지난 8월, 이탈리아 피렌체에서 ACL 2019가 진행됐습니다.
ACL(Association for Computational Linguistics)은
'전산언어학'으로 저명한 컨퍼런스 입니다.
이번 행사에는 당사 구성원들도 참관했는데요.
학회를 통해 ML(머신러닝)/DL(딥러닝) 기반 NLP(자연어 처리) 최신 연구동향을 확인하고,
Aibril Platform 개선을 위한 인사이트를 얻었다고 합니다.
그럼 지금부터 열기가 가득했던
ACL 2019 현장의 후기를 들어보도록 하겠습니다!
Keynote (Marc
Hamilton, VP of Solutions Architecture and Engineering)
방콕의 한 호텔입니다. 실제
모습이 아닙니다. 실제 모습으로 착각할 수 있을 만큼 정교한 시각화입니다. 호텔을 건설하기 전에 시각화를 통해 창문, 빛, 반사, 그림자, 조형물의
색상, 소재 등을 시뮬레이션 해 볼 수 있습니다.
NVIDIA의 CEO 인 Jensen Huang이 벤쿠버에서 열린 ‘SIGGRAPH 2018’ 컨퍼런스의 Keynote 발표 영상으로, NVIDIA Turing GPU Architecture 기반의 데모를 시연하는 장면입니다. 빛, 명암의 변화에 집착했던 레오나르도 다 빈치가 르네상스 미술에
한 획을 그은 것처럼, 21세기의 NVIDIA는 여러 영역
중에서도 Graphics의 변혁을 이끌고 있는 듯 합니다. 모든
액션이 실시간으로 처리됩니다.
CPU + GPU
Architecture로 많은 난제들을
해결해 왔습니다. 2006년에 출시된 CUDA GPU는 이후로
열 차례 Version release를 통해 속도와 에너지 효율성을 개선하며 성장을 이어가고 있습니다. GPU를 사용하는 Super Computer의 수가 1년 사이 25% 증가했으며, 1위와 2위를 비롯한 다수의 Super Computer가 NVIDIA GPU를 사용하고 있습니다. GPU 개발자가 늘수록 CUDA App도 늘고 있습니다.
CUDA-X는 이제 모든 플랫폼에서 사용 가능합니다. Workstation, Server, Cloud에
관계가 없으며, Expedia, Twitter, Microsoft 등의 기업들이 CUDA-X를 도입했습니다.
Supercomputer에 비해Hyperscale은 서버 당 속도가 현저하게 낮습니다. 대신 서버 간 연결이 많습니다. 동일한 하드웨어 상에서 소프트웨어
업데이트만으로 세 배의 속도 개선 효과를 거뒀습니다. (HPL-AI, Mixed-precisions) Data
Science의 등장으로 Supercomputer 보다는
Supercomputer와 Hyperscale의 중간 정도 서버의 수요가 늘고 있습니다. 가장 빠른 단일 서버인 DGX-2는 AI를 위해 설계되었습니다. (https://www.nvidia.com/en-us/data-center/dgx-2/)
AI Datacenter는 전통적인
Enterprise Datacenter와 다릅니다. 엄청난 컴퓨팅을 소화할 수 있는 모델을
만들어야 합니다. 96개의 DGX를 모은 DGX SuperPOD는 Supercomputer 중 22위에 올랐습니다. (https://www.top500.org/system/179691)
RAPIDS, GPU
Accelerated Platform for Data Science (이상문 전무, NVIDIA)
RAPIDS는 GPU를
이용해 Data Science를 수행하기 위한 Library입니다. (https://rapids.ai/) Data Science의 Pipeline을 End to End로 구현할 수 있습니다. cdDF, cdML, cdGraph
등의 기능을 활용해 Data Preparation, Model Training,
Visualization을 수행합니다.
[Image 2. Data Science Pipeline with GPUs and RAPIDS 출처: NVIDIA Developer Blog (https://devblogs.nvidia.com/gpu-accelerated-analytics-rapids/)]
함수들과 Machine Learning 알고리듬이 Library화 되어 있습니다. csv 파일을 로드하는 code입니다.
import
cudf
gdf =
cudf.read_csv(‘path/to/file.csv’)
for
column in gdf.columns:
print(gdf[column].mean())
기존에는GPU에서 CPU로 데이터를 보내 연산을 했지만, 이제는 GPU 상에서 연산을 수행할 수 있습니다.
Deep Learning Research of NAVER Clova for AI-Enhanced
Business (하정우 리더, NAVER)
HDTS Hybrid
Dnn Text to Speech기술로 Clova는 유인나 배우님의 목소리를 합성해 낼
수 있었습니다. 단 네 시간의 음성 녹음만으로 가능했습니다. 그
밖에도 Speech enhancement를 통한 배경 잡음 제거, 상대편
음성 제거 등을 구현했습니다. Google Dupex와 유사한 식당 예약 서비스도 시작했습니다.
특정 인물이 나오는 화면만 편집해
보여 주는 Auto Cut, 특정 인물만을 Cropping 한 Auto Cam도 Clova가 구현한 기술입니다.
TensorFlow
모델을 Export 합니다. 복수 개의
Type을 사용할 수 없으므로 Cast를 사용할 수 없으며, Data type을 통일합니다. 가변 Input보다 고정 Input으로 처리하는 것이 좋습니다.
UFF
Universal Framework Format 변환으로 지원하지 않는 연산을 사용할 수 있게 합니다.
(IPluginV2)
FP32,
FP16은
큰 차이가 없으나, INF8은 정확도가 떨어질 수 있어 Network
Quantization이 필요할 수 있습니다. (IIint9entropycalibrator2)
Calibration 후 결과가 떨어지지 않는지 점검합니다.
결과적으로 Detector는 4~5배 개선되었고, GPU Memory는 절반 수준으로 사용하게 되어 효율성이 높아졌습니다.
Recognizer는 1.5배 가량 개선되었습니다. 개선이
크지 않은 이유는 이미지의 사이즈 자체가 작아 Inference 최적화에 어려움이 있었기 때문입니다.
Implication
네어버와 카카오가 여러 세션에서 자사의 서비스들을 지원하기 위해 NVIDIA와 협력하는
시도가 인상적이었습니다. NVIDIA 생태계가 해를 거듭할수록 탄탄해지고 있다는 의미가 아닌가 싶습니다.
이용을 위해서는 별도 설정 없이 본인이
가지고 있는 데이터만 올리고 필요한 서비스를 클릭해 적용하면 된다.
비용도 월 과금 기준 ▲‘BigQL’은 데이터량에 따라 1TB당 5,000원 ▲DHP’는 시간당 1vCore(CPU)
기준 100원 메모리 1GB당 50원 ▲‘데이터 인사이트’는
1년 약정 시 월 9,900원 ▲ML모델러 서비스는 학습 데이터 1000줄당 100원 ▲DL모델러는 최신 V100
GPU 분당 150원 등 사용한 만큼 지불하는 방식으로 저렴하다
‘AccuInsight+(아큐인사이트 플러스) 퍼블릭 서비스’의 가장 큰 특징은 코딩을 몰라도 사용자의 필요 및 데이터 확보량에 따라 머신러닝과 딥러닝을 자유자재로 사용할
수 있다는 점이다.
데이터를 많이 보유하고 있는 고객은
ML모델러의 자동 모델(Auto Model) 기능 등을 활용해
몇 분만에 머신러닝 알고리즘을 구현할 수 있다.
생산 양품 불량 판별부터 회귀 분석
기반의 각종 거래 가격 예측, 고객 맞춤형 상품 추천 등 광범위한 활용이 기대된다 특히 DL모델러 서비스는 아마존 세이지메이커(SageMaker)처럼 분석모델
라이프사이클(Life Cycle)관리 기능을 제공해 신속한 분산 학습은 물론 여러 모델을 동시 학습한
후 API형태로 즉시 최적의 모델을 배포할 수 있어 분석·운영 시간을 최소화 한다.
비정형 데이터가 많은 기업·기관·연구소
등은 ‘DL모델러’의 ‘빌트인(Built-in)알고리즘’을 적용한 무제한 분산 딥러닝 환경을 제공
받을 수 있다.
고객 설문 등을 통한 보험 자동 심사등급분류, 대기오염 지수를 활용한 실시간 대기오염 예측, VOC 상담 데이터를 응용한 고객 마케팅 기법 개발 등에 활용 가능하다.
분석 보고서 작성도 ‘데이터 인사이트’가 한번에 해결해 준다.
MySQL, Maria
DB, AWS RDS, S3(ICOS), 엑셀 등 다양한 소스의 데이터를 몇
번의 클릭만으로 신속하게 연결·수집·편집해 대시보드 형태로 다양한 차트를 제공 받을 수 있기 때문이다.
초대형 데이터를 관리하는 기업이나 기관을
위한 서비스도 있다.
‘BigQL’은 다양한 포맷(CSV, ORC, Apache Web log 등)의 데이터들을 쉽고 빠르게 검색·분석할 수 있도록 지원한다. 대규모
운영서버의 로그 모니터링 및 분석은 ‘클라우드 서치’가 맡는다.
이 서비스를 이용하는 기업은 자체 운영
클라우드 환경인 ‘온프레미스’나 ‘퍼블릭 클라우드 서비스’ 환경 모두에서 대용량의 데이터 배치 작업을
지원하는 ‘배치 파이프라인’과 실시간 스트리밍 데이터 분석을
맡은 ‘리얼타임 파이프라인’ 등을 여건에 맞게 활용할 수
있다.
SK㈜ C&C 김준환
Tech&플랫폼1그룹장은 “아큐인사이트
플러스 퍼블릭 서비스를 활용하면 코딩을 몰라도 누구나 자신의 목적에 맞는 빅데이터 서비스를 쉽게 만들어 낼 수 있다” 며 “IT 개발자가 아니라 마케터와 공장 근무자 등 기업 비즈니스
현장에 있는 분들이 데이터 기반 디지털 혁신의 주인공이 되는 계기가 될 것”이라고 말했다.
SK㈜ C&C는 아큐인사이트 플러스를 자체 구현하여
활용을 원하는 경우, 기업·기관의 시스템에 프라이빗 클라우드 형태로 구축 할 수 있고 퍼블릭과 프라이빗을
묶은 하이브리드 클라우드 형으로도 제공 가능하다고 밝혔다.
아큐인사이트 플러스 이용 관련 상세
문의는 클라우드 제트 대표 전화 02-6400-2222 또는 클라우드 포털 내 ‘온라인 상담·문의’ 코너를 통해 가능하다.
NVIDIA Korea의 유응준 대표는 오프닝을 선언하면서, AI의 성공 조건 세 가지를 꼽았습니다. 많은 데이터, 데이터를 처리할 수 있는 정교한 Algorithm, 그리고 Algorithm을 실행할 수 있는 GPU Process입니다. 이제 세 가지가 충족되고 있으나, 개발하고 운영할 수 있는 엔지니어어가
부족하고, 지속적인 육성이 필요함을 강조했습니다.
마침 비슷한 시기에 Microsoft의 CEO인 Satya Nadella가 방한했습니다. 그는 ‘데이터 확보’의 중요성을 강조했는데, 데이터가 확보되지 않으면 Algorithm의 개발도, 가치 창출도 어려운 시대가 되었다는 것입니다. 생각해 보면 분석의
가치가 있는 대량 데이터를 확보하는 일부터가 결코 쉬운 일이 아닙니다.
Accelerated Platforms:
The Future of Computing, Marc Hamilton, VP of Solutions Architecture & Engineering
Deep Learning 리서치가 증가하고 있습니다. ‘Tesla V100 Tensor Core’는 Deep Learning과 HPC High Performance Computing 을 위한 가장 강력한 GPU입니다. (https://www.nvidia.com/en-us/data-center/tesla-v100/) 5,120개의 CUDA Cores로
구성되어 있으며, Transistor는 211억 개에 달합니다.
Porsche 911이 70주년을
맞았습니다. 자동차의 디자인을 위해서는 먼저 컴퓨터 모델을 만들고, 색상과
앵글 등 속성을 바꿔 가면서 디자인을 수정합니다. 문제는 수정된 속성을 실시간으로 확인하기가 어렵다는
점입니다. NVIDIA는 실시간 ‘Ray Tracing’을
가능케 해 Simulation이 마치 영화의 한 장면처럼 구현될 수 있도록 했습니다. (https://developer.nvidia.com/discover/ray-tracing)
최근 미국의 ORNL Oak
Ridge National Laboratory은 수퍼 컴퓨터를 만들었습니다. 한 Node 당 6개의Volta GPU를
넣어 총 27,648 GPU를 구성했습니다.
Data Science를 위해 ‘RAPIDS’를 활용할 수 있습니다. In-memory data structure인 Apache Arrow 위에
cuDF, cuML 등을 올려 데이터 분석에도 GPU의 속도를
십분 활용할 수 있도록 했습니다.
Deep Learning Searches
Gravitational Waves, 국가수리과학연구소 오정근 박사
천문학에도 AI와 HPC 활용도가 높아지고 있습니다. 2015년 9월, 최초로 중력파 Gravitational
Waves가 감지되었습니다. 미국이
거대 간섭계를 설치하고, 우주 신호를 10년 간 받은 결과입니다. 블랙홀이 공전하며 중력파를 방출하다가 충돌해 하나의 중력파를 방출하게 됩니다.
블랙홀이 실제로 존재하는 증거가 되었으며, 쌍성으로도 존재함을 알게 되었습니다. 스스로 빛을 내지 않는 블랙홀이 중력파를 방출하지 않았다면 발견하지 못했을 것입니다.
별이 수축하면 별 전체의 구성 물질이 중성자인 중상자별을
만듭니다. 중성자별이 쌍성이 되어 충돌하면 중력파와 함께 빛도 방출됩니다. 주기율표 상 57번 이상의 무거운 원소들이 어떻게 생성되었는지 그
기원을 최근까지 알지 못했습니다. Kilonova를 분석해 보니 중성자 구성이 높았습니다. Kilonova와 GRB Gamma Ray Burst가
별개 현상이 아닌 하나의 천체 현상임을 알게 되었습니다.
LIGO 분석은 전파 간섭, 지진
같은 환경 잡음으로부터 신호를 추출해 내는 것이 관건이었습니다. Classification으로 상관성을
분석해 진짜 신호 여부를 확인했습니다. ANN, Random Forest 등의 기법을 활용했습니다.
Deep Learning in
Healthcare: Myths and Realities, 경희사이버대학교 정지훈 교수
DRIVE Constellation은 두 가지 서버에서 수행됩니다. 하나는 DRIVE Sim software를 실행하게 되는데, 카메라, Lidar, Radar 같은 센서를 Simulation 합니다. 또 다른 하나는 Simulation 한 센서 데이터를 Input으로 받아 Processing 하는 역할을 수행합니다.
GTC
올 해는 좀
더 다양한 영역의 이야기들을 들을 수 있어서 매우 흥미로웠습니다. 이제는 NVIDIA, GPU, Deep Learning이 영역을 불문하고 그 쓰임을 확대해 나가는 것을 분명히 볼 수
있습니다. NVIDIA의 성장세는 이변이 없는 한 멈추지 않을 것 같습니다. 언젠가 기회가 된다면 GTC에 참석해 보고, NVIDIA 견학도 해 보고 싶다는 생각이 들 정도로 매력 있는
Conference였습니다.
지난 11월 8일, 디지털데일리 주관 행사인 ‘데이터 기반 엔터프라이즈 혁신 전략 컨퍼런스’에 참석했습니다.
이제 4차 산업혁명과 디지털 트랜스포메이션(Digital Transformation)의 핵심 화두로 ‘데이터(Data)’가 핵심 키워드로 급부상하고 있으며, 실제로 ‘데이터’의 활용전략에 따라 기업의 비즈니스 성과가 좌우되고 있습니다. 정부는 ‘데이터산업 활성화’ 정책을
통해 비 식별화, 클라우드 기반의 데이터 활용 등 파격적인 규제 해소에 나서고 있는 상황입니다.
이러한 시대의 흐름에 발맞춰 이번 행사는 국내 공공, 금융, 통신
등 기업 IT관계자 및 업계 관계자들을 대상으로 향후 데이터의 전략적 가치를 재인식하고 ▲기업들의 데이터 기반 IT서비스
▲데이터 폭증에 대응하기 위한 IT인프라 최적 운영 전략
▲데이터 비즈니스를 강화하기 위한 빅데이터 및 솔루션 전략 ▲데이터의 안전한 보안 ▲클라우드 및 데이터센터 최적화 전략 등을 알아보는 자리였습니다.
4차산업혁명시대 진입과 함께 우리회사도 머신러닝, 딥러닝, 데이터 검색 등을 코딩 없이 할 수 있는 데이터 분석 플랫폼 서비스 아큐인사이트 플러스를 소개하는
자리를 가졌습니다.
이날 서정욱 유닛장은 빅데이터 비즈니스에 필요한 통합 플랫폼 서비스 ‘아큐인사이트 플러스(Accuinsight+)’에 대해 설명했는데요. 서 유닛장은 빅데이터 분석 솔루션인 아큐인사이트 플러스는 코딩없이 머신러닝, 딥러닝을 분석할 수 있으며, 데이터를 쉽게 검색할 수 있는 것이
특징이라고 말하면서 방대한 비정형 데이터를 보유한 기업이 활용하기 좋을 것이라고 밝혔습니다. 아큐인사이트 플러스는 빅데이터 수집·처리·분석·시각화에
필요한 전체 서비스 라인업을 보유하고 있는데 ▲시각화 ▲검색 ▲머신러닝 ▲딥러닝 ▲하둡(Hadoop) 동적 배포 ▲배치 파이프라인(BatchPipeline) ▲실시간
파이프라인▲BigQL등의 서비스로 이루어져있습니다.
또 이를 8가지
방법으로 활용할 수 있는데, ▲빅데이터ETL▲멀티Hadoop클러스터 활용 ▲이벤트 기반 실시간CEP▲이기종 데이터 조인 ▲샌드박스(SandBox)를 활용한ML모델 생성 및 운영 배포 ▲딥러닝을 활용한 비정형 데이터 분석 ▲데이터센터의 서버 상태 모니터링
▲검색엔진이 이에 해당합니다.
여기서 샌드박스를 활용해 머신러닝 모델을 생성할 경우 다양한 예측 데이터를 적용할 수 있습니다. 일례로 가격예측, 수요예측, 양불판정, 개인화 추천 등이 가능한 것인데, 딥러닝을 활용해 비정형 데이터도
분석할 수 있습니다. 이어 서 유닛장은 다양한 비정형 데이터를 선처리를 진행한 후 딥러닝을 분석 적용해 보험자동심사등급분류, 고객의 목소리(VOC) 데이터
분석이 가능진다고 설명했습니다.
Data 관련
컨퍼런스 중 대명사라 할 수 있는 Strata Data Conference에 참석했습니다.
Analytic와 engineering 영역의 기술 동향을 파악하고자
컨퍼런스에 참가했는데요. 최근 클라우드 기반의 빅데이터 서비스, 머신러닝/딥러닝 등 고급서비스에 대한 니즈가 계속 증가하고, 기존의 빅데이터
플랫폼이 ‘AI Platform’으로 서비스 영역이 확대되는 등 변화가 지속되고 있습니다.
이에 이번 컨퍼런스를 참여해 analytics 영역에서는 머신러닝/딥러닝 및 대용량 데이터 분석
기술 동향을 파악하고, Engineering영역에서는 Real
time 빅데이터 기반 서비스를 위한 Data Platform Architecture 및 kudu/kafka/spark 등 최신 오픈소스 기술과 이를 활용한 아키텍처 동향을 파악하고자 했습니다.기존 빅데이터 관련 컨퍼런스 대비 이번 컨퍼런스의
차이점이라고 하면, 기술 요소 하나하나에 대한 소개보다는 ‘DT융합
및 데이터 활용방안’에 대한 다양한 실제 사례위주로 진행되었다는 점입니다.
이번 컨퍼런스를 크게
3가지로 나누면 Tutorial, Keynote, Session으로 구분 지을 수 있는데요. Tutorial에서는 Tensorflow/Python을 활용한 머신러닝/딥러닝, 여전히 강세인 Spark 그리고 Kafka 관련 Tutorial이 주를 이뤘습니다.
Keynote는 사실 Sponsor 기업 위주로 발표가 되다 보니, 기술적인 부분에 대한
콘텐츠 자체의 깊이는 상대적으로 얕은 반면 각 사의 Use case 및 Road map 관련 내용이 주를 이뤘는데요. 마찬가지로 기술 요소
자체보다는 ‘데이터 활용’의 가치에 중점을 두고 있다는 것을
느낄 수 있었습니다.
마지막으로 3일간
진행된 다양한 Session들의 핵심 Keyword를 뽑는다면, Streaming/Kafka/Kubernets/딥러닝이 될 수 있을거 같습니다. 데이터 관련 영역은 이미 Streaming 그리고 실시간 활용에
초점이 맞춰져 있었고, 이에 대한 오픈소스는 대부분 Kafka위주로
구성되어 있었습니다. Cloud/AI 기술들 역시 Big Data 영역과
구분없이 혼합되어 사용되고 있었습니다.
이번 컨퍼런스의 시사점을 크게 3가지로 정리할 수 있는데, 먼저 머신러닝/딥러닝이 필수가 되었고, 이를 위한 인프라 기술도 지속적으로 발전하고
있다는 점입니다. 이를 위한 인프라 기술도 지속적으로 발전하고 있다는 점입니다. 빅데이터 기술 관점에서 실제로 이전의 Spark ML 외 Hadoop에서도 딥러닝 Workload(GPU 지원, YARN에서 AL Framework 구동)를 지원하는 기술까지 확대되고 있는 상황입니다.
두번째는 Data
Governance에 대한 중요성이 확대되었다는 점입니다. 참고로 Data Governance란, 조직에서 사용하는 데이터의 가용성, 유용성, 활용성, 통합성, 보안성 등을 관리하기 위한 정책, 프로세스, 조직, 시스템 등을 포함하는 데이터 관리를 의미하는데요. 아무래도 GDPR(유럽연합 개인정보보호 규정)에 대한 준비 차원에서 Data Governance, 나아가 AI Governance에 대한 중요성이 더 커지고 있는거 같습니다.
마지막은
Kubernetes와 Kafka가 요즘 대세라는 건데, 실제
이번 컨퍼런스에서 Kubernetes와 Kafka 관련 세션이 13개나 열렸다는 점이 이를 반증한다고 볼 수 있겠네요.
이제는 Data 컨퍼런스의
주제가 기존의 개발 기술요소로부터 데이터 활용으로 이동하고 있다는 것을 느낄 수 있었습니다. 그리고 단순 관람의
컨퍼런스 참여가 아니라 세션/부스를 직접 운영할 수 있는 역량과 제품을 갖춰가는 조직이 되었으면
하는 바람을 갖어보았습니다.
또 Data를 중심으로 다양한 포지션에서 활약하고 있는 글로벌 컴퍼니들이 각각 어떤 비즈니스와
기술에 집중하고 있는지 Data 사업 전반을 엿볼 수 있는 좋은기회였습니다.
아큐인사이트플러스(Accuinsight+)는 빅데이터 Biz 모델 구축을 통해 정확한 인사이트를 발견할 수 있는 빅데이터 통합 분석 플랫폼 서비스입니다.
빅데이터 분석 솔루션인 아큐인사이트 플러스는 코딩없이 머신러닝, 딥러닝을
분석할 수 있습니다. 또 데이터를 쉽게 검색할 수 있는 것이 특징인데,
이를 통해 방대한 비정형 데이터를 보유한 기업의 인사이트를 더해주기 때문에 상당히 유용합니다.
아큐인사이트플러스는 빅데이터를 수집하고 처리, 분석 시각화까지
지원하고 있습니다. 클라우드, 온프라미스 환경 제약이 없고
빠르게 사용할 수 있어 편리성이 장점입니다.
시각화, 검색, 머신러닝, 딥러닝, 하둡(Hadoop) 동적
배포, 배치 파이프라인(Batch Pipeline), 실시간
파이프라인, BigQL 등 서비스별로 이루어져 있는데 이를 8가지
방법으로 활용할 수 있습니다. 빅데이터 ETL ▲멀티 Hadoop 클러스터 활용 ▲이벤트 기반 실시간 CEP ▲이기종 데이터 조인 ▲샌드박스(SandBox)를 활용한 ML모델 생성 및 운영 배포 ▲딥러닝을 활용한 비정형 데이터 분석 ▲데이터센터의 서버 상태 모니터링 ▲검색엔진이 이에 해당합니다.
지난 8월 29일 DNA 2018 행사 현장에서도 데이터를 활용해 단 몇 분만에
모델이 구축됐습니다. 가상의 진료내역 데이터를 분석을 시도하자 성비,
연령대 그룹 분포도, 지역코드 별 환자수 분포도 등 시각화 자료가 바로 제공됐습니다.
이는 샌드박스를 활용해 머신러닝 모델을 생성할 경우 다양한 예측 데이터를 적용할 수 있기때문입니다. 일례로 가격예측, 수요예측, 양불판정, 개인화 추천 등이 가능하며 딥러닝을 활용해 비정형 데이터도 분석할 수 있습니다. 다양한 비정형 데이터를 선 처리한 후 딥러닝을 분석 적용해 보험자동심사등급분류, 고객의 목소리(VOC,
Voice Of Customer) 데이터 분석이 가능합니다.
