data visualization과 data simulation의 흐름을 알아보기 위해 정리한 기사들!
결국 data visualization은 data를 다루는 모든 단계에 주요한 역할을 한다는 거구나! 시뮬레이션된 데이터들도 걔네들이 어떤 속성을 갖고 있는지 쉽게 볼 수 있어야 다음 단계를 논의할 수 있는 거니까. data simulation 은 모델이 학습할 데이터를 컴퓨터 엔진으로 생산해 내는 일이고, 이런 데이터 gathering에서 시작해서 전처리, 모델링, 결과 해석에 이르기 까지 데이터 사이언스의 각 모든 단계에서의 인사이트 도출에 data visualization이 중요하게 쓰인다는 이야기인 것 같다! 왠지 data visualization 이 더 재미있어 질 것 같다…
DNN의 가장 어려운 점 중 하나는 학습에 막대한 양의 라벨링 데이터셋이 필요하다는 것이다. 몇몇 연구자들은 meta- learning 이나 few-shot learning 을 통해서 이 문제를 해결하고자 한다. 하지만 당분간은(for the time being) 물체 인식과 같은 작업을 성공적으로 수행하기 위해서는 막대한 양의 데이터셋은 필수적이다.
유니티처럼 비디오 게임들을 작동시키는 그래픽 엔진들은 라벨링 데이터들을 모으는 데 더 쉬운 편이다. 자율 주행과 같이 비디오 게임 환경에서 딥러닝 과제들을 해결할 수도 있다. 하지만 여전히 시뮬레이션 된 데이터와 실제 데이터 간에는 차이가 있을 것이며 DCNN은 스스로 이러한 차이를 극복하지 못할 것이다.
이러한 문제점들을 극복한 것이 Generative Adversarial Networks이다(GAN). gan을 통해 실제 이미지에 가까운 시뮬레이션 데이터를 만들 수 있기 때문에 오차를 크게 줄일 수 있다. 딥러닝 모델은 이렇게 막대한 양의 라벨링 데이터셋을 생산해 내는 그래픽 엔진을 활용하고 있다. 이번 기사에서는 애플에서 연구한 SimGAN에 대해 다룰 것이다. 이 알고리즘은 시선 응시 방향을 알기 위해 유니티 엔진에서 시뮬레이션 된 눈의 이미지를 실제 이미지와 비교했다.
시각화와 시뮬레이션의 차이가 무엇인지 질문을 많이 받습니다. 제조업 전문가들에게 이런 기술들이 인기가 많아지는 반면에 이 개념들에 대해서 약간의 혼동이 있는 거죠.
요약하자면, 우리는 시뮬레이션은 데이터를 생산하는 것이고 시각화는 데이터를 보여주는 것이라 말합니다. 삼차원 시각화 기술은 모든 요소들이 진짜인 것 처럼 ‘보이게’ 만들지만, 시뮬레이션 기술은 모든 요소들이 진짜인 것 처럼 ‘작동하게’ 만듭니다.
이번 기사에서는 시각화와 시뮬레이션 기술이 각각 어떤 것인지를 설명하고 그들이 제조업에서 어떻게 도움이 되며, 서로 어떻게 상호작용하는지를 설명하겠습니다.
시뮬레이션 기술은 데이터를 생산하게 해줍니다. 제조업의 관점에서 이런 데이터들은 생산라인에 있는 각 요소들의 실제 작동 방식을 복제하는데 도움을 줍니다. 이를 통해서 우리는 제조산업의 자원들(장비와 노동력 모두)의 각기 다른 속성과 특징, 행동들을 복제할 수 있습니다. 그들의 활용, 퍼포먼스, 그리고 전체적인 생산 효과에 대한 정확한 정보를 제공합니다.
시뮬레이션을 통해 얻은 데이터는 자원들 사이의 상관관계를 정립할 수 있게 해주고 개인과 전체의 생산량을 확인할 수 있게 해줍니다. 뿐만 아니라 가상 세계에서 여러 자원 조합과 인터랙션 시나리오를 테스트 해 볼 수 있게 해줍니다. 이를 통해 제조 전략이 계획한 대로 잘 작동할지에 대한 확신을 가질 수 있습니다.
시각화 기술은 시뮬레이션을 통해 얻은 데이터들을 시각적으로 표현할 수 있게 해줍니다. 뇌가 가공되지 않은 시뮬레이션 데이터들을 정리할 필요 없이 이 기술을 통해 복잡한 정보들을 친숙한 그림, 그래프, 사진, 또는 애니메이션으로 전환할 수 있습니다.
이해하기 쉬운 숫자 데이터를 제공함으로써 시각화는 모두가 기술적인 배경지식이 없는 사람에게도 효과적으로 데이터를 해석하고 분석할 수 있게 도웁니다. 결과적으로 커뮤니케이션이 활성화되고 워크플로우는 빨라집니다. 요약하자면, 시각화 기술은 시뮬레이션된 데이터를 활용가능하게 하는 것입니다.
시각요소의 3차원 제조 시뮬레이션과 시각화 소프트웨어는 두 기술을 모두 사용하여 기술적으로 정확하고 마케팅적으로 훌륭한 컨텐츠를 만드는 제 도움을 주는 완성된 솔루션을 제공합니다. 이러한 심플함과 높은 수준의 정확도, 그리고 바로 실행 가능한 결과물을 통해 제조업 전문가들은 그들의 팀과 고객, 그리고 여러 이해 관계자들에게 자신 있는 제조 솔루션을 제공할 수 있는 것입니다.
삼차원으로 표현한 그래프는 예쁘고 인기가 많지만, 대부분의 경우 그래프에 대한 정확하고 빠른 해석이 어려워진다. 3d 그래픽으로 구현한 그래프들의 좋고 나쁜 경우를 살펴보자.
3D 막대 그래프 – 쓰지마세요
막대 그래프는 엑셀로 쉽게 만들 수 있기도 하고, 널리 사용되고 있어서 아마 익숙할 것입니다. 하지만 일반적인 평면 막대 그래프와 비교해서 삼차원의 막대그래프는 몇가지 문제점이 있습니다.
막대의 정확한 퍼센트를 확인하기가 어렵습니다.
동일한 수치의 막대임에도 불구하고 앞/뒤의 위치에 따라 길이가 달라 보인다.
가려지는 막대가 발생한다.
따라서 막대 그래프는 평면 상에서만 사용하도록 하자.
파이차트 – 쓰지 마세요
파이차트(원그래프)는 우리 dataviz 에서 가장 비추천하는 유형인데, 삼차원 파이차트는 그보다 더욱 더 비추천합니다. 삼차원으로 만들면 현실을 더 심하게 왜곡하여 해석이 어려워집니다. 평면상으로도 파이조각
끼리의 크기 비교가 어려운데, 삼차원으로 표현했을 때는 앞 뒤 위치에 따른 크기 변화까지 겹쳐서 파이 조각 비교가 한층 더 어려워집니다.
정적인 3d scatter plot (산점도) – 쓰지 마세요
3d 산점도 그래프는 삼차원 데이터 시각화에서 굉장히 흔한 형태입니다. 이러한 차트는 3개의 숫자 데이터를 인풋으로 받아들여 x, y, z 축에 각각 배치합니다. 삼차원 산점도 그래프가 과연 정확한지에 대해서는 많은 논의가 있었습니다. 삼차원 공간에 있는 특정 좌표의 x, y, z 값을 읽어 봅시다.
아마 어려울 거에요. 사람의 눈은 삼차원 공간 데이터를 인식하는 것을 잘 못합니다. 따라서 삼차원 삼전도 그래프로 데이터를 정확하게 표현하기에는 한계가 있습니다.
interactive 3d scatter plots – 가끔
제 생각에는 삼차원 산점도 그래프는 인터랙티브한 효과를 줄 수 있을 때만 사용하는 것이 좋습니다. 마우스를 이용해서 축의 방향을 바꾸거나, 자유자재로 회전 확대 축소할 수 있게 해야 합니다. 이러한 상호작용을 통해서 삼차원 공간을 잘 느낄 수 있습니다. 여전히 정확한 좌표를 읽는 것을 힘들지만, 효과적으로 데이터의 분포를 확인할 수도 있고 삼차원 공간상의 분포를 직관적으로 이해하는 데 도움이 됩니다.
surface plot – 좋아요
만약 모든 각 그리드 좌표에 숫자값을 갖고 있다면, surface plot 을 이용해서 데이터를 표현해 볼 수 있습니다. 이런 방식의 표현은 만약 그 숫자값이 높이(고도)를 나타낸다면 더욱 효과적입니다. 이런 경우 실제 삼차원 물체를 삼차원 효소로 실제로 만드는 거죠.
이 포스트에서는 삼차원 그래프를 다룰 것이다. 삼차원 그래프는 변수가 3개일 때 사용한다. 평면 데이터에 삼차원 효과가 용된 그래프는 본 적이 있을 것이다. 하지만 이건 별로 좋지 못한 방식이다. 아무런 정보도 담지 않은 채 차원을 추가하는 것은 아무 효과가 없을 뿐만 아니라 가독성에 안좋은 영향을 끼칠 수 있다. 따라서 이차원 데이터에 삼차원 효과를 사용하는 것은 지양해야 한다.
삼변수를 시각화 하는 것에는 다양한 방법이 있으나 가장 간단하게는 삼차원 큐빅 공간에서 X,Y,Z 좌표로 찍는 방법이 있다.
하지만 첫번째로, 이런 그래프에서 값을 읽는 것은 굉장히 힘들다. 단지 값들의 뭉치/군집만 확인할 수 있다. 삼차원 좌표 공간에 떠 있는 점끼리 잇거나, 평면들끼리 이으려고 하더라도 그것들의 올바른 값을 확인하기는 어렵다. 이것은 그래프가 시점에 따라 다르게 보이기 때문이다. 평행한 선이란 존재하지 않고 어떤 평면 상의 점을 향해 수렴하는 형태이기 때문이다.
두번째로 넘어가보자. 당신이 정확한 값에는 관심이 없고 비교만 한다고 가정하자. 그건 할 수 있는가? 공간 상에 떠 있는 두 좌표의 Z 값을 서로 비교할 수 있겠는가? Y 값은? 쉽지 않다. 평면 이미지로 부터 삼차원의 정보를 가져오는 것에 인간은 취약하다. 삼차원 데이터는 직접 만질 수 있거나 시선을 바꿔가면서 각도를 조정할 수 있을 때 가장 효과적이라는 것이 알려져 있다, 대표적으로는 입체 모형을 예로 들수 있다. 하지만 책(출판물)에 입체 모형을 첨부하는 것은 어렵다.. 대신에 독자들을 위해 삼차원 그래프를 렌더할 수 있는 확장 파일을 제공해 주면 좋을 것이다.
마지막으로, 삼차원 그래프를 만드는 것은 코딩 능력이 필요하다. 엑셀에서는 삼차원 그래프를 만들 수 없고 GRAPHPAD, TABLEAU도 마찬가지이다.
그렇다면 하나의 그래프에 3변수 데이터를 나타내기 위해선 어떻게 해야 할까?
방법1) 2개는 산점도, 1개는 크기
변수 2개는 산점도 그래프로 나타내고, 하나의 변수는 그래프 각 점의 크기 값을 변화하여 표시한다. 이 방법에서는 정확한 값을 확인하기 쉬울까? 점의 크기 값은 매우 클 때나 매우 작을 때는 구분할 수 있겠지만 중간 크기의 점들은 값을 구분하기 쉽지 않을 것이다. 단지 추정치만 제공할 뿐이다. 정확한 값을 알고자 한다면 점 위에 값을 표기하는 방법도 있으나 이 경우 그래프가 매우 지저분해질 수 있다.
방법2) 2개는 산점도, 1개는 색깔
변수 두개는 산점도 그래프로, 세번째 변수는 각 점의 색깔 진하기로 나타낸다. 훨씬 구분하기 쉽다. 이 경우도 정확한 값을 알긴 힘들지만 점들간의 비교는 크기 차이보다 훨씬 쉬워졌다.
별거 아닐 수 있는데 내가 요즘 데이터 시각화에 엄청 꽂혀서 이 영상이 너무 인상깊었다. 며칠 전에 제로원에서 데이터 청각화 스터디를 신청했는데 매일 매일 제발 스터디에 참여할 수 있게 되기를 바라면서 일단 개인 공부(시각화 기초)를 해나가고 있었다. 그러던 와중에 저 영상을 보니까 떠오른 생각! 데이터의 시각적/청각적 표현을 간단한 차원 이동으로 쉽게 전환시킬 수 있게 하면 어떨까???? 그냥 데이터 자체에서 바로 청각화 하는 것이 아니라 -> 데이터를 한번 시각화 하고, 데이터로부터 만들어진 시각화된 이미지에서 청각화 해보는 것이다!! 과연 두 결과는 같을까?? 궁금하다!! 이 실험을 해보니 위해 배워야 할 것들을 정리해 봤다.
1. 데이터 시각화 공부
1) 데이터 종류에 따라서 적절한 시각화 방법 공부하기
2) 다양한 시각화 기법/ 툴 익히기
2) 지금까지 표현되지 않은 종류의 데이터의 시각화 방법 고민하기
2. 데이터 청각화 공부
1) 제로원에서 청각화 열심히 배우기!!
(제발 됐으면 좋겠다 ㅠㅠ)
2) 내가 직접 데이터 시각화 하는 연습 해보기!!
3. 청각화의 시각화 / 시각화의 청각화
1) 시각화한 데이터를 소리로 표현해보기
2) 소리로 표현된 데이터를 시각적으로 표현해보기
3) 시각 표현과 청각 표현을 자유롭게 넘나들 수 있는 표현 방식 연구해보기 ( 어쩌면 이게 미래에 생산될 고차원의 데이터를 효과적으로 표현할 수 있는 방법이 될 수 있지 않을까??? )
1) 취지 : 대체 에너지 차량을 소비자들이 보다 저렴하게 구입할 수 있도록
2) 테슬라의 목표
- 전기차를 내연기관차와 비슷한 가격으로 낮추고, 배터리 수명 및 저장용량은 끌어 올린다.
- 전기차 제조사를 넘어 도쿄전력과 같은 에너지 공급사로서의 지위
3) 개발 파트너 : 중국 최대 배터리 제조사 CATL
4) 백만마일 배터리 : 160만km 이상 주행할 수 있는 배터리를 이르면 2020년 말 모델3에 탑재할 예정
<로보택시 / 사이버트럭>
우버와 리프트를 대체하는 자율주행 플랫폼 기업으로 변모하겠다
자율주행 전기차 플랫폼
<기가팩토리 -> 테라팩토리>
1) 기가팩토리?
- 위치 : 미국의 네바다 주 스파크스 외곽
- 제품 : 지붕에 태양광 패널로 부터 생산된 전기를 이용하여 배터리를 생산함(전기 모터, 배터리팩, 에너지 저장 제품)
2) 테라팩토리?
- 위치 : 중국 (테슬라의 첫 해외 생산 공장)
- 근거
(1) 값싼 노동력
(2) 중국 전기차 시장 확대 (중국 정부의 내연기관 자동차 규제 강화로 인해)
(+머스크는 중국 전기차에만 제공되던 10%의 세금 감면 혜택을 얻어냄)
- 생산량 : 일주일에 최소 1000대의 자동차를 생산할 수 있을 것으로 기대
- 규모 : 기가팩토리 셀의 30배 / 투자금 1000억 달러 소요
3) 다음 팩토리는?
- 위치 : 독일
- 근거 : 4차 산업혁명 기술로 생산 공정 자동화가 이루어져 인력 수요가 감소함, 값싼 인건비를 고집할 필요가 없으며 거대한 유럽 전기차 시장에 진출하여 수출 관세를 줄이는 것이 이득 (미-eu 분쟁으로 인해 유럽으로 수출하는 차량에 관세가 부과됨)
결측치 제거하니까 행이 26개 밖에 안남는데 이렇게 해도 괜찮은건지? 너무 많이 제거하는 것 같은데.. 결측치도 활용할 수 있는 방법은 없는지? 그리고 값들에 결측치 있는지도 꼭 확인해줘야 하는 단계인지? 항상 결측치도 확인을 해 줘야 하는 건가?(처음에 CSV 확인했을 때는 안보였잖아)
이렇게 다 일일히 다 찍어봤는데 더 간단한 방법은 없는지? 각 변수와 SalePrice 와의 상관관계 그래프를 그릴 수 있는 또 다른 방법이 혹시 있는지?
It’s odd isn’t it, but some technologies present such a useful service that exactly how they work is irrelevant. A car, a train, a plane, even a phone – most people have no idea how they actually work but are very happy they do, and all is fine.
이상하지 않나요? 그런데 어떤 기술들은 어떻게 작동하는지는 궁금하지 않을 정도로 유용한 서비스를 제공합니다. 자동차, 기차, 비행기, 핸드폰처럼 사람들은 이 제품들을 잘 사용하면서도 그들이 어떻게 작동하는지에는 관심이 없고, 또 이대로도 별 문제가 없어요.
However, when technology starts to reach Turing Test magic (where a computer starts to appear human-like) people start to worry. Add to that unease Data Protection issues and AI really, really started to worry corporates when in 2018, GDPR (the European Union’s General Data Protection Regulation) came into force and people’s ‘social right to explanation’ kicked off.
하지만, 컴퓨터가 인간처럼 작동하기 시작한 turing test magic 지점에 어떠한 기술이 도달하게 되면, 사람들은 걱정하기 시작합니다. 게다가 불안한 데이터 보호 문제와 인공지능은 2018년 GDPR이 시행되고 사람들의 사회적으로 설명을 보장받을 권리가 중요시되면서 회사들에게 우려의 대상이 되었습니다.
That’s why I think 2020 is the year of Explainable AI (XAI).
이것이 바로 제가 2020년이 설명가능한 인공지능의 해라고 생각하는 이유입니다.
XAI refers to methods and techniques in the application of Artificial Intelligence technology (AI) such that the results of the solution can be understood by human ‘experts’. It contrasts with the concept of the ‘black box’ in machine learning where even their designers cannot explain why the AI arrived at a specific decision (for a light-hearted read, try this blog on the challenges of explaining the unexplainable).
XAI는 인간 전문가에 의해 해결책이 납득될 수 있는 인공지능이 적용된 방법 또는 기술을 의미합니다. 이는 머신러닝의 블랙박스의 개념과 대조적인데, 블랙박스란 그 모델을 설계한 디자이너조차 어떻게 특정 결과가 도출되었는지 해석할 수 없는 상황입니다.
What is Explainable AI?
Now, the only problem with XAI is the problem of ‘experts’… It is not actually unreasonable that explainability should be via people who know lots of smart things – but actually, XAI could, as all my old school reports suggested, do better. And why not try and make it clear why a computer made the decision that it did?
그렇다면 XAI가 갖는 유일한 문제점은 단지 전문가의 몫이라고 할 수 있겠네요. XAI의 문제는 스마트 디바이스에 대한 지식을 갖고 있는 사람들의 몫이라고 하는 것도 틀린 말은 아닙니다. – 하지만 사실 XAI는 저의 옛 학교 리포트들만 봐도, 스스로 더 잘 할 수 있습니다. 그렇다면 컴퓨터가 어떠한 결정을 내리게 된 이유를 명확히 밝혀 보면 어떨까요?
Take some examples: we all understand why car insurance is more expensive for 18-year-olds, right? Especially if genes have a Y in them rather than a pair of X’s. Likewise, when you’re earning a smaller paycheck, you’re likely to have a lower credit limit on your credit cards than when you might be earning a wee bit more later. So far, so simple, so fair, but let’s unpick the algorithm that went all a bit sexist recently and gave women with excellent salaries who had joint bank accounts with their male partners, a lower credit score than their beloved. Funny? No. Not at all funny.
몇가지 예를 들어봅시다 : 우리는 18세의 자동차 보험이 더 비싼 이유를 모두 이해하고 있습니다. 특히나 여성보다 남성일 경우 더 그렇죠. 마찬가지로, 만약 당신의 수입이 적다면 상대적으로 더 많이 벌게될 이후 시점보다 신용카드에서 적은 신용 한도를 받게될 것입니다. 지금까지는 정말 간단하고 공평합니다. 그렇다면 이번에는 성차별적인 요소를 포함한 알고리즘을 풀어봅시다. 이 상황에서 여성은 충분한 수준의 급여를 받고 있음에도 불구하고 함께 동행한 그녀의 남자친구보다 더 낮은 신용 점수를 받았습니다. 장난인 것 같지만 전혀 그렇지 않습니다.
In this case, it’s likely that the data set used was biased in some way – either it was properly broken, or more likely, the algorithms actually reflected a societal problem which is that women (on average) earn less than men (on average). Please don’t shoot the messenger, The Guardian, explains why here.
이 상황에서는 사용된 데이터가 어떤 측면으로 왜곡되었을 것입니다. 데이터 자체가 잘못되었을 수도 있고, 아니면 좀 더 높은 확률로 여성이 남성보다 평균적으로 적게 번다는 사회적인 문제를 반영하는 알고리즘이기 때문일수도 있습니다. 이 문제에 대한 더 자세한 설명을 보려면 이 기사를 보세요.
It is, however, my contention that XAI should not be an optional feature but should be built in from the ground up.
적어도 제 생각에는 xai가 선택적인 피쳐로 삽입되는 것이 아니라 필수적인 요소로 모델 빌딩부터 포함되어 있어야 한다고 생각합니다.
Explainable AI in context
The explainability of a decision is a non-trivial task. Let’s take self-driving cars: the sheer complexity of autonomous vehicles means nano-second by nano-second the computer is processing millions of permutations. Its decisions are then damned hard to explain. But nevertheless, we must try.
모델이 내린 결정의 설명가능성을 판단하는 것은 결코 가벼운 문제가 아닙니다. 자율 주행 자동차의 예를 들어볼까요: 자율주행차의 복잡성은 나노초 단위로 컴퓨터가 수백만개의 순열을 처리하고 있다는 것을 의미합니다. 이것이 내리는 결정들은 따라서 설명하기 어려울 수 밖에 없습니다. 하지만 그럼에도 불구하고 시도는 해 봐야 겠죠.
Here’s a really good example: A Native American, a Hispanic, and a Caucasian walk into a hospital (what a terrible joke this could become…) and they all have diabetes (really, absolutely no comedy potential here at all), but in a data purest sense, they should each be treated differently because depending on their ages and race (and probably gender as well, what with women often being a damn sight smarter than men – see extra X’s above) they will be readmitted to the hospital at very different rates (on average).
여기 정말 좋은 예시가 있습니다: 아메리칸 원주민, 히스패닉, 커카시안이 함께 병원으로 걸어가고 그들은 모두 당뇨를 앓고 있습니다. 하지만 순수하게 데이터만 놓고 봤을 때는 그들은 각각 다르게 처방받을 것입니다. 왜냐면 그들이 병원에 재방문할 비율이 평균적으로 모두 다르기 때문입니다.
So the doctor or nurse could choose to not explain why their advice is slightly different, or they could show them this rather lovely dashboard built by some smart people from the Digital Society School (from, well, the world…) and say – ‘look the data tells us this – it’s not biased, it’s truth’:
따라서 의사나 간호사들은 그들의 진단이 왜 조금씩 다른지 설명하지 않기로 선택할 수도 있고 소위 말하는 똑똑한 사람들에 의해 만들어진 대쉬보드를 그들에게 보여주며 이렇게 말할 수도 있습니다. ‘여기 데이터를 보세요. 편견이 아니라 정직하게 데이터가 말해주는 걸요’
Now there are also lots of times when the decision that has been taken is so advantageous that no-one cares just how the magic occurred. Imagine you want a new TV – you just want to find the best price. How many clicks are needed? Well, not many – and through the search process, helpful AI is busy sifting through the world to get you the best deal. And if you’re canny enough you might even deliberately abandon your cart (online, not in the actual shop – that’s rude) knowing that a smart piece of AI might even offer you a wee bit more off later…
그동안 많은 시간 동안 결정된 사항이 너무 유용해서 아무도 그 결정 과정에 대해서 신경쓰지 않았습니다. 새로운 텔레비전을 사고 싶다고 생각해 보세요 – 당신은 최적의 가격만을 찾을 것입니다. 몇번의 클릭이 필요할까요? 그렇게 많지는 않을 거에요. 검색 프로세스를 통해서 인공지능은 당신에게 최적의 구매 옵션을 가져올 것입니다. 그리고 만약 당신이 조금 심술을 부린다면, 인공지능이 더 나은 딜을 가져오기를 기대하면서 고의적으로 카트를 삭제해버릴 수도 있습니다.
Happy with that? Of course, you are. Need to know how it was done? You don’t really care, do you? Now on the other hand when it’s costing, we get very cross. For example, someone crashes their car and their premium jumps – oh blood boils then, huh? It’s so unfair. Well no it isn’t – it’s actually the very embodiment of fair. That person costs more than they paid so their premium rises so that those of us who do not crash pay less – and in fact, their crash has probably just put up my ruddy premium by 0.00001c… so pack it in and drive more carefully.
이런 상황이 만족스럽나요? 물론 그럴것입니다. 어떻게 그것이 가능했는지 알 필요가 있나요? 사실 아무 상관이 없죠. 하지만 만약 이 과정이 유료라면, 우리는 격분할 것입니다. 예를 들어 어떤 사람들이 교통 사고를 당하고도 프리미엄 과금을 물게 되었다고 하자- 아주 피가 끓을 것이다. 너무 불공정하니까. 그 사람은 그가 지불한 것 보다 더 많이 내야하고 결과적으로 교통사고를 낸 적 없는 사람은 적게 냄으로써 전체적인 프리미엄 수준은 높아질 것입니다. 하지만 사실 그들이 낸 사고는 내 프리미엄 보험료에 매우 미미한 영향을 미칠 뿐이니 체념하고 안전 운전을 하도록 하자.
So when it’s for people, people don’t care, when it’s against them, they care. But there are also other times where there are more subtleties when people need to be protected – like with a driverless car, or when a person of colour is in a court that uses biased data to decide a verdict. Then people really need a) to care and b) for people to look out for them – that is why XAI is so important.
결과적으로 사람들은 그들을 위한 것에는 신경쓰지 않고 그들에게 해가 되는 것에는 신경을 쓰게 됩니다. 하지만 보호가 필요한 상황 중에 좀 더 판단하기 모호한 경우도 물론 있습니다. 운전자가 없는 자동차라던가, 혹은 유색인종인 어떤 사람이 편향된 자료로 판결을 하는 법정의 심판을 받을 때가 그러하다. 그럴 때 사람들은 비로소 신경을 써야 하고 혹은 그들을 위해서 다른 사람들이 신경 써줘야 하다는 것을 알게 됩니다. – 이것이 왜 xai가 중요한 이유입니다.
How Explainable AI will change customer experiences and jobs
Apocalyptic predictions of the end of humanity aside, it seems clear that AI is an enhancing technology rather than a wholesale human replacement. People expect good customer service – and the immediacy of social media and the broad similarity of many services is making that more and more the case. The services of a bank, an insurer, broadband mongers, cell-phone purveyors, even somebody’s doctor are all pretty much the same irrespective of the provider. So, it is when stuff happens that customer service must be perfect – a delivery, a repair, an outage, a bill shock, an appointment, a renewal, a claim, etc. etc. etc. If those events are poor, people forget the good that happened and only recall the bad, and with the ease by which the fickle consumer can switch – the churn event is frictionless and, in many ways, entirely predictable.
인류 종말에 대한 예언을 제쳐두고, 인공지능은 인간 대체제가 아니라 진보된 기술이라는 점은 명확해 보인다. 사람들은 좋은 서비스를 기대하고 즉각적인 소셜 미디어 반응을 기대하며 서비스들간에 넓게 공유되는 유사성은 이러한 기대를 점점 강화시킨다. 은행, 보험 회계사, 통신원, 누군가의 의사 조차도 그들이 제공하는 서비스는 그 주체와는 큰 관련 없이 거의 똑같다. 따라서 언제 어떤 일이 발생하든 모든 서비스는 완벽해야 한다. 배달부터 수리, 청구서 관리 등. 만약 이러한 사건들이 제대로 처리되지 않으면 사람들은 좋았던 것은 잊어버리고 안좋은 서비스만을 기억하며 쉽게 태도를 바꿀 수 있다. – 이러한 변덕스러운 이벤트는 많은 경우 예측 가능하고 마찰도 발생하지 않는다.
Worse, the open availability of price comparison sites means the consumer benefits from cheaper prices – but on the other hand, customer service can often be compromised as profitability is reduced. Just recently in the UK, the water regulator imposed the toughest crackdown that water companies have ever seen by ordering a price reduction. If things are made cheaper and cheaper, service with real live humans simply becomes too expensive.
더 심한 경우도 있다. 모두에게 공개되어 있는 가격비교 사이트에서는 소비자들이 더 싼 가격으로부터 이익을 얻는다. 하지만 다른 측면에서 봤을 때 수익성이 감소함에 따라 소비자 서비스는 손상된다는 것을 의미한다. 최근 영국의 수질 규제 당국은 가격을 낮춘 대신 물 회사들에 대한 규제를 이래가 없을 정도로 강화했다. 어떤 게 싸진 다는 것은 실생활의 서비스들이 정말 비싸질 수 있다는 것을 의미한다.
The solution is clearly automation. It’s already happened: quicker, smarter computers behaving in empathetic ways that learn the best time, best words, best tone of voice, best language, and best channel to engage with people can deliver perfection in customer service. Well, near perfection – and the times when they fail or when humans are best? Well, just let humans do what they do best and display all the millions of years of communication evolution that makes them the best – and better than the best computer will ever be.
해결책은 분명히 자동화다. 이미 일어나고 있따 – 더 빠르고 똑똑한 컴퓨터들이 사람들과 함께 일하는 데 필요한 최적의 시간, 단어 선택, 어조, 표현을 학습하면서 공감할 수 있는 태도를 지니고 있다. 거의 완벽에 가까워지고 있는게 그러면 언제 그들이 실패하고 인간이 이기는 걸까? 그냥 인간들이 수천년동안의 의사소통의 역사를 계속해 나가면 된다. – 어떻게 되더라도 항상 최고의 컴퓨터 보다도 더 나을 것이다.
Heizle World 