[1] 2024년에 머신러닝을 배우는 방법 5단계머신러닝(ML), 이제 귀에 익은 용어지만 어떻게 이해하고 또 사용할지는 여전히 어렵습니다. 오늘 브리핑 첫 꼭지에선 "어떻게 머신러닝을 배울지"에 관한 다니엘 가르시아(Daniel Garcia)의 글을 소개합니다. 다니엘 가르시아는 ML과 관련한 박사 학위를 취득한 뒤 자동차 기업에서 ML 사업부 헤드로 일하는 중이라고 합니다. Medium에

AI가 다시 화두로 떠오르고 있습니다. Generative AI 때문만은 아닙니다. 메타의 침체와 틱톡의 성공이 상징하는 바는 큽니다. 2012년 페이스북이 상장한 이후 2010년대는 스마트폰과 소셜 미디어의 시대였습니다. 틱톡은 소셜 그래프 피드를 인공지능 피드로 바꾸었습니다. 새로운 시대를 상징하는 사건입니다. 이번 글은 인공지능의 기초를 구성하는 머신러밍이 전통 소프트웨어와 어떤 차이점이 있는지 설명하고 있습니다. 이를

국내에서도 페이월 방식에 대한 관심이 높아지고 있죠. 하반기에 중앙일보가 페이월을 개시한다는 소문도 들려오고 있고요. 그 성공 여부에 따라 다른 언론사들도 도입을 검토할 가능성이 높아지고 있습니다. 페이월 도입을 거론할 때 가장 자주 언급되는 언론사가 뉴욕타임스입니다. 가장 성공적인 결과를 내놓고 있기 때문입니다. 알려져 있다시피 뉴욕타임스는 계량형 페이월(metered paywall)을 거쳐서 지금은

월스트리트저널의 페이월 모델은 ‘하드 페이월’이다?라고 생각하시는 분들이 여전히 많은 것 같습니다. 결론부터 말씀드리면, 아닙니다. 정확히는 다이내믹 페이월을 채택한 지가 제법 됐습니다. 저널이 어떤 고민 끝에 그들의 페이월 모델을 진화시켰는지 오늘 자세히 들여다 보도록 하겠습니다. 대략 2015년의 일입니다. 월스트리트저널의 모회사인 다우존스는 2명으로 구성된 최적화팀을 꾸립니다. 자사 언론의 구독 비즈니스,

개인적인 호기심에 간단하게 시작했던 설문조사 '고품질 저널리즘을 위해 AI/머신러닝 기술이 뉴스 관련 어느 영역에 가장 빨리 적용되길 기대하시나요'의 결과가 이렇게 나왔습니다. 자동 팩트체킹이 언론사 내 여러 직군들로부터 고르게 필요로 하는 항목으로 파악된 점은 약간 의외이긴 했습니다. 아마도 현장에서 팩트체킹 과정의 수고로움을 덜기 위해, 혹은 편의를 얻기 위해 기계의 도움을

뉴욕타임스의 댓글 공간은 청정 지역에 가깝습니다. 국내 포털 댓글창에서 흔히 볼 수 있는 불쾌하고 유해한 콘텐츠는 거의 없습니다. 그들이 강조하는 것처럼 ‘건강하고 전문성이 묻어있는 토론 커뮤니티, 포럼’에 가깝습니다. 수준 높은 댓글을 만날 때도 적지 않습니다. 잘 관리가 되고 있다는 인상을 쉽게 받을 수 있습니다. 뉴욕타임스도 하루이틀만에 이런 댓글창을 만들어낸

종종 이런 질문과 자주 마주하게 됩니다. “뉴미디어의 시대에 우리는 어떻게 대응해야 할까요?” 막막함이 만들어낸 절박한 물음이겠지만, 실은 정답이 존재하는 질문은 아니라고 저는 답변하곤 합니다. 저마다 핵심 수용자가 다르고, 배분할 수 있는 자원의 양이나 바라보는 미래 시장도 다르기에 똑부러진 해답을 제공해줄 수가 없기 때문입니다. 아래 그림은 제가 해답 대신 제시하는 가상의

AI의 실체로서 머신러닝 알고리즘 머신러닝은 간단하게 설명하면 결정론적 함수식(deterministic function)이다. d라는 속성이 함수를 거쳐 Y라는 예측치를 도출하는 과정이다. Y가 한정돼있다면(남성, 여성 혹은 암환자, 정상환자) 함수는 곧 분류기(classfier)가 된다(Fredrikson 등, 2015). 대다수의 분류기는 분류값의 속성 벡터를 받아들여 분류하는 회귀함수이다. 즉, 높은 수준의 신뢰도(confidence)를

얼마전 개인 선호 분석에 기반한 개인 맞춤형 뉴스 추천 논문을 소개해드린 적이 있는데요. 읽어보니 아래와 같은 방식으로 진행이 되더군요. 제가 배운 바에 따르면 신경망 분석(neural network)은 복잡한 기계학습으로 시간이 좀 걸리고 hidden layer로 인해 결과값에 대한 근거나 이유를 설명할 수 없는 것으로 알고 있습니다. 강의하셨던 교수님은 “상관에게 보고서를