게 우선순위를 부여할 수 있는 견고한 기반을 마련했습니다. 영업 담당자들은 이제 고객 조사에 소비하는 시간을 줄이고 주요 잠재 고객과 소통하는 데 더 많은 시간을 할애하고 있습니다. 오해 #5: 엔터프라이즈 AI는 데이터와 모델로 성공적입니다. 강력한 AI 모델과 풍부한 데이터의 포괄적인 저장소로 무장한 기업은 소규모 파일럿 애플리케이션에서 완전한 엔터프라이즈 구현으로 빠르게 전환할 수 있습니다. 현실은 다음과 같습니다. 적절한 모델과 데이터가 시작이지만 프로덕션 환경에 맞게 애플리케이션을 확장하려면 별도의 노력이 필요합니다. 일반적으로 모델에서는 고객 데이터의 "외관"에 맞게 초기 조정 및 조정이 필요합니다. 하지만 더 나쁜 것은 그 효과를 유지하기 위해 모델을 반복적으로 조정해야 한다는 것입니다. 과거에는 데이터 과학자가 이러한 광범위한 유지보수를 수행하는 데 많은 비용이 소요되었습니다. 이는 단일 맞춤형 AI 솔루션으로는 허용 가능한 비용일 수 있지만, 조직에서 100개의 모델을 배포하거나 클라우드 공급자가 10,000개의 고객에게 100개의 모델을 배포하는 경우에는 확장 가능한 접근 방식이 아닙니다. 엔터프라이즈 애플리케이션에 수백 개의 솔루션이 배포되고 AI가 보편화됨에 따라 비용이 많이 드는 수동 유지보수 작업을 자동화된 솔루션으로 대체하는 것이 절대적으로 필요합니다. Oracle과 일부 다른 조직에서는 기계 학습을 적용하여 유지 보수를 자동화하는 방식을 취하고 있습니다. 그렇지 않으면 고객이 지불할 것입니다. "AI 세금"은 솔루션을 유지하거나 점진적인 효율성 저하를 수용하기 위한 것입니다. AI가 주류 사업 운영의 원동력이 되면서 과대 광고는 꾸준히 성장해 왔습니다. 이로 인해 생산 시스템에 새롭고 파괴적인 기술을 도입하는 근본적인 문제를 완전히 이해하지 못하는 고위 경영진 사이에 불합리한 기대가 제기될 수 있습니다. 그러나 IT 리더는 현실을 최대한 활용하고, 가장 큰 AI 신화를 직접 해결함으로써 점진적인 혜택과 장기적인 경쟁 우위를 제공하는 다년간의 AI 여정을 조직에게 안내할 수 있습니다.

인공지능과 신경과학의 공생관계

insight_unni — Sun, 3 Apr 2022 08:12:47 +0900

신경과학에서 인공지능의 밝은 미래

인공지능은 인간의 간섭을 가능한 한 최소화하는 것을 전제로 합니다. 인간과 같은 사고방식에 얼마나 근접해 있나요? 이 질문은 결코 무의미하지 않습니다. 인공지능과 신경과학은 생명의 피를 빨아먹는 샴쌍둥이처럼 서로를 강화시키고 있습니다. 인공 신경 네트워크와 뉴런의 가상 쌍둥이들은 인간의 사고 과정을 시뮬레이션 할 수 있고, 그들이 사고 능력을 얻는 것은 시간 문제일 뿐입니다. 간단히 말해서, 인공지능과 신경과학은 상호 유익한 공생 관계를 공유합니다. 인공지능이 신경과학에서 역할을 해납니다. 비록 의학 분야가 정신 질환의 진단과 치료에 있어 엄청난 발전을 이루었지만, 신경학은 의학 연구자들에게 여전히 어려운 분야입니다. 이유는 다음과 같습니다. 뇌는 신경학자들이 파킨슨병, 알츠하이머병, 정신분열증, 그리고 우울증과 같은 질병의 정확한 원인을 찾기 어렵게 만드는 복잡한 기계입니다. 사람에 따라 증상이 다른 경우가 많기 때문에 심리 질환의 진단 절차가 다소 까다롭습니다. 인공지능 심층 뉴럴 네트워크 전문가가 뇌가 어떻게 연결되어 기능을 최적화하는 방법을 찾을 수 있는지 이해할 수 있도록 도와줍니다. 뇌의 작동은 인공지능이 훈련되는 방식과 매우 유사합니다. 동물에서 파생되었지만 기계학습 전문가들에 의해 개발되고 정교해진 강화 학습은 신경심리학적 현상을 이해하기 위해 사용됩니다. AI 기반 모델에 의해 생성된 단백질 패턴과 두개골 부위에 대한 정보는 연구자들이 유전자 수준에서 뉴런을 조사하는 데 도움을 줍니다. 또한, 인공 지능으로 만들어진 특별한 시뮬레이션은 임펄스 형성 과정과 임펄스가 어떻게 몸을 통해 이동하는지에 대한 상세한 비전을 제공합니다. 국경 없는 신경 데이터는 방대한 양의 통계 및 시각적 뇌 데이터를 신경학자에게 제공하는 AI 지원 프로젝트입니다. 이로써 신경과학은 인공지능 기술을 향상시킵니다. 사실, 인공지능은 인간과 유사한 기능을 복제하는 데 있어 빠른 발전을 이루었지만, 완전한 인간을 만들기 위해서는 여전히 수십 년이 더 걸립니다. 개발자가 무엇이 인간의 마음을 독특하게 하는지, 무엇이 상상력을 움직이는지, 잠재의식이 어떻게 작동하는지, 그리고 시냅스가 존재하는지 정확히 이해하지 않는 한 인간의 마음과 기계를 갖는 것은 불가능합니다. 신경과학은 프로그래머들이 인공지능의 현재 모델을 무효화하도록 크게 도울 수 있습니다. 우리가 AI 모델이 필요하기 때문에 이것이 필요하다는 것은 놀라운 일입니다. 인간의 마음과는 전혀 다른 패턴을 따릅니다. 어떤 면에서 신경과학은 알고리즘을 신경학적 활동과 비교함으로써 개발자들이 알고리즘 효율성에 대한 벤치마크를 설정하는 데 도움을 줍니다. 알고리즘으로 제공되는 의료 기록의 데이터를 전달 학습이라고 합니다. 기계가 인간의 사고 방식을 훈련하고 나중에 반복을 통해 성공적으로 자신의 행동을 복제하도록 속입니다. AI와 신경과학의 시너지는 다음과 같습니다. 인공지능은 인간의 간섭을 최소화하거나 완전히 제거하는 것을 전제로 합니다. 인간의 정신은 왜 특정한 방식으로 행동하는지 아무도 모르는 가장 진보된 시스템입니다. 기계가 생각하기 시작할 때 악으로 변할지 여부를 따로 물어보면서 우리의 마음이 작동하는 방식을 이해하는 것이 필수적입니다. 이를 위해서는 인공지능과 신경과학이 가능한 모든 방법으로 서로를 육성하는 것이 필수적입니다. 2022년 한국과학기술원에서는 인공뇌융합연구단이 저전력이면서도 고효율의 인공감각 뉴런소자를 개발 한 것에 대해 발표 하였습니다. 이는 인간의 신경계를 모방한 인센서 컴퓨팅을 실용화 하는데 기여를 할 것으로 기대하고 있습니다. 뉴런은 우리의 입과 귀, 피부, 눈, 코 등 모든 감각기관에서 받아들이는 방대한 외부자극에 대해 일차적으로 스파이크 형태의 정보로 정제를 하게 됩니다. 돌기 모양의 파형을 보이게 되는 이 스파이크 신호는 우리 두뇌가 아주 적은 에너지로도 충분하게 인지화 학습 뿐만 아니라 예특, 판단, 추론 등의 복잡한 작럽을 신속히 처리 할 수 있도록 하는 데 주요한 역할을 하고 있습니다. 연구팀에서는 뉴런의 동작을 모방하는 소자를 개발 했으며 이 OTS 소자는 2단자 스위칭 소자 입니다. 스위칭 소자는 일정 스위칭 전압 이상에서는 급격히 저항이 줄어 들고 그 이하 에서는 높은 저항 상태를 유지하는 특성을 가지고 있습니다.한국과학기술원 연구팀에서는 선행연구에서 이러한 성질을 활용하여 입력되는 신호가 특정 세기를 넘어설 때 스파이크 신호를 발생 시키는 뉴런의 동작을 흉내내는 인공 뉴런 소자를 개발 한 것입니다. 이 연구에서는 나아가 감각기관에 입력되는 방대한 양의 데이터 사이에서 빠른 속도로 패턴을 찾아 내어 추상화 하는 뉴런의 거동 모사를 목표로 했으며 이를 위해서 스위칭 전압을 제어할 수 있는 3단자 OTS 소자를 개발 했습니다. 이러한 연구의 유의미한 결과로 인체 감각기관의 정보 처리 방식을 흉내내는 인공시각 뉴런 소자를 구현 했으며 이는 두뇌의 시각 중추를 모사한 인공신경망과 연결되어 86.5%로 고로나19 바이러스성 폐렴을 구분 할 수 있음을 보였습니다. 이처럼 인공지능과 신경과학은 패턴 분석을 통해 급성기의 질환을 예측 할 수 있는 만큼 향후 다양한 문제의 해결에 기여 할 수 있다는 점에서 희망적입니다. 오늘 포스팅에서는 인공지능과 신경과학에 대한 부분을 알아 보았는데요, 궁금증이 해소되셨으면 좋겠네요. 다양한 인공지능에 대한 주제로 이야기를 나눌 예정이나 다음 포스팅에서도 기대 해 주시기 바랍니다. 감사합니다.

인공지능과 프로그래밍 언어와의 관계

insight_unni — Sat, 2 Apr 2022 20:08:42 +0900

딥너링과 머신러닝의 상관관계와 프로그래밍 언어

인공지능 및 머신러닝에 관한 내용을 탐구하겠습니다. 이 내용을 끝까지 읽으면 인공지능 및 머신러닝을 이해하게 될 겁니다. 인공지능 및 머신러닝의 지식이 필요하시다면 끝까지 읽어주세요. 이제 아래에서 전부 알려드리겠습니다. 인공지능과 머신러닝에 대해서 우선 알아 보도록 하겠습니다. 딥 러닝이란 무엇일까요? 딥 러닝은 뇌를 최대한 모방하는 기계 학습 분야입니다. 일반적으로, 심층 신경망이라고 불리는 뇌 구조에 기반을 둔 모델은 인간의 뉴런 시스템을 모방하기 위해 사용됩니다. 딥러닝 세부 사항은 복잡하지만 기본적으로 딥러닝 모델은 데이터를 반복적으로 분석하고 인간이 수행하는 방식에 훨씬 더 가까운 결론을 도출합니다. 만약 기계 학습 알고리즘이 잘못된 예측을 한다면, 사람들은 그것에 대해 알고 필요한 변화를 해야 합니다. 인간 수준의 개입을 통해 알고리즘이 결과를 보다 정확하게 예측할 수 있습니다. 반대로, 심층 신경 네트워크나 딥 러닝 알고리즘은 스스로 예측의 정확성을 인식할 수 있습니다. 이러한 이유로, 딥 러닝은 표준 기계 학습 모델보다 매우 복잡한 작업에 더 적합합니다. 데이터 마이닝이 기계 학습의 일부라고 생각하시는 분들도 있으신데요, 데이터 마이닝은 기계 학습과 별개입니다. 데이터 마이닝은 대량의 데이터에서 패턴, 관계, 이상 및 기타 지식을 추출하는 프로세스입니다. 이와는 대조적으로 머신 러닝은 데이터 세트를 사용하여 시간이 지남에 따라 주어진 작업을 더 잘 수행하는 방법을 학습합니다. 따라서, 데이터 마이닝은 기계 학습을 위한 원재료를 제공할 수 있지만, 실제로는 별도의 도구입니다. 전문가 시스템은 초기 형태의 인공 지능(1970년대에 처음 만들어진)은 기존의 지식 기반을 통해 문제를 실행하고 종종 AI의 실제 예가 아닌 전문가 결정에 도달하기 위한 if의 진행을 통해 인간 수준의 의사결정을 모방합니다. 다음으로는 AI 프로그래밍에 대해서 설명 해 드리겠습니다. AI 프로그래밍은 개발자들이 AI 기능을 응용 프로그램에 가져올 수 있는 소프트웨어 프로그래밍의 한 형태입니다. 이는 보다 스마트한 검색 엔진을 만드는 것만큼 기본적일 수도 있고, 자율 주행 차량을 구현하는 것만큼 복잡할 수도 있습니다. 인공지능을 위한 가장 좋은 프로그래밍 언어는 무엇일까요? AI에서 활용하는 가장 일반적인 프로그래밍 언어는 Python, Java, C++, LISP 및 Prolog입니다. 지금부터 각각 프로그래밍 언어에 대해서 설명 해 드리도록 하겠습니다. Python은 일반적으로 적응성과 간단한 구문 덕분에 개발자가 가장 좋아하는 AI 프로그래밍 언어로 평가됩니다. 객체 지향, 기능 및 절차 프로그래밍 스타일을 지원합니다. 또한 휴대성이 뛰어나 최소한의 코드 변경으로 Linux, Windows, MacOS 및 UNIX에서 실행할 수 있습니다. 자연어 처리를 위한 NLTK 및 SpaCy, 과학 계산을 위한 Numpy, 기계 학습을 위한 skikit-learn, 딥 러닝 애플리케이션을 위한 TensorFlow, PyTorch 및 Apache MXNet 등 AI 프로그래머를 위한 넓고 편리한 라이브러리를 자랑합니다. Java는 일반적인 소프트웨어 개발에서 가장 널리 사용되는 언어 중 하나이며 AI 프로젝트에서 선호됩니다. 또한 휴대성이 뛰어나고 AI 프로그래밍에 중요한 알고리즘을 쉽게 코딩할 수 있으며 디버깅도 쉽습니다. 내장 라이브러리에는 자연어 처리를 위한 CoreNLP, 복잡한 수학을 위한 ND4J, 딥 러닝을 위한 DL4J가 포함되어 있습니다. C++는 뛰어난 속도를 자랑하며, 가장 빠른 프로그래밍 언어로 널리 인식되어 컴퓨터 AI 애플리케이션에 적합합니다. 가장 배우기 쉬운 언어가 아니기 때문에 일반적으로 개발자의 첫 번째 선택은 아니지만 기계 학습 및 뉴럴 네트워크 구축과 관련된 애플리케이션에 권장되는 경우가 많습니다. LISP는 1958년 John McCarthy에 의해 설립되었는데요 LISP는 Fortran 다음으로 오래된 프로그래밍 언어입니다. 오랜 경험에도 불구하고, 이 제품은 뛰어난 프로토타이핑 기능과 상징적 표현을 효과적으로 처리할 수 있는 능력 때문에 여전히 인기 있는 옵션입니다. 많은 기능이 현재 젊은 언어로 제공되고 있기 때문에 더 이상 고유하지 않지만 기계 학습 프로젝트에서 여전히 일반적인 선택 사항입니다. 프롤로그는 LISP 응용 프로그램의 범위가 없는 또 다른 "전통" 프로그래밍 언어입니다. 이 규칙 기반의 선언적 언어는 개발자들이 다양한 질문에 쉽게 대답할 수 있기 때문에 간단한 문제 해결 AI 애플리케이션에 이상적입니다. Prolog는 또한 역추적을 지원하여 알고리즘 관리를 더 쉽게 합니다. 이상으로 인공지능에 가장 적합한 프로그래밍 언어까지 알아 보았습니다. 이상으로 오늘 포스팅에서는 인공지능 및 머신러닝에 대한 고찰을 해 보았습니다. 끝까지 읽어주셔서 감사합니다. 추가적으로 궁금하신 게 있다면 상단의 글들을 참고하시면 도움이 될 것입니다. 다양한 언어 개발을 통해서 인공지능이 우리의 생활에 좀더 한걸음 다가올 수 있다면 얼마나 좋을까요? 효과적으로 언어를 처리 할 수 있는 그 기술과 개술의 발전을 위한 탐구에 더욱 매진하는 것이 미래 비전을 생각 해 보았을 때 유용할 것입니다. 프로그래밍 언어에 대해서 좀 더 궁금하신 사항이 있으시다면 언제든 소통 했으면 좋겠습니다.

인공지능을 적용하는 의료분야에서의 구제방안

insight_unni — Sat, 2 Apr 2022 08:11:38 +0900

의료분야에서 인공지능의 구제방안

앞서 포스팅에서는 의료분야에서 인공지능의 위험성에 대한 것을 몇가지 알아 보았습니다. 해당 포스팅에서는 의료계 인공지능의 위험성 및 구제방안에 대해 알아보도록 하겠습니다. 이 게시글을 전체적으로 읽어주시면 의료계 인공지능의 위험성 및 구제방안을 알아두시는 데에 도움이 될 것입니다. 의료계 인공지능의 위험성 및 구제방안의 지식이 필요하다면 끝까지 읽어주세요. 이제 아래에서 알아봅시다. 그 첫번째가 부상과 오류에 대한 부분이었습니다. 때때로 환자에게 부상이나 위험성을 줄 수 있다는 점이었습니다. 두번째는 데이터의 가용성이었는데요, 데이터의 단편화가 오류의 위험을 증가 시키고 효과적인 의료 AI를 개발 할 수 있는 아이덴티티를 저하 한다는 것이었습니다. 다음은 개인정보보호의 문제였습니다. 프라이버시와 관련하여 발생하는 문제는 차짓 심각성을 불러 일으킬 수 있으며 특히나 대규모의 의료데이터의 경우 민감도 있게 다루어야 할 주요한 문제 입니다. 특히나 AI시스템이 기본적으로 수집하고 제공 하는 정보에 대해서 환자는 개인정보보호 침해라고 생각 할 수도 있는 경우가 있습니다. 다음은 편견과 불평등에 대한 문제인데요, AI시스템이 데이터에 의해서 학습 된 이론을 바탕으로 하기 때문에 교육데이터에 제대로 표기 되지 않는 인종이나 성별 일 경우에는 성능이 떨어 질 우려가 있다는 것입니다. 또한 방사선과 같은 의료전문분야의 경우 가단 부분이 자동화가 가능해짐에 따라서 크게 바뀔 가능성이 충분하다는 것입니다. 일부에서는 AI의 광범위한 사용이 오류를 포착하여 수정하고 의료 지식을 개발하는 능력을 상실 할 수도 있다고 우려의 목소리를 내고 있습니다. 그렇다면 이러한 위험에서 구제 할 방안이 없는 것일까요? 오늘 포스팅에서는 가능한 해결책에 대해서 살펴 보려고 합니다. 의료 AI의 가능한 위험에 대처할 수 있는 몇 가지 방법이 있습니다. 아래에서 언급 해 드리겠습니다. 데이터 생성 및 가용성입니다.환자의 개인 정보를 보호하는 방식으로 고품질 데이터를 수집하기 어렵기 때문에 몇 가지 위험이 발생합니다. 잠재적인 해결책 중 하나는 정부의 데이터 인프라 리소스 제공을 활성화하는 것입니다. 즉, 전자 의료 기록에 대한 표준을 설정하는 것에서부터 이러한 자원이 부족한 의료 시스템에서 고품질 데이터 수집 노력을 위한 직접적인 기술 지원을 제공하는 것입니다. 병렬 옵션은 고품질 데이터 세트를 만드는 데 직접 투자하는 것입니다. 이러한 방향을 반영하듯, 미국의 All of Us 이니셔티브와 영국의 BioBank 모두 수많은 개인에 대한 포괄적인 의료 데이터를 수집하는 것을 목표로 하고 있습니다. 이러한 대규모 데이터셋에 대한 효과적인 개인 정보 보호는 환자의 신뢰와 참여를 보장하는 데 필수적입니다. 다음은 품질 관리입니다. AI 시스템 품질을 감독하면 환자 부상 위험을 해결하는 데 도움이 됩니다. Food and Drug Administration는 상업적으로 이용 가능한 일부 의료 AI 제품을 감독합니다. 이 기관은 이미 여러 제품의 시장 진입을 승인했으며, AI 시스템을 건강하게 감독할 수 있는 최선의 방법을 창의적으로 고민하고 있습니다. 그러나 의료 분야의 많은 AI 시스템은 의료 기능 즉 백엔드 비즈니스 또는 자원 할당용 AI를 수행하거나 자체 개발 및 배포하지 않기 때문에 FDA의 허가를 받지 않습니다. 시스템 자체 일반적으로 FDA의 감독을 받지 않는 제품 범주입니다. 이러한 의료 AI 시스템은 일종의 감독 격차입니다. 의료 시스템과 병원을 감독하기 위한 노력이 강화되었습니다. 비전은 공급업체가 보다 개인화되고 더 나은 관리를 제공하는 것입니다. 덜 희망적인 비전은 공급업체들이 해석할 수 없는 예측과 경쟁 알고리즘의 권장 사항의 장마철을 견디기 위해 고군분투하는 모습을 보게 될 것입니다. 의료 제공자의 참여와 교육 AI를 의료 시스템에 통합하면 의료 제공자의 역할이 달라질 것입니다. 희망적인 비전은 의료 제공자가 보다 개인적이 되어 더 나은 관리를 제공하고 인간으로서 환자와 더 많은 시간을 소통하는 것입니다. 덜 희망적인 비전은 공급업체들이 예측 불가능한 장마철과 경쟁 알고리즘의 추천을 견디기 위해 고군분투하는 모습을 보게 될 것입니다. 어느 경우든, 또는 그 사이에, 의료 교육은 제공자들이 진화하는 의료 환경에서 만나게 될 AI 시스템을 평가하고 해석할 수 있도록 준비해야 합니다. 이와 같이 여러가지 노력의 방안이나 구제 방안이 좀더 구체화 된다면 의료 분야에서도 인공지능의 역할을 기대 해 볼 만 합니다. 의료계 인공지능의 위험성 및 구제방안을 공유해보았습니다. 읽어보니 어떠신가요? 추가적으로 필요하신 정보가 있다면 상단의 글들을 참고하시면 도움이 될 것입니다. 인공지능의 경우 활용을 적절히 잘 하게 되면 의료 분야에서든 비의료 분야에서든 우리에게 굉장히 유익한 결과를 가져 올 것이라고 예측합니다. 다만 여러가지 위험성이 존재 하는 만큼, 인공지능이 자발적으로 처리 하지 못하는 다양한 위험성들은 사람에 의해 관리가 되어야 한다는 것이 대다수의 입장입니다. 활용하기에 따라 여러가지 결과로 나오는 인공지능의 의료계 적용은 좀더 깊이 있고 세심하게 들여 다 볼 필요가 있는 분야 입니다. 각 업무를 맡은 사람들이 서로 노력 하여 좋은 결과를 가질 수 있도록 하는 것이 무엇보다 중요하지 않을까요? 궁금한 점이 있으시다면 댓글로 문의 주시면 논의 해 보겠습니다. 감사합니다.

의료계에서 인공지능의 위험

insight_unni — Fri, 1 Apr 2022 20:03:07 +0900

의료분야에서 인공지능이 초래하는 위험

인공 지능(AI)은 의료 분야에 빠르게 진출하여 의료 행위를 엄격하고 일상적인 자동화에서부터 환자 및 의료 자원 관리에 이르기까지 중요한 역할을 합니다. 개발자가 이러한 작업을 수행하기 위해 AI 시스템을 구축하는 것은 AI 시스템 오류로 인한 환자의 부상 위험, 데이터 수집, AI 추리 시 환자 사생활의 위험 등 많은 위험과 과제를 제시합니다. 잠재적인 솔루션은 복잡하지만 대표적인 고품질 데이터를 위한 인프라에 투자해야 합니다. 비록 이 분야가 매우 이르긴 하지만, AI는 의료 시스템에서 최소한 네 가지 핵심 역할을 할 수 있는 잠재력을 가지고 있습니다. 이 분야는 인간의 능력의 한계를 넘어설 수 있을 것이라 생각합니다. 의료 AI의 가장 놀라운 용도는 인간이 아직 할 수 없는 일을 하는 것입니다. 예를 들어 Google Health는 급성 신장 손상의 시작을 부상 발생 이틀 전까지 예측할 수 있는 프로그램을 개발했습니다. 부상이 발생할 때까지 종종 알아차리지 못하는 현재의 의료 행위와 비교해 본다면 이러한 알고리즘은 현재 인체 성능의 한계를 넘어 치료를 개선할 수 있습니다. 또한 의료 지식과 우수성을 민주화하는 AI는 전문적 전문성과 성과를 공유하여 전문성이 부족한 공급업체를 보완할 수 있습니다. 특히, AI 영상 분석 기술은 오랫동안 개발의 초점이었기 때문에 안과와 방사선과가 인기 있는 대상입니다. 어떤 프로그램들은 안과 의사가 필요로 하는 진단을 제공하기 위해 사람의 눈 이미지를 사용합니다. 이러한 프로그램을 통해 일반 의사, 기술자 또는 환자가 이러한 결론을 내릴 수 있습니다. 이러한 민주화가 중요한 이유는 많은 분야에서 수요에 비해 전문직, 특히 고도의 기술을 갖춘 전문직 종사자가 상대적으로 드물기 때문입니다. 의료 업무의 고된 작업을 자동화합니다. AI는 일부 컴퓨터 작업을 자동화할 수 있으며, 이는 오늘날 의료 업무의 큰 부분을 차지하고 있습니다. 의료 제공업체는 실험실에서도 전자 의료 기록, 화면 판독 및 키보드 입력을 처리하는 데 엄청난 시간을 소비합니다. AI 시스템이 환자 기록에서 가장 관련성이 높은 정보를 확인한 후 예약 및 대화 기록을 구조화된 데이터로 추출할 수 있다면, 제공자의 시간을 상당히 절약하고 제공자와 환자 간의 대면 시간과 품질을 향상시킬 수 있습니다. 환자 및 의료 리소스를 관리합니다. 마지막으로, AI를 사용하여 리소스를 할당하고 대중에게 가장 잘 보이지 않는 비즈니스를 만들 수 있습니다. 예를 들어, AI 시스템은 추가 단기 인력이 필요할 수 있는 부서를 예측하거나, 두 환자 중 부족한 의료 자원으로 가장 많은 혜택을 받는 환자를 제안하거나, 보다 논란이 많은 수익 극대화 관행을 식별할 수 있습니다. 다음은 리스크와 과제입니다. AI는 몇 가지 가능한 이점을 제공하지만, 또한 몇 가지 위험도 있습니다. 첫째는 부상과 오류입니다. 가장 명백한 위험은 AI 시스템이 때때로 잘못되어 환자 부상이나 다른 건강 관리 문제로 이어질 수 있다는 것입니다. AI 시스템이 환자에게 잘못된 약을 권장하거나 방사선 검사에서 종양을 발견하지 못하거나 어떤 환자가 더 많은 혜택을 받을지 잘못 예측하는 경우 환자가 부상을 입을 수 있습니다. 물론, 오늘날의 의료 시스템에서의 의료 오류는 AI의 개입 없이 많은 부상을 야기합니다. AI 오류는 적어도 두 가지 이유로 인해 달라질 수 있습니다. 첫째, 환자와 제공자는 소프트웨어 손상에 대해 인간의 실수와 다르게 대응할 수 있습니다. 둘째, AI 시스템이 보편화되게 되면 데이터 가용성 교육 AI 시스템은 전자 건강 기록, 약국 기록, 보험 청구 기록 또는 피트니스 추적기 또는 구매 기록과 같은 소비자가 생성한 정보와 같은 소스로부터 대량의 데이터를 요구합니다. 그러나 건강 데이터는 종종 문제가 됩니다. 일반적으로 데이터는 여러 시스템에 걸쳐 분할됩니다. 앞서 언급한 다양성 외에도 환자들은 일반적으로 다른 제공업체를 보고 보험사를 전환하므로 데이터는 여러 시스템과 여러 형식으로 구분됩니다. 이러한 단편화는 오류 위험을 증가시키고, 데이터 집합의 포괄성을 감소시키며, 데이터 수집 비용을 증가시킵니다. 또한 효과적인 의료 AI를 개발할 수 있는 실체의 유형을 제한합니다. 사생활 문제 사생활과 관련된 다른 위험들이 있습니다. 대규모 데이터셋의 요구사항은 개발자가 많은 환자로부터 이러한 데이터를 수집하도록 동기를 부여합니다. 일부 환자들은 수집이 그들의 개인 정보를 침해할 수 있다고 우려할 수 있으며, 대형 의료 시스템과 AI 개발자들 간의 데이터 공유를 근거로 소송이 제기되었습니다. AI는 다른 방법으로 개인 정보를 암시할 수 있습니다. AI는 알고리즘이 환자의 개인정보를 수신하지 않았더라도 그 정보를 예측할 수 있습니다. 예를 들어, AI 시스템은 비록 사람이 파킨슨병에 대한 정보를 전혀 공개하지 않았더라도 컴퓨터 마우스의 떨림을 바탕으로 파킨슨병을 식별할 수 있습니다. 편견과 불평등 의료 AI에는 편견과 불평등과 관련된 위험이 있습니다. AI 시스템은 훈련된 데이터에서 학습하고 이러한 데이터 편견을 통합할 수 있습니다. 예를 들어, AI에 사용할 수 있는 데이터가 주로 학술 보건소에서 수집되는 경우, 결과 AI 시스템은 일반적으로 학술 보건소를 덜 알고 덜 효과적으로 방문하지 않는 인구 중 환자들을 치료하게 됩니다. 마찬가지로, 음성 인식 AI 시스템을 사용하여 조우 노트를 기록할 때, 이러한 AI는 교육 데이터에 제대로 표시되지 않는 인종 또는 성별의 경우 성능이 저하될 수 있습니다. AI 시스템이 정확하고 대표적인 데이터를 통해 학습하더라도 의료 시스템의 근본적인 편견과 불평등을 반영한다면 여전히 문제가 있을 수 있습니다. 예를 들어, 평균적으로 흑인 환자는 백인 환자보다 통증 치료를 덜 받습니다. 의료 시스템 기록에서 학습한 AI 시스템은 비록 그들의 결정이 생물학적 현실보다는 체계적 생물학적 편견을 반영하더라도 아프리카계 미국인 환자들에게 더 적은 양의 진통제를 제안하는 방법을 배울 수 있습니다. 자원 할당 AI 시스템은 다양한 문제로 인해 의료 시스템에서 덜 바람직하거나 수익성이 낮은 환자에 더 적은 자원을 할당함으로써 불평등을 악화시킬 수 있습니다. 전문직 재배치 장기적인 위험에는 의료직의 변화가 포함됩니다. 방사선학과와 같은 일부 의학 전문 분야는 업무의 대부분이 자동화됨에 따라 크게 변화할 가능성이 있습니다. 일부 학자들은 AI의 광범위한 사용이 시간이 지남에 따라 인간의 지식과 능력을 감소시켜 제공자들이 AI 오류를 감지하고 수정하고 의학 지식을 개발할 수 있는 능력을 잃게 될 것을 우려하고 있습니다. 열반의 오류입니다. 마지막 위험이 하나 언급되어 있습니다. AI는 의료 분야에서 엄청난 잠재력을 가지고 있습니다. 열반의 오류는 정책 입안자와 다른 사람들이 새로운 옵션을 현상 유지보다는 완벽에 비교할 때 문제가 발생한다고 가정합니다. 의료 AI는 위험과 도전에 직면해 있습니다. 하지만 현재 시스템에는 많은 문제가 있습니다. AI가 불완전하기 때문에 아무 조치도 취하지 않으면 문제가 계속될 위험이 있습니다. 이렇듯 AI는 의료분야에서 이점과 동시에 위험도 우려 되고 있습니다. 다음은 구제 방안에 대한 방법을 모색 해 보겠습니다.