알고리즘: 정의

AI의 출현과 GAFAM의 패권으로 인해 알고리즘은 모든 사람의 입술에 있습니다. 그러나 우리는 일상생활에서 알고리즘에 대한 이야기를 들을 때마다 알고리즘이 실제로 무엇인지 무시합니다. 이 주제가 이미 호기심을 불러일으켰다면 아래에서 질문에 대한 답을 찾아보세요.

오늘날에는 새로운 기술과 관련되어 있지만 « 알고리즘 »이라는 용어는 새로운 것이 아닙니다. Mohammed Ibn Musa-Al Kwarizmi의 작품에 처음으로 등장합니다. 대수학의 아버지인 이 수학자는 기원전 9세기에 살았습니다. 이 모든 것은 역사가 중세 시대 훨씬 이전으로 거슬러 올라간다는 것을 의미합니다. 하지만 그 기원이 고대까지 거슬러 올라가는 문구가 어떻게 현재 시사 문제의 중심이 되고 있습니까?

알고리즘: 중요한 점

알고리즘은 문제 해결을 목표로 하는 일련의 순서화된 작업으로 정의됩니다. 간단히 설명하자면 알고리즘을 요리 레시피라고 볼 수 있습니다. 여기에서는 마음대로 사용할 수 있는 재료를 맛있는 요리로 만들기 위해 따라야 할 각 단계를 자세히 설명합니다. 마찬가지로 알고리즘을 사용하면 특정 수의 작업을 거쳐 매우 구체적인 결과를 얻을 수 있습니다.

알고리즘을 실행할 때마다 매개변수가 변경된다는 사실은 여전히 ​​남아 있습니다. 많은 외부 요인이 작용할 수 있기 때문에 알고리즘 설계에는 모든 만일의 상황에 대한 계획과 실제 지침 트리 구축도 포함됩니다. 컴퓨터 엔지니어는 상황에 관계없이 알고리즘이 제 역할을 할 수 있도록 세부 사항을 우연하게 남겨두지 않도록 해야 합니다.

알고리즘: 이 용어는 어디에서 왔는가?

앞서 언급했듯이 이 용어는 Muhammad ibn Mūsa al-Khwarizmī가 만들어냈습니다. 사실 우리는 이 고대 학자에게 많은 빚을 지고 있습니다. 오늘날까지 인류는 십진수 체계를 사용했습니다. 그의 발견은 수학의 기초가 되었습니다.

그의 작품을 통해 이 학자는 중동 국경을 빠르게 넘나드는 강력한 명성을 얻었습니다. 그러나 언어 장벽으로 인해 이 뛰어난 수학자의 이름은 점차적으로 Khwarizmi에서 Algoritmi로 왜곡되었습니다. 이 로마자로 표기된 이름은 나중에 영어 사용자에게 « 단계별 조리법 »에 가까운 의미를 갖는 « 알고리즘 »이라는 단어를 제공합니다. 수년에 걸쳐 이 용어는 기술 전문 용어로 점차 자리를 잡았습니다.

알고리즘과 컴퓨터 과학의 연관성 이해

우선, 먼저 컴퓨터가 어떻게 작동하는지 이해해야 합니다. 이는 컴퓨터 프로그램을 실행하기 위한 장치입니다. 이는 모든 작업을 수행하기 위해 컴퓨터에 지침을 전달하도록 설계되었습니다. 이 경우, 프로그램은 문제의 작업을 성공적으로 완료하기 위해 수행해야 할 작업을 단계별로 제공합니다. 당신은 그것을 이해했을 것입니다! 많은 컴퓨터 도구는 알고리즘을 기반으로 설계되었습니다.

기술적 관점에서 보면 알고리즘은 입력을 출력으로 변환합니다. 따라서 검색 엔진의 경우 검색한 문구가 입력이고 얻은 주소가 출력입니다. 일상생활에서 알고리즘은 요구 사항을 컴퓨터 언어(입력)로 변환하여 컴퓨터 수단(출력)을 사용하여 이에 응답합니다. 따라서 어떤 기능을 수행하려면 코드로 작성해야 합니다. 특정 용도를 허용하려면 프로그래밍 언어를 신중하게 선택해야 합니다.

알고리즘: 무엇을 위해?

알고리즘은 컴퓨팅 분야에 어디에나 존재합니다. 프로그램을 만들기 위해 개발자는 다양한 알고리즘을 설계하고 컴파일합니다. 이는 상황에 관계없이 명령의 적절한 실행을 보장합니다. 따라서 오류로 인해 애플리케이션의 올바른 기능이 중단되지 않도록 가능한 모든 조치를 취하는 것이 중요합니다.

새로운 기술이 제공하는 모든 가능성으로 인해 오늘날 알고리즘은 어디에나 존재합니다. 개발자가 즐겨 탐색할 수 있는 광범위한 응용 분야를 제공합니다. 그럼에도 불구하고 그들은 특정 영역에서 두각을 나타냅니다.

알고리즘에 의존하는 서비스 개요

거대 인터넷 기업들은 알고리즘 성능을 기반으로 성공을 거두었습니다. 고객의 요구 사항을 완벽하게 충족하는 서비스를 제공할 수 있는 알고리즘입니다. 다음은 유명한 알고리즘 중 일부입니다.

구글 페이지랭크: 모든 웹 콘텐츠를 색인화하고 분류하기 위한 이 서비스는 뛰어난 알고리즘을 기반으로 합니다. 이는 귀하의 검색에 해당하는 페이지를 표시하도록 설계된 것이 아닙니다. 콘텐츠 품질, 검색 습관 또는 웹에서 화제를 불러일으키는 주제까지 연구하는 실제 생태계를 제공합니다.

페이스북 타임라인: Facebook 뉴스피드에 항상 귀하의 관심사와 관련된 게시물이 표시된다는 사실을 알고 계셨나요? 잘 ! 이것은 우연의 결과가 아닙니다. 알고리즘은 이 소셜 네트워크에서의 상호 작용을 추적합니다. 그러면 이 정보를 통해 귀하의 관심을 확실히 끌 수 있는 게시물을 제공할 수 있습니다.

트레이딩 로봇 : 대부분의 사람들이 금융 세계에 대해 갖는 매력이 커지면서 거래 플랫폼의 출현을 선호하게 되었습니다. 동시에 거래 로봇이 등장했습니다. 이러한 알고리즘은 거래자를 대체하기 위한 것입니다. 실시간으로 시장 신호를 분석하여 사람의 개입 없이 수익을 창출한다는 목표로 자산을 사고 팔 수 있습니다.

유명한 라운드 로빈 알고리즘 : 일반인들에게는 잘 알려지지 않았지만, 개발자들 사이에서는 널리 알려진 알고리즘입니다. 효과적으로, 이는 리소스를 과도하게 소비하지 않고도 장치가 제대로 작동할 수 있도록 다양한 프로그램이 실행되는 순서를 컴퓨터 프로세서에 전송합니다.

머신러닝이 알고리즘의 잠재력을 발전시킬 때

기계 학습은 알고리즘에 새로운 차원을 부여했습니다. 이를 통해 입력의 성격에 따라 데이터를 처리하고 명령을 실행하는 다소 자율적인 프로그램을 개발할 수 있습니다. 따라서 작업 수행 방법에 대한 구체적인 지침을 제공할 필요가 없습니다. 차세대 도구는 특정 분야에서 탁월하고 사용하면서 발전하는 방법을 « 학습 »합니다. 이 프로세스는 사람의 개입이 거의 또는 전혀 없이 이루어집니다. 효율적이고 안정적인 프로그램이 됩니다.

이러한 진화하는 알고리즘은 이제 모든 용도에 적합합니다. 그러나 빅데이터에서는 완벽하게 두각을 나타냅니다. 생성된 모듈은 정확한 예측을 제공하거나 지속적으로 업데이트되는 방대한 데이터베이스에서 특정 기준을 충족하는 프로필을 식별하기도 합니다. 이를 위해 비즈니스 인텔리전스 도구는 이 기술을 사용합니다. 이 독창적인 시스템을 통해 그들은 모든 관리자의 의사 결정을 도울 수 있습니다.

하지만 우리는 일상생활에서도 이러한 도구들을 접하게 됩니다. 따라서 우리는 Facebook이나 Instagram 프로필에 액세스할 때 기계 학습 알고리즘에 직면하게 됩니다. Netflix에서 제안을 볼 때도 마찬가지입니다. 알고리즘은 우리의 습관을 분석하여 우리가 관심을 가질 만한 콘텐츠를 제시합니다.

따라서 이러한 알고리즘은 어디에나 존재합니다. 우리가 기계 학습을 위한 3가지 주요 알고리즘 모델을 구별한다는 사실은 여전히 ​​남아 있습니다.

개발자나 사용자가 먼저 입력 데이터에 레이블을 지정하여 정렬해야 하는 지도 학습 알고리즘입니다. 그런 다음 이러한 도구는 이 데이터를 처리하여 궁극적으로 원하는 결과를 얻습니다. 일반적으로 이는 예측을 제공하기 위한 소프트웨어의 기초입니다. 예를 들어, 회사에 대한 예측 명세서를 자동으로 생성하는 소프트웨어를 인용할 수 있습니다. 이를 위해 활동의 계절성을 더 잘 이해하기 위해 전년도 매출을 분석합니다. 그런 다음 각 기간의 매출액, 지원하는 비용 등을 표시해야 합니다.

비지도 학습 알고리즘은 입력 데이터를 정렬할 필요 없이 작동합니다. 이러한 도구는 일반적으로 추세 분석에 중점을 둡니다. 목표는 숫자의 분포를 결정하는 변수를 « 추측 »하는 것입니다. 문제의 모듈은 이후에 입력된 데이터 간의 상관 관계를 설정합니다. 이 프로세스를 통해 이후에 데이터 집계의 모든 요소에 우선순위를 부여하는 모델을 가질 수 있게 됩니다. 실제로 이러한 알고리즘은 통계적 순서에 대한 이해를 촉진하고 클러스터링, 수량 감소 또는 연관 규칙 설정과 관련된 문제를 해결합니다. 따라서 예를 들어 거래 신호 분석을 자동화하는 데 사용할 수 있습니다.

준지도 알고리즘은 두 세계의 중간을 나타냅니다. 일부 데이터는 정렬되고 레이블이 지정되지만 다른 데이터는 그렇지 않습니다. 이렇게 하면 모델이 이 데이터를 자동으로 정렬하고 필요한 경우 예측을 제공할 수 있습니다. 이 다이어그램을 사용하면 도구가 상대적으로 자율적이면서 최소한의 정밀도를 보장할 수 있습니다. 빅데이터에서 분류나 회귀를 위해 널리 사용되는 모델이다.

알고리즘을 분류하는 방법에는 여러 가지가 있습니다. 예를 들어 작동 모드를 고려하여 회귀, 클러스터링 또는 정규화를 위해 설계된 것을 구별할 것입니다. 그러나 의사결정 트리와 베이지안 알고리즘, 심지어 인공 신경망과 차원 축소 모델도 언급할 것입니다.

데이터를 암호화하는 알고리즘

개인 데이터에 대한 모든 사람의 우려로 인해 Silicon Valley 회사는 이 데이터를 암호화하기 위한 알고리즘을 개발하게 되었습니다. 이는 침입 및 데이터 유출에 대한 추가 보호 계층을 제공합니다. 이를 위해 데이터는 입력으로 처리되어 일련의 영숫자 문자를 출력으로 얻습니다. 이렇게 하면 귀하의 데이터를 훔친 사이버 범죄자가 데이터를 해독할 수 없게 됩니다.

자동화를 위한 알고리즘

알고리즘이 제공하는 자동화 가능성은 분명합니다. 우리는 실제로 그들에게 다양한 치료를 자동화하도록 지시할 수 있습니다. 오늘날 이는 많은 자동화 소프트웨어의 핵심을 형성하는 데 사용됩니다.

예를 들어, 이러한 도구를 사용하면 잠재 고객이 이메일로 보낸 청구 데이터를 자동으로 검색할 수 있습니다. 이 경우 귀하의 이메일 주소를 통해 전달되는 메시지가 입력 데이터로 사용됩니다. 유틸리티는 청구 데이터를 인식한 다음 이를 스프레드시트에 복사할 수 있습니다.

이 경우 알고리즘은 수신된 각 이메일을 분석하여 핵심 용어를 찾습니다. 이러한 용어를 제시하는 메시지는 데이터 추출 및 복사를 위해 자동으로 처리됩니다.

알고리즘의 대규모 사용을 두려워해야 합니까?

알고리즘은 매우 실용적인 도구이지만 절대 오류가 없는 것은 아닙니다. 알고리즘의 성능은 주로 해당 설계자의 노하우와 선택한 언어에 따라 달라집니다. 주어진 상황을 처리하도록 설계되지 않았거나 설계 중에 실수가 발생한 경우 오류를 표시하거나 부적절한 명령을 실행합니다. 그렇게 함으로써 이러한 기능 장애를 식별하는 것이 항상 쉬운 것은 아닙니다.

위에서 언급했듯이 알고리즘은 의사결정 도구 역할을 합니다. 따라서 현실에 대한 인식을 바꾸고 의심스러운 결정을 내리도록 장려할 수 있습니다. 알고리즘이 HR 관리자에게 조언을 한다고 가정해 보겠습니다. 회사 데이터를 바탕으로 그는 채용 담당자에게 소수자 여성이 아닌 백인 남성을 고용하라고 제안할 수 있습니다. 실제로 분석을 통해 첫 번째 그룹이 더 효율적이라는 사실이 드러날 수 있습니다. 이는 사회에 유색인종보다 백인이 더 많은 경우에 해당됩니다.

인식과 관련된 이러한 우려는 AI에게는 더욱 문제가 될 것입니다. 이러한 알고리즘에 데이터를 제공함으로써 뿌리깊은 편견으로 인해 동일한 실수를 반복할 위험이 있습니다. 인종적 다양성이 결여된 구조에서 알고리즘은 소수자가 회사의 기준을 충족하지 않는다고 추론합니다.

우리가 상상하는 것과는 달리 이 문제는 뉴스의 핵심이다. 알고리즘은 차별을 선호하는 것 같습니다. 따라서 얼굴 인식 알고리즘은 유색인종을 범죄자로 간주하고 챗봇은 인종차별적 발언을 채택할 수 있습니다.

알고리즘의 인식 편향을 해결하는 방법은 무엇입니까?

이러한 문제를 해결하기 위해 올바른 결정을 내리는 것은 디자이너의 몫입니다. 지금은 이러한 편견을 없애기 위해 모범 사례를 채택하는 것이 문제입니다. 처음에는 정말 중요한 데이터에 집중하고 예를 들어 각 개인의 출신을 고려하지 않는 것이 적절합니다. 최근 몇 년 동안 채택된 법률 문서는 이러한 방향으로 움직이고 있지만 GAFAM이 이러한 추세를 따르고 있는지 여부는 아직 지켜봐야 합니다.

컴퓨터 엔지니어와 개발자는 또한 자신의 창작물에 대해 더 많은 책임을 져야 하며 오용을 예상해야 합니다. 따라서 기술자는 기술이 다른 목적으로 사용되는 경우 항의해야 합니다. 이는 이미 군사 분야에서 HoloLens 사용을 반대한 Microsoft 직원의 사례였으며 Google 직원은 킬러 드론을 만드는 프로젝트에 반대한다고 밝혔습니다.

편견과 관련된 문제는 더 심각하게 다루어져야 합니다. 특정 매개변수가 삭제된 경우에도 알고리즘은 해당 매개변수의 존재를 추론하여 이를 고려할 수 있습니다. 이것이 Amazon이 채용에 AI를 사용하지 않기로 결정한 이유 중 하나입니다. 모든 기대와 달리 여성은 물론 유색인종도 차별했습니다. 기업이 이러한 편견을 식별하기 위해 보다 심층적인 테스트를 채택하도록 장려해야 하는 상황입니다.