딥러닝은 인간이 더 큰 혁신을 이루고 역량을 강화할 수 있는 새로운 기회를 열어 주었습니다. 이제 이 기술은 필요한 누구나 쉽게 활용할 수 있으며, 그 힘은 다양한 산업의 기업에 실질적인 혜택으로 이어지고 있습니다.
I. 딥러닝 – 왜 주목해야 할까요?
1. 딥러닝이란
간단히 말해, 딥러닝(DL)은 머신러닝의 하위 분야입니다. 딥러닝 알고리즘은 인간 두뇌의 구조와 기능을 본떠 설계됩니다.
ML과 DL은 모두 인공지능의 하위 분야입니다. 다만 DL은 ML보다 더 지능적이고 발전된 형태입니다. ML 알고리즘은 데이터를 분석하고 해석하며, 학습한 내용을 바탕으로 합리적인 결정을 내립니다. 한편 DL은 알고리즘을 여러 층으로 배열하여 인간 두뇌의 뉴런을 닮은 “인공 신경망”을 만들며, 이를 통해 스스로 지능적인 결정을 내릴 수 있습니다.
여기서 DL이 ML보다 갖는 명확한 장점이 드러납니다. 바로 향후 개선 가능성이 무궁무진하다는 점입니다. 신경망의 규모가 커지고 더 많은 데이터로 학습할수록 동영상, 오디오, 이미지 입력의 복잡한 분류 문제와 자연어 처리(NLP) 문제를 해결하는 성능이 향상됩니다. 반면 기존 머신러닝 기법은 성능이 어느 수준에 이르면 정체됩니다.
2. DL은 앞으로도 계속 활용될 것입니다!
DL이 우리의 미래에 중요한 이유는 전 세계에서 엄청난 양의 정보가 생성되고 있다는 사실과 밀접하게 관련되어 있습니다. 수집한 정보를 의미 있는 결과로 전환할 수 있도록 대규모 데이터를 구조화하는 강력한 솔루션에 대한 수요가 커지고 있습니다.
한편 DL은 활용 가능한 데이터를 이용해 스스로 성능을 개선합니다. 데이터셋을 더욱 철저히 분석할수록 더 많은 오류와 불일치가 제거되어 더욱 신뢰할 수 있는 결론을 도출합니다. 따라서 DL은 앞으로도 우리 사회의 혁신과 발전을 이끄는 데 중요한 역할을 할 것입니다.
II. 기업을 위한 DL의 대표적인 활용 분야는 무엇일까요?
DL은 인간의 문제를 해결하고 기업 운영에 긍정적인 변화를 가져올 엄청난 잠재력을 지니고 있습니다. 다음은 비즈니스 현장에서 DL을 활용하는 10가지 방식입니다.
1. 컴퓨터 비전
컴퓨터 비전은 컴퓨터 시스템이 “보는” 데이터를 해석하고 그에 따라 행동하도록 훈련하는 데 중점을 둔 분야입니다. 먼저 컴퓨터 시스템은 이미지와 동영상 같은 시각적 입력을 이해하고 그 의미를 파악해야 합니다. 그런 다음 사람이 제공한 맥락 지식을 바탕으로 이러한 이해를 의미 있는 인사이트로 전환하여 의사결정을 지원합니다. 컴퓨터 비전의 일반적인 작업은 이미지 분류, 객체 탐지, 이미지 분할부터 이미지 복원까지 다양합니다. 학습 과정에서 DL 기반 컴퓨터 비전 모델에는 라벨이 정확히 지정된 대규모 이미지 데이터셋이 제공됩니다. 이를 통해 모델은 객체의 픽셀 수준 특징을 인식하고, 이렇게 얻은 지식을 이전에 본 적 없는 이미지에 적용합니다.
DL 신경망은 컴퓨터 비전 알고리즘에 인간을 뛰어넘는 수준의 정확성과 효율성을 부여하여 다양한 기능의 자동화를 가능하게 했습니다.
제조업에서 컴퓨터 비전은 모니터링이나 예측 분석에 유용하게 활용될 수 있습니다. 조립 라인에서 결함이 있을 가능성이 있는 제품을 탐지하거나 기계를 모니터링하여 유지보수가 필요한 시점을 예측할 수 있습니다.
![비즈니스 역량을 강화하는 딥러닝 활용 사례 10가지 [2023 업데이트] 2 computer vision is applied to monitor manufacturing activities](/wp-content/uploads/2021/09/computer-vision.jpg)
제조업체의 생산 공정 모니터링과 개선을 지원하는 컴퓨터 비전
소매업에서는 DL 기반 컴퓨터 비전의 도움으로 오프라인 매장의 경험이 머지않아 전자상거래 플랫폼 수준에 도달할 것으로 기대됩니다. 이 기술은 고객이 진열된 상품과 상호작용하는 모습을 포착하여 고객의 행동과 선호도를 연구하고, 각 진열대나 제품이 얼마나 많은 관심을 받는지 파악할 수 있습니다. 이러한 인사이트는 소매업체가 판매 방식을 재검토하고 매장 내 경험을 최적화하기 위해 적절한 변화를 추진하도록 돕습니다.
의료 역시 컴퓨터 비전의 혜택을 크게 누리는 분야입니다. 의사와 임상의는 환자의 상태를 분석하고 모니터링하기 위해 MR 및 CT 스캔과 같은 영상 데이터에 크게 의존합니다. 컴퓨터 비전의 도입은 환자를 진단하고 질병의 진행 상황을 추적하여 적절한 치료를 처방하는 데 도움을 줍니다. 예를 들어, Covid-19 팬데믹 당시 영상 분할 기술은 의료 전문가들이 감염 부위를 식별하고 그 크기와 부피를 정량화하는 데 도움을 주었습니다.
또한 수술 중 출혈량 측정과 같은 다른 건강 및 체력 지표를 분석하는 데에도 활용할 수 있습니다. 돌봄 시설에서는 컴퓨터 비전을 활용하여 고령자의 낙상을 정확하게 감지할 수도 있으며, 이는 부상이나 사망을 줄이는 데 매우 중요합니다.
2. 자연어 처리(NLP)
자연어는 사람이 의사소통하는 수단인 음성과 텍스트를 말합니다. NLP는 소프트웨어를 사용하여 이러한 유형의 데이터를 처리하는 것을 통칭하는 용어입니다. 자연어의 가장 까다로운 특징은 복잡하고 정해진 규칙에 얽매이지 않으며 끊임없이 진화한다는 점입니다. 인간은 학습 능력이 뛰어나고 표현의 미묘한 차이를 알아차릴 수 있지만, 언어에 대한 이러한 이해를 컴퓨터 시스템이 사용할 수 있는 구체적인 규칙으로 바꾸는 데에는 그다지 능숙하지 않습니다.
DL 기법은 NLP 문제를 해결하는 데 큰 잠재력을 보여줍니다. DL 기반 모델은 문단 안에서 단어와 구문이 어떻게 사용되는지 관찰하여 그 의미를 이해합니다. 이러한 모델은 의미를 명확히 하기 위해 미리 정의된 맥락이나 사람의 개입에 의존하는 대신, 가공되지 않은 입력 데이터에서 의미, 맥락, 관계에 대한 지식을 습득합니다. 따라서 더 큰 데이터셋이 필요하지만, 이러한 모델을 학습시키는 데 요구되는 언어학적 전문 지식은 더 적습니다.
이러한 점에서 DL을 활용한 NLP는 다양한 산업의 여러 운영 업무를 개선할 수 있습니다. 예를 들어, 은행은 신용 거래 이력이 거의 없거나 전혀 없는 고객의 신용도를 평가할 수 있습니다. 이는 일반 대중에게 신용카드가 아직 비교적 생소한 개발도상국에서 특히 유용합니다. 소셜 미디어와 인터넷에서의 활동을 의미하는 사람들의 디지털 발자국을 분석하면 예측력이 매우 높은 신용 점수를 산출할 수 있습니다.
NLP를 감성 분석과 결합하면 댓글, 기사 또는 블로그 게시물에서 짜증, 슬픔, 만족과 같은 감정을 식별할 수 있습니다. 이를 통해 브랜드는 고객이 자사에 대해 어떻게 느끼는지 파악하고 판매 또는 마케팅 전략을 조정할 수 있습니다. 예를 들어, 스위스 기업 Sentifi는 NLP 알고리즘을 활용하여 인플루언서를 대상으로 소셜 미디어 분석을 수행하고 브랜드 옹호자를 찾아냈습니다. 이 솔루션은 매출 성장을 기대하게 하며, 도입 후 첫 12개월 동안 성장률이 최대 30%에 이를 수 있습니다.
3. 챗봇
챗봇은 인간의 상호작용을 재현하여 비즈니스 프로세스를 자동화하는 솔루션입니다.
DL 기반 챗봇이 가장 널리 활용되는 분야는 고객 지원입니다. DL 기반 고객 서비스 시스템은 질문을 이해하고 기업의 데이터베이스에서 적절한 답변을 찾는 능력이 향상되어 있습니다. 따라서 결제 상태, 주문 상태, 재고 정보 등 많은 데이터를 다루는 문의를 더 효과적으로 처리합니다.
또한 DL 기반 챗봇은 기존 챗봇에 비해 문의에 담긴 감정을 식별할 수 있으며, NLP 덕분에 사람처럼 응답할 수 있습니다. 이는 이제 챗봇이 사람을 대신하는 또 하나의 상호작용 수단을 제공할 수 있고, 그 상호작용이 사람이 제공하는 것과도 잘 어우러질 수 있음을 의미합니다. 이들은 고객이 빠르고 만족스러운 답변을 받을 수 있는 셀프서비스 과정을 지원하며, 요청이 기계의 처리 능력으로 해결하기에 너무 어려운 경우에만 직원이 개입합니다. 이를 통해 핀테크 기업들은 AI 기반 고객 지원으로 연간 80억 달러 이상을 절감할 수 있을 것으로 기대합니다.
챗봇은 고객 지원 외에도 판매업체나 공급업체와의 거래 관리, 청구서 생성, 환불 요청 처리 등 다른 이해관계자와의 다양한 커뮤니케이션 관련 업무를 수행할 수 있습니다.
4. 번역
규칙을 기반으로 하고 주어진 말뭉치에 의존하는 번역 모델은 오래전부터 사용되어 왔습니다. 그러나 기계 번역(MT)에는 여전히 인간 언어의 모호성과 유연성이라는 큰 과제가 남아 있습니다. 이는 한편으로 원문의 언어로 작성된 텍스트를 올바르게 이해하는 데 장애가 됩니다. 다른 한편으로는 기계가 그 의미를 목표 언어로 얼마나 적절하게 표현할 수 있는지에 영향을 미칩니다. 즉, 번역의 충실성과 유창성이라는 두 가지 측면을 해결해야 합니다. 오랫동안 인간 번역가는 규칙 기반, 통계 기반, 예문 기반 등 여러 MT 접근법보다 더 우수한 성과를 보여 왔습니다.
그러나 이러한 모델은 새로운 기술로 대체되고 있으며, 가장 대표적인 예는 심층 신경망으로 작동하는 MT, 즉 신경망 기계 번역(NMT)입니다. 일반적으로 이 신경망은 두 가지 구성 요소로 이루어집니다. 첫 번째는 입력 텍스트를 처리하는 인코더로, 학습 단계에서 파악한 문맥적 의미를 바탕으로 단어나 단어 묶음을 ‘단어 벡터’로 변환합니다. 두 번째는 번역 결과를 생성하는 디코더입니다. 신경망 접근법은 개별 단어 대신 정보와 문맥을 번역할 수 있게 합니다. 따라서 NMT는 문법적 정확성과 유창성이 더 높은 결과를 내는 경향이 있습니다.
NMT의 장점은 원문 언어를 자동으로 감지하고 음성을 텍스트로, 음성을 음성으로, 나아가 이미지까지 텍스트로 번역할 수 있다는 점에서 더욱 분명히 드러납니다.
5. 사기 탐지
기업에 있어 사기 탐지는 신원 도용, 도난 신용카드, 계정 탈취와 관련된 부정 거래를 정확하게 식별하는 것만을 의미하지 않습니다. 정상 거래를 사기로 잘못 분류하지 않는 것 역시 중요합니다(기업이 전통적인 규칙 기반 평가 시스템을 사용하는 경우 이러한 일이 상당히 빈번하게 발생할 수 있습니다). 이러한 오탐 결과는 고객의 신뢰와 전반적인 비즈니스 운영에 심각한 영향을 미칠 수 있습니다.
기업은 DL 기술을 활용하여 거래를 더욱 세밀하게 분류하고 오탐을 제거하는 정교하게 조정된 모델을 구축함으로써 결과 검증과 성능 모니터링을 개선할 수 있습니다. 이러한 뚜렷한 개선은 후속 처리 비용을 줄이고 시간을 절약하며 고객의 신뢰를 높입니다.
DL을 도입하기 전 Danske Bank의 거래 모니터링 시스템에서는 매일 1,200건의 오탐이 발생했습니다. 이 중 일부 거래는 조사 담당자가 1~2분 안에 해결할 수 있지만, 다른 거래는 결제 금액이나 가맹점을 확인하는 등 상세한 평가가 필요합니다. 때로는 조사 담당자가 고객에게 직접 전화해야 할 수도 있습니다. 이로 인해 많은 시간이 낭비됩니다. 머신러닝을 활용하면서 오탐률은 35%로 줄어들었고, 실제 사기를 탐지하는 비율도 높아졌습니다. 딥러닝을 적용한 결과, 오탐이 무려 60% 감소했으며 실제 사기 탐지 성능은 약 50% 향상되었습니다.
6. 뉴스 큐레이션
뉴스 큐레이션은 뉴스를 맞춤화하여 독자가 더 선호할 만한 특정 기사를 보여주는 과정입니다. DL을 활용하면 뉴스 큐레이션 서비스가 더욱 정교해집니다. 독자의 선호도와 지리적·사회경제적 특성을 바탕으로 독자 페르소나를 정의할 수 있습니다. 이러한 기능은 사용자의 취향을 이해하는 데 도움이 되는 고급 NLP와 분석 기술을 통해 구현됩니다.
중국의 한 뉴스 큐레이션 앱은 클릭, 댓글 작성, 공유와 같은 행동 신호를 수집한 뒤 취향이 비슷한 사용자들을 서로 가까운 군집으로 묶는 ‘협업 필터링’이라는 알고리즘을 사용합니다. 인접한 사용자들의 선호도는 특정 사용자에게 다양한 주제와 기사가 표시되는 방식에 영향을 줄 수 있습니다. 이 알고리즘은 사용자의 구매력을 추정하기 위해 위치와 휴대전화 모델도 의사결정의 근거로 활용합니다.
7. 개인화된 고객 경험과 참여
개인화는 기업이 고객을 깊이 이해하고 고객의 요구에 맞는 서비스를 제공할 수 있는 역량을 나타냅니다. 대다수 고객은 개인화를 긍정적으로 평가합니다.
- 90%는 마케팅 개인화가 ‘어느 정도’ 또는 ‘매우’ 매력적이라고 생각합니다
- 80%는 개인화된 경험을 제공하는 브랜드의 제품을 구매할 가능성이 더 높습니다
- 72%는 개인화된 메시지에만 반응하겠다고 답했습니다
DL 알고리즘은 이러한 개인화 전환에 필요한 분석을 시간 효율적이고 정확하게 수행합니다. 고객과 제품의 특성, 고객과 제품 간의 상호작용을 하나의 모델링 과정에서 함께 분석합니다. 이러한 유용한 세부 정보는 정형 데이터와 비정형 데이터(예: 서면 설명) 모두에서 추출되므로 더욱 종합적인 이해가 가능합니다. 또한 DL 모델은 엔지니어링 작업과 데이터 준비가 덜 필요하므로 결과를 더 빠르게, 경우에 따라 40% 더 빠르게 생성한다는 점도 주목할 만합니다. 따라서 DL은 상황에 맞게 전략을 조정하고 수립하는 과정을 적극적으로 지원합니다.
예를 들어, 은행의 영업팀은 DL 기반 고급 분석을 활용하여 사용자 친화적인 대시보드를 생성할 수 있습니다. 이 대시보드는 종합적인 고객 인사이트를 제공하고, 고객별 잠재력을 추정하며, 영업 기회를 예측하고, 권장 전략을 표시합니다.
8. 예측 분석
기업이 크게 성장하려면 향후 수요 급증 가능성이나 더 높은 이익률을 확보할 기회 등 새로운 기회를 가리키는 요인별 데이터가 필요합니다. DL 신경망은 대량의 인구통계 데이터를 처리하고 숨겨진 시장 잠재력을 파악하여 매우 세부적인 성장 계획을 수립할 수 있습니다.
통신사는 DL을 활용하여 약한 신호로 인해 발생하는 통화 끊김 통계를 분석하고 향후 기지국 확장 부지를 시각화할 수 있습니다. 에너지 기업은 DL로 날씨, 위치, 인구통계적 특성에 관한 데이터를 결합하여 태양광 패널이나 풍력 터빈을 설치할 새로운 지역을 선정할 수 있습니다. 은행업계 기업은 DL을 활용하여 확장 가능성이 있는 지역을 분석하고 신규 지점의 최적 입지를 예측할 수 있습니다.
9. 사이버 보안
‘사이버 보안’이란 인터넷에 연결된 시스템의 하드웨어, 소프트웨어, 데이터셋을 외부 공격으로부터 보호하는 것을 의미합니다. 이러한 공격은 기밀 정보의 변조나 무단 접근, 사용자의 금전 도난, 비즈니스 운영 중단으로 이어질 수 있습니다. 네트워크에 연결된 기기의 수가 방대하고 해커가 사용하는 수법이 점점 더 고도화되고 있어 효과적인 방어 전략을 수립하기가 어렵습니다.
DL 기반 사이버 방어는 위협(침입, 악성코드, 스팸, 피싱 등)을 조기에 탐지하고, 네트워크 취약점을 찾아내며, 공격 발생 시 자동으로 대응할 수 있습니다. 예를 들어, NLP와 결합한 DL 기반 모니터링 도구는 위협을 나타내는 특징이 포함된 모든 이메일을 탐지할 수 있습니다. 수신자는 이메일을 열기 전에 바이러스, 악성코드, 피싱 시도에 대한 경고를 받게 됩니다.
10. 인재 발굴 및 채용
DL 솔루션은 인재 발굴 및 채용 절차를 가속화하고 효율성을 높이는 데 큰 잠재력을 보여주었습니다.
DL은 반복적인 업무(예: 이력서 및 지원서 검토) 자동화, 사전 심사 및 우수 지원자 선별, 채용 직무나 직무 기술서에 관한 질문에 대한 응답 등 다양한 채용 관련 업무를 지원합니다.
예를 들어, 2016년 한 기업은 지원자 추적 시스템에 챗봇을 직접 통합했습니다. 이 챗봇은 NLP와 DL 프레임워크를 활용해 지원자와 대화하며, 후속 질문을 통해 지원자의 경력과 전문성을 더 잘 파악하고 요구 조건 충족 여부를 판단합니다.
또한 이력서를 검토해 지원자에게 점수를 부여하고 면접 일정을 잡을 수 있습니다. 40,000명이 넘는 지원자를 대상으로 한 표본에서 이 챗봇은 채용에 소요되는 시간을 70% 줄인 것으로 보고되었습니다.
맺음말
DL은 방대한 데이터베이스를 분석해 의미를 도출하고, 문제를 해결하며, 기업 운영 방식을 혁신함으로써 거의 모든 분야에서 인상적인 성과를 창출하고 있습니다. 따라서 오늘날 기업이 전략에 DL 중심의 접근 방식을 도입하면 포부를 실현하고 장기적인 성공을 달성하는 데 도움이 될 것으로 기대됩니다.
딥러닝 전문가를 찾고 계신가요?
1. GEM Corporation은 AI 솔루션 개발 경험을 갖춘 IT 아웃소싱 기업입니다. 당사는 일본의 주요 산업 기업을 위해 NLP 및 OCR 솔루션을 개발해 왔으며, 챗봇, 텍스트 및 이미지 처리 시스템, 추천 시스템 구축을 전문으로 합니다. 또한 과학 연구와 인재 양성을 위해 베트남 국립대학교 AI 연구소와 협력하고 있습니다.
2. 당사의 전문 분야는 물류, 통신, 금융, 은행 및 보험, 소매, 제조 등입니다.
3. 당사는 7년 이상의 경험을 보유하고 있습니다. 저희 사무실은 베트남 하노이와 일본 도쿄에 있습니다.
4. 저희는 미국, 영국, 유럽, 일본, 한국, 싱가포르 등 여러 지역의 고객을 위해 100건 이상의 프로젝트를 성공적으로 수행했습니다.
5. 차기 AI 솔루션 구축을 위해 저희가 어떻게 도와드릴 수 있는지 알려주세요. 지금 문의하시고 프로젝트 데모를 받아보세요.

