머신러닝 (ML) 의 실제 적용 사례

 

머신러닝 (ML) 의 실제 적용 사례

 

최근 들어 업종을 불문하고 기업들은 각 분야에 ML을 사용해서 효율적으로 작업을 수행함으로써 수익을 늘리거나 비용을 줄이려고 합니다.
ML의 폭넓은 활용과 다용도성을 보여주는 다음과 같은 7가지 사례가 있습니다 .

 

1.     사기방지

 

1 억 5 천만 개의 디지털 지갑을 통해 연간 2 천 억 달러 이상의 결제를 처리하는 PayPal은 온라인 결제업계의 선두 주자입니다.
이 정도 규모라면 사기 비율이 낮다 해도 사기의 절대 금액은 상당 규모에 이릅니다.
창업 초기에는 월별 사기 피해 금액이 1,000만 달러에 이르렀던 적이 있었습니다.
페이팔은 이 문제를 해결하기 위해 최고의 연구원들로 팀을 꾸렸고 이 팀은 최신 ML 기법을 사용해 사기성 결제를 실시간으로 식별하는 모델을 구축했습니다.

 

2.    타겟팅 디지털 디스플레이

 

광고 기술 기업 Dstillery는 ML을 사용해 Veriszon, Williams-Sonoma와 같은 기업이 실시간 입찰 플랫폼에서 타겟 디지털 디스플레이 광고를 진행하도록 합니다.
디스틸러리는 개인의 브라우징 내역, 방문, 클릭 및 구매에 대해 수집된 데이터를 사용해 한 번에 수백 개의 광고 캠페인을 처리하며 초당 수천 건의 예측을 실행합니다.
덕분에 디스틸러리는 투자대비 최적의 결과를 얻기 위한 타겟 광고에서 인간 마케터보다 훨씬 더 좋은 성과를 내고 있습니다.

 

3.    콘텐츠 추천

 

Comcast는 X1 인터랙티브 TV 서비스 고객을 위해 각 고객의 이전 시청 습관을 기반으로 한 실시간으로 개인 맞춤화된 콘텐츠를 추천합니다.
컴캐스트가 운영하는 ML은 수십억 개의 내역 기록을 사용해 각 고객별로 고유한 취향 프로필을 작성한 다음, 공통적인 취향을 가진 고객을 클러스터로 묶습니다.
그런 다음 각 고객 클러스터를 대상으로 가장 인기있는 콘텐츠를 실시간으로 추적, 표시 해서 고객이 현재 인기있는 콘텐츠를 볼 수 있도록 합니다.
더 정확한 추천으로 사용률을 높이고 고객 만족도도 높아집니다.

 

4.    자동차 품질 개선

 

Jaguar Land Rover의 신형 차량에는 60개의 온보드 컴퓨터가 탑재되며 이 컴퓨터는 2만 개 이상의 매트릭스를 기준으로 매일 1.5GB의 데이터를 생성합니다.
재규어 랜드로버 엔지니어들은 ML을 사용해서 이 데이터에서 고객이 차량을 실제로 어떻게 다루는지를 파악해냅니다.
이렇게 얻은 정확한 사용 데이터를 통해 설계자는 부품 고장과 잠재적 안전 위험을 예측 할 수 있습니다.
이는 예상되는 조건에 따라 적절히 차량을 엔지니어링하는 데 도움이 됩니다.

 

5.    유망 잠재 고객에 집중

 

마케터들은 최적의 판매와 마케팅 기회, 그리고 최적의 제품을 판단하기 위한 도구로 구매 성향(propensity to buy) 모델을 사용합니다.
라우터부터 케이블 TV 박스에 이르기까지 방대한 제품을 보유한 Cisco의 마케팅분석 팀은 몇 시간 만에 6만개의 모델을 교육시키고 1억 6천만명의 잠재고객을 확보했습니다.
이 팀은 의사결정트리부터 그래디언트 부스티드 머신까지 다양한 ML기법을 테스트함 으로써 모델의 정확도를 대폭 개선했습니다.
이는 판매량 증가, 무익한 판매전화 감소, 영업담당자들의 만족도 향상으로 이어졌습니다.

 

6.    미디어 최적화

 

NBC Universal은 국제 케이블 TV 배포를 위해 수백 테라바이트 용량의 미디어파일을 저장합니다.
또한 전세계 고객을 대상으로 한 배포를 지원하기 위한 효율적 온라인 리소스 관리가 필요합니다.
NBC 유니버설은 ML을 사용해 척도 조합을 기반으로 각 항목의 미래 수요를 예측합니다.
이런 예측을 기반으로 수요가 낮을 것으로 예상되는 미디어를 저렴한 오프라인 스토리지 로 옮깁니다.
ML을 통한 예측은 파일 수명과 같은 하나의 척도를 기반한 임의 규칙에 비해 훨씬 더 효과적입니다.
결과적으로 NBC 유니버설은 고객 만족도를 그대로 유지하면서 전체 스토리지 비용을 줄이고 있습니다.

 

7.    의료 보건 서비스 개선

 

병원에게 있어 환자의 재입실은 심각한 문제입니다.
환자의 건강과 복지도 문제이지만 의료보험공단과 민간보험사가 재입실 비율이 높은 병원에 불이익을 주기 때문입니다.
따라서 향후 건강한 상태를 유지할 가능성이 충분히 높은 환자만 퇴원시키는 역량이 병원의 재무에 큰 영향을 미치게 된다.
Carolinas Healthcare System(CHS)은 ML을 사용해서 환자의 위험 점수를 계산하고 병원 사례 관리자는 이를 바탕으로 퇴원 결정을 내립니다.
이 시스템은 각 사례의 위험과 복잡성에 따라 환자에 우선 순위를 부여함으로써 간호사 와 사례 관리자의 능률을 높여줍니다.
그 결과 CHS는 재입실 비율을 21%에서 14%로 낮췄습니다.