애널리틱스 | 뉴스, 하우투, 기획, 리뷰 및 동영상
미국 최고의 육류가공 회사는 공장에서 코로나 바이러스의 잠재적 확산을 모델링하기 위해 머신러닝으로 전환했으며 작업자 건강을 모니터링하기 위해 컴
디지털 트랜스포메이션의 성패를 가르는 주요 요소는 데이터에 대한 강력한 문화와 아키텍처다. 디지털 트랜스포메이션이라는 용어는 기술 주도적 조직
데이터가 21세기의 원유(原油)라고 할지라도 이를 시추하는 방법을 모른다면 말짱 도루묵이다. ‘데이터 생명주기(Data Lifecycle)’에는 여러 단계가 있다. 이 때문에 시추부터 생산까지 전체 생명주기를 다룰 수 있는 방법이 필요하다.
데이터에 대한 관심은 그리 새롭지 않다. 기업이 보유한 데이터에는 제대로 활용하기만 하면 꾸준히 경쟁 우위를 유지할 수 있는 잠재력이 있다는 것은 스타트업과 기존 기업 사이에 오랫동안 알려진 사실이다. 그러나, 데이터 소스가 많이 상품화되고 규모 있는 데이터 조작을 가능하게 해 주는 도구들의 가격과 접근성이 좋아지면서 경쟁의 규칙이 변화하고 있다.
지난 서른다섯 번째 글에서 빅데이터 현상이 왜 일어나는지 같이 생각해본 바 있다. 빅데이터 현상은 사실 컴퓨터의 컴퓨팅 능력의 한계가 데이터 처
RPA 봇이 오케스트레이션을 비롯해 자동화에 필요한 프론트라인 운영 요건을 제공한다면, ‘분석 프로세스 자동화(Analytics Process Automation, APA)’ 봇은 스마트 소프트웨어를 더 스마트하게 하기 위해 필요한 데이터과학 기능을 누구나 쉽게 사용할 수 있도록 지원한다.
‘오토ML(AutoML)’은 개발자를 데이터 과학자로 바꿀 준비가 돼 있다. 반대 경우도 마찬가지다. 오토ML이 데이터 과학을 어떻게 더 나은 방향으로 변화시키는 걸까?
빅데이터 비즈니스 트렌드의 미래로서 사이버 물리 시스템 기반의 지능형 서비스 비즈니스를 꽤 오랜 지면을 할애해서 지난 1년간 살펴보고 있다. 이
데이터와 머신러닝 알고리즘은 값진 인사이트를 제공한다. 하지만 오류가 발생하면 회사의 평판, 매출, 생존이 위협에 처할 수 있다. 애널리틱스와 인공지능의 결함으로 인해 빚어진 참사에 대해 정리해보았다.
오늘날 기업들이 더욱더 광범위한 목적으로 데이터를 사용하기 시작했다. 인공지능(AI), 머신러닝(ML)과 같은 기술 또한 나날이 발전하고 있다. 이에 따라 애플리케이션 개발 분야에서도 ‘윤리(Ethics)’ 문제가 부상하고 있다. 새로운 기술 애플리케이션을 구축한다면 이제 자문해야 할 질문은 ‘이것을 할 수 있을까?’가 아니다. 바로 ‘해야 하는가?’와 ‘윤리적인가?’다.