지난번에 인공지능의 잠재력 평가에 대해 알아보았습니다.
이번 시간에는 인공지능의 잠재력 평가에 활용되는 신경망과 예측 모델 접근법에 대해 자세히 살펴보겠습니다.
RNN&LSTM 신경망
부품 고장 예측 성능 평가를 위해 데이터를 처리하는 신경망에는 RNN과 LSTM 2가지 종류가 있습니다.
RNN(순환 신경망)
RNN 순환 신경망
RNN(순환신경망)은 오차 역전파(Backpropagation) 과정에서 결과값의 기울기가 0에 가까워질 정도로 작아져서 가중치를 변경할 수 없게 되는 현상인 기울기 소실(Vanishing Gradient) 문제가 발생합니다.
LSTM 신경망
LSTM 신경망
시계열 데이터와 같은 장기간의 연속적인 데이터에 효과적인 모델로, RNN이 갖고 있는 장기 의존성 문제, 기울기 소실 문제를 해결하기 위해 개발되었습니다. 망각 게이트 도입으로 인해 불필요한 정보를 삭제하고 중요 한 정보를 오래 기억하는 방식으로 작동됩니다.
따라서, RNN 신경망에서 단점을 보완할 수 있는 LSTM 신경망을 개발하여 사용하고 있습니다.
예측 모델 접근법
예측 모델에는 선형 회귀, LSTM 회귀 신경망, 비대칭 비용을 고려한 LSTM 회귀 신경망 3가지 접근법이 존재합니다.
선형 회귀
선형 회귀 계산방식
선형 회귀는 경험적 실패율에 관계없이 0에서 2사이의 부품을 예측하는 경향이 있어 성능이 좋지 않습니다. 해당 알고리즘은 매달 41만 달러 상당의 부품을 과도하게 구매하면서도, 동시에 높은 수준의 과소 예측(수리부속 부족)을 보입니다.
LSTM 회귀 신경망
LSTM 회귀 신경망 계산방식
초과예측과 과소예측 성능은 경험적 포아송 분포와 매우 유사합니다.
신경망은 대부분의 경우 매달 ±2부분 이내에서 예측하며, 월평균 약 110만 달러 상당의 부품을 초과로 구매하고 있습니다.
비대칭 비용을 고려한 LSTM 회귀 신경망
비대칭 비용을 고려한 LSTM 회귀 신경망 계산방식
비대칭 비용 함수로 재훈련한 신경망 예측은 초과 예측을 선호하며, 과소재고는 거의 발생하지 않았습니다. 월 평균 4~5개의 부품을 초과 구매하는데, 이로 인해 월 지출액은 약 590만 달러입니다. 이는 기존 포아송 분포를 사용할 때와 비교하여 약 2,510만 달러가 절감된 금액입니다.
비대칭 비용 계산방식
위의 공식으로 비대칭 비용을 고려한 LSTM 회귀 신경망 계산이 가능합니다.
RSP에 대한 LSTM 회귀 신경망을 활용한 인공지능 적용 가능성 평가 관련 문의: 02-6945-2156 / Contact us – (주)모아소프트
