아마존이 인공지능을 향한 길

학습 기계

학습 기계

온라인 상업 제국은 인공 지능에 대한 절제된 접근 방식에 기반을 두고 있습니다.

이 인터넷 기업 비즈니스 제국은 인공 지능 개발에 있어 절제된 길을 선택했습니다.

아마존의 6페이지 분량의 메모는 경영진이 매년 사업 계획을 작성해야 한다는 사실이 잘 알려져 있지 않습니다. 메시지는 항상 특히 한 가지 질문에 답해야 합니다. 머신 러닝을 어떻게 사용할 계획입니까? Amazon 관리자에 따르면 "별로"와 같은 응답은 권장되지 않습니다.

Amazon의 6페이지짜리 메모는 너무 유명해서 경영진이 매년 미래 사업 계획을 자세히 설명하는 한 페이지를 작성해야 합니다. 하지만 잘 알려지지 않은 점은 각 문자가 다음과 같은 특정 질문에 답해야 한다는 것입니다. 머신러닝을 어떻게 사용할 계획인가요? Amazon 경영진에 따르면 귀하의 답변이 "할 말이 없음"인 경우 해당 답변은 허용되지 않습니다.

기계 학습은 예측에 사용할 수 있는 패턴에 대한 데이터를 마이닝하는 인공 지능(AI)의 한 형태로, 현재 Jeff Wilke가 합류한 1999년에 Amazon에 뿌리를 내렸습니다. Jeff Bezos의 부사령관인 그는 효율성을 높이기 위해 Amazon의 내부 프로세스를 연구하기 위해 과학자 팀을 구성했습니다. 곧 기계 학습 알고리즘이 포함되었습니다. Bezos의 야망이 커짐에 따라 자동화된 통찰력의 중요성도 커졌습니다.

기계 학습은 인공 지능을 달성하는 방법입니다. 여기에는 주로 특정 유형의 데이터 마이닝이 포함되며 주요 목적은 미래 추세를 예측하는 것입니다. 이 아이디어는 Jeff Wilke가 회사에 합류한 1999년에 구체화되기 시작했습니다.

Wilke씨는 Amazon의 2인자로서 직원 업무 효율성 향상을 목적으로 Amazon의 내부 워크플로우 연구를 주로 담당하는 인공지능 전문가 그룹을 구성했습니다. 그는 기업의 다양한 부서에 과학자들을 배치하고 지속적인 자기 평가 및 개선 주기를 기본 모드로 고정했습니다. 이 주기는 곧 알고리즘으로 결합되어 고객이 좋아하는 책을 추천할 수 있었습니다. Bezos 씨의 야망이 커짐에 따라 이 완전 자동화된 알고리즘 추천 모델은 점점 더 중요해지고 있습니다.

그러나 동료 기술 거물들이 과시하는 반면

다른 기술 거물들은 무엇을 과시해야 할까요

모든 기회에 대한 그들의 AI 능력—Facebook의 안면 인식 소프트웨어, Apple의 Siri 디지털 비서 또는 Alphabet의 자율 주행 자동차 및 마스터 바둑 플레이어 - Amazon은 기계 학습에 대한 낮은 키 접근 방식을 채택했습니다. 예, Alexa는 Siri와 경쟁하며 회사는 클라우드에서 예측 서비스를 제공합니다. 회사의 성공은 자체 운영을 지속적으로 간소화하는 데 사용됩니다. 피드백 루프는 소비자 대면 AI와 동일해 보입니다. 즉, 서비스를 구축하고, 고객을 유치하고, 데이터를 수집하고, 컴퓨터가 이러한 데이터로부터 학습할 수 있도록 하는 것입니다. 인간의 노동력은 흉내낼 수 없는 규모입니다.

거대 기술 기업들은 AI 분야에서 자신의 강점을 보여줄 수 있는 모든 기회를 포착합니다. Facebook은 얼굴 인식 소프트웨어를 출시했고 Apple은 음성 비서 Siri를 출시했으며 Google은 자율 주행 및 Alpha를 출시했습니다. 가다. 이들 회사에 비해 Amazon은 기계 학습 분야에서 낮은 경로를 선택했습니다. 알렉사(Alex)는 아마존이 출시한 인공지능 서비스다. 주요 경쟁자는 애플의 시리이다. Amazon은 Alexa의 클라우드 플랫폼을 활용하여 사용자에게 예측 서비스를 제공할 수 있습니다. 이 인공 지능 뒤에 있는 알고리즘은 매우 독특하며 운영 프로세스를 지속적으로 간소화할 수 있지만 이 AI 서비스의 피드백 루프는 서비스 출시, 대상 고객 유치, 사용자 정보 수집, 컴퓨터가 학습하도록 하는 등 클라이언트 AI와 유사합니다. 이 데이터를 인간의 손이 닿지 않는 규모로 처리합니다.

Mr Porter의 알고리즘

Mr Porter의 알고리즘

북미에 100개 이상, 전 세계에 60개가 넘는 Amazon의 주문 처리 센터를 생각해 보세요. 2,070억 달러 규모의 온라인 쇼핑 사업의 심장부입니다. 시애틀 외곽에 있는 한 곳에서는 오토바이처럼 빠른 속도로 패키지를 배송하고 있습니다. 그 대신, 울타리로 둘러싸인 축구장 크기의 공간에는 각각 6피트(1.8미터) 높이의 노란색 직육면체 선반 유닛이 수백 대 놓여 있습니다. 하지만 그 과정을 안내하는 알고리즘의 렌즈를 통해 보면 치약, 책, 양말이 무작위로 쌓여 있습니다.

아마존의 '이행 센터'를 살펴보겠습니다. 실제로는 북미에 100개 이상, 전 세계에 60개 이상이 흩어져 있는 대형 창고입니다. 이 창고는 회사의 강력한 심장이라고 할 수 있으며, 2,070억 달러 규모의 Amazon 온라인 쇼핑 거래를 주도하고 있습니다. 이러한 창고는 Amazon이 상품을 고객에게 판매하기 전에 상품을 보관하고 배포하는 데 사용됩니다. 시애틀 외곽에 위치한 창고에서는 컨베이어 벨트가 포장물품을 기관차의 속도로 운반하는데 소음도 거의 들리지 않으며 기본적으로 완전 자동화되어 있다. 울타리로 둘러싸인 지역에는 축구장 크기 정도의 공간에 노란색 정사각형 선반이 있으며, 각 선반의 높이는 약 1.8m입니다. 이 "창고"는 일렬로 가지런히 배열되어 있으며, 수백 대의 로봇이 그 사이를 오가며 드나들고 있습니다. 인간의 관점에서 볼 때 치약, 책, 양말과 같은 품목이 선반 위에 무작위로 놓여 있다는 것은 정말 이해할 수 없는 일입니다. 그러나 알고리즘의 지침에 따라 이 프로세스는 매우 합리적으로 보입니다.

인간 노동자 또는 회사 용어로 "직원"은 이 "로봇 필드"를 둘러싼 울타리 틈새에 서 있습니다. 어떤 사람은 로봇이 가져온 포드에서 물건을 집어 들고 다른 사람은 물건을 포장합니다. 빈 포드를 꺼내서 보관합니다. 품목을 선택하거나 배치할 때마다 소프트웨어가 추적할 수 있도록 제품과 관련 선반을 바코드 판독기로 스캔합니다.

인간 직원 , 또는 아마존이 부르는 "인간 파트너"는 주로 로봇에게 보조 서비스를 제공합니다. 그들의 작업장은 울타리 사이의 플랫폼에 위치하고 울타리 내부는 소위 "로봇 존"입니다. 로봇은 끊임없이 작은 창고를 옮기고 있으며 일부 직원은 물건을 가져가고 일부 직원은 물건을 빈 창고에 다시 넣습니다. 그러나 직원이 제품을 꺼내든 다시 놓든 바코드 스캐너를 사용하여 제품과 해당 선반을 스캔하므로 소프트웨어 시스템이 제품의 이동 경로를 기록할 수 있습니다.

이러한 알고리즘 개발을 담당하는 사람은 Amazon의 수석 로봇공학자인 Brad Porter입니다. 그의 팀은 Mr Wilke의 주문 처리 센터 최적화 팀입니다. Mr Porter는 "포드 갭", 즉 시간의 양에 주의를 기울입니다. 인간 작업자는 로봇이 포드를 스테이션으로 끌기 전에 기다려야 합니다. 간격이 줄어들고 짧아지면 작업자의 가동 중지 시간이 줄어들고 창고를 통과하는 상품의 흐름이 빨라지며 궁극적으로 Mr Porter의 팀까지 Amazon 배송이 더욱 빨라집니다. 끊임없이 새로운 최적화를 실험하지만 조심스럽게 출시합니다. 로봇 분야의 교통 체증은 끔찍할 수 있습니다.

Brad Porter는 이러한 알고리즘의 주요 개발자이자 관리자이기도 합니다. 그는 또한 Amazon의 수석 로봇공학 과학자이기도 합니다. . 그가 구성한 팀은 주로 주문 처리 센터를 담당하는 Mr. Wilke 팀의 최적화된 버전이었습니다. Mr Porter의 주요 초점은 작은 창고 사이의 간격을 줄이고 직원이 로봇이 상품을 배송할 때까지 스테이션에서 기다리는 시간을 줄이는 방법에 있습니다. 인력의 경우 간격이 점점 작아지면 적재 및 하역 시간이 단축되고 화물 운송 프로세스가 빨라지며 배송 서비스가 빨라집니다.

Porter 씨의 팀은 새로운 최적화 전략을 실험해 왔지만, "로봇 구역"의 교통 체증은 매우 심각하고 끔찍한 문제이기 때문에 출시할 때마다 매우 조심스러웠습니다.

Amazon Web Services(aws)는 기업이 자체 서버 없이 웹 사이트와 앱을 호스팅할 수 있도록 하는 Amazon의 260억 달러 규모 클라우드 컴퓨팅 비즈니스를 뒷받침하는 또 다른 핵심 인프라입니다.

Amazon Web Services(AWS)는 핵심 인프라의 또 다른 구성 요소입니다. 그 존재는 Amazon의 2,600억 달러 규모의 클라우드 컴퓨팅 사업을 유지합니다. 이 네트워크 시스템을 사용하면 기업은 서버 없이 자체 웹 사이트를 열거나 자체 애플리케이션을 개발할 수 있습니다.

AWS의 기계 학습의 주요 용도는 컴퓨팅 수요를 예측하는 것입니다. 인터넷 사용자가 고객의 서비스로 몰려들 때 컴퓨팅 성능이 부족하면 사용자에게 오류 페이지가 발생하여 오류가 발생하고 판매 손실이 발생할 수 있습니다. "재고가 없습니다."라고 AWS의 사장인 Andy Jassy는 말합니다. Jassy 씨의 팀은 재고가 없는지 확인하기 위해 고객 데이터를 처리합니다. Amazon은 서버에서 호스팅되는 내용을 볼 수 없지만 각 서버의 트래픽 양은 모니터링할 수 있습니다. 고객은 연결이 얼마나 오래 지속되고 얼마나 견고한지 알 수 있습니다. 주문 처리 센터에서와 마찬가지로 이러한 메타데이터는 AWS가 언제 어디서 수요를 보게 될지 예측하는 기계 학습 모델을 제공합니다.

AWS의 기계 학습 주요 용도는 컴퓨팅 요구 사항을 예측하는 것입니다. 인터넷 사용자가 클라이언트에 몰려들면 컴퓨팅 능력 부족으로 인해 사용자가 오류 페이지를 입력하거나 거래가 취소되는 등 많은 오류가 발생합니다. "재고가 없다고 말할 수는 없습니다." AWS의 사장인 Andy Jassy는 이 네트워크 시스템이 결코 잘못되지 않도록 하기 위해 그의 팀은 대량의 고객 데이터를 수집하고 분석한다고 말했습니다. Amazon은 서버에 무엇이 있는지 알 수 없지만 고객이 수신하는 트래픽의 양, 서버 연결 지속 시간 및 연결 품질을 감지할 수 있습니다. Amazon 실행 센터에서 기계 학습 모델은 이러한 메타데이터 입력을 사용하여 실행됩니다. 이러한 모델의 기능은 주로 AWS 시스템이 컴퓨팅 요구를 생성할 가능성이 있는 시기와 장소를 예측하는 것입니다.

AWS의 가장 큰 고객 중 하나는 Amazon입니다. 그리고 다른 Amazon 비즈니스가 원하는 주요 사항 중 하나는 수요가 너무 높아서 AWS는 이러한 작업을 처리하기 위해 Inferentia라는 새로운 칩을 설계했습니다. Jassy는 Inferentia가 가동 상태를 유지하고 클라우드 서비스로 고객을 유치하기 위해 실행해야 하는 모든 기계 학습 작업에서 Amazon의 비용을 절감할 것이라고 말합니다. 비용과 효율성이 크게 향상됩니다."라고 그는 말합니다. Alexa에서 음성을 인식하고 인간의 언어를 이해하는 알고리즘은 큰 수혜자가 될 것입니다.

AWS의 최대 고객 중 하나는 Amazon Own입니다. 동시에 다른 Amazon 비즈니스에서도 AWS에 대한 수요가 예측 기능에 집중되어 있습니다. 엄청난 양의 계산으로 인해 연구원들은 이러한 작업을 처리하기 위해 Inferentia라고 불리는 AWS용 새로운 칩을 설계했습니다. Jesse 씨는 이 칩이 Amazon의 다양한 기계 학습 작업에서 많은 비용을 절약하는 동시에 더 많은 고객이 클라우드 서비스를 선택하도록 유도할 것이라고 말했습니다. 제시 씨는 또한 “인페렌시아는 회사의 비용 효율성을 대폭 향상시킬 것”이라고 말했다. 소리를 인식하고 인간의 언어를 이해할 수 있는 알렉사는 자체 알고리즘 개발에 무한한 이점을 가져다 줄 것이다.

이 회사의 최신 알고리즘 벤처는 계산대가 없는 식료품점인 Amazon Go입니다. 수백 대의 카메라가 위에서 쇼핑객을 지켜보고 시각적 데이터를 3D 프로필로 변환하여 쇼핑객이 물건을 다룰 때 손과 팔을 추적합니다. 시스템은 쇼핑객이 어떤 품목을 선택하는지 확인하고 매장을 떠날 때 아마존 계정으로 비용을 청구합니다. Amazon Go의 사장인 Dilip Kumar는 시스템이 쇼핑객의 신체 움직임을 추적하는 것이 아니라고 강조합니다. 그는 이를 식별하고 Amazon 계정과 연결하는 대신 문에 바코드를 밀어서 수행한다고 말합니다. 시스템은 해당 3D 프로필의 후속 작업을 긁은 Amazon 계정에 귀속시킵니다. 쇼핑객이 무엇을 가져갈지 결정하기 위해 수백 대의 카메라에서 데이터를 학습하고 분석합니다. 아무리 노력해도 통신원은 시스템을 속여 물건을 훔칠 수 없습니다.

알고리즘 탐색 측면에서 회사의 최근 성과는 다음과 같습니다. Amazon Go는 계산원이 없는 식료품점입니다. 매장 내 수백 대의 카메라는 상시 고객 행동을 모니터링하고, 수집된 시각적 데이터를 3차원 사용자 정보로 변환합니다. 이 데이터의 목적은 상품을 픽업할 때 고객의 팔 움직임을 추적하는 것입니다. 이런 방식으로 알고리즘 시스템은 고객이 어떤 제품을 가져갔는지 알 수 있으며, 고객이 매장을 떠날 때 해당 제품에 대한 청구서를 자동으로 고객의 Amazon 계정으로 보냅니다. Amazon Go 프로젝트 책임자인 Dilip Kumar는 시스템의 목적이 고객의 신체 움직임을 추적하는 것이며 Amazon 계정에 연결하기 위해 고객의 정보를 식별하기 위해 얼굴 인식을 사용하지 않는다고 강조했습니다. 이 시스템은 수백 대의 카메라에서 정보를 수집하여 고객이 무엇을 가져갔는지 정확하게 판단하는 머신 러닝에 대한 찬사입니다. 물건을 훔치려고 할 수도 있지만 이러한 카메라 시스템은 쉽게 속지 않습니다.

목적에 적합

맞춤형

AI 신체 추적은 주문 처리 센터 내부에도 등장하고 있습니다. 회사 내부에서는 ' Amazon Go가 쇼핑객을 위해 수행하는 것과 같은 기능을 수행하는 Nike Intent 감지 시스템은 휴대용 바코드 판독기를 제거하는 것입니다. 이상적으로는 시스템이 감시하고 추적하는 동안 제품 흐름 속도를 극대화하는 것이 이상적입니다. "라고 Mr Porter는 말합니다.

인공 지능 동작 추적은 실행 센터 내에서도 역할을 합니다. Amazon은 내부적으로 Nike 의도 감지라고 알려진 파일럿 프로그램을 시작했습니다. 이 프로그램은 Amazon Go와 동일한 원칙에 따라 주문 처리 센터에서 운영됩니다. 즉, 품목이 진열대에 꺼졌다가 다시 돌아올 때 추적합니다. 아이디어는 주로 이전의 휴대용 바코드 스캐너를 제거하는 것입니다. 왜냐하면 이러한 입력 작업은 직원의 시간을 낭비하고 작동이 매우 번거롭기 때문입니다. 이상적으로 직원들은 시스템이 품목을 모니터링하고 추적하면서 어떤 선반에도 품목을 놓을 수 있었습니다. Amazon의 목표는 항상 효율성을 높이고 제품의 흐름을 최대화하는 것이었습니다. Porter 씨의 말에 따르면 이 프로세스는 “모든 직원에게 자연스럽게 느껴집니다.

”

데이터 수집에 대한 Amazon의 신중한 접근 방식은 Facebook과 Google이 최근 고객 경험 개선을 위한 목적으로만 고객 데이터를 수집하고 처리하는 정부의 조사로부터 보호해 주었습니다. 만족스러운 사용자와 고객 사이의 회색 영역에서는 작동하지 않습니다. 광고주는 사용자에게 액세스하기 위해 Facebook과 Google에 비용을 지불하기 때문에 사람들은 소셜 미디어를 사용하거나 무료로 검색합니다. (광고 판매를 노리고 있지만) 규제 당국이 우려하는 부분은 온라인 쇼핑과 클라우드 컴퓨팅이라는 핵심 사업에서 아마존의 지배력이 약화될 조짐을 보이지 않는다는 점입니다.

데이터 수집 측면에서 Amazon은 매우 신중한 경로를 선택했습니다. 따라서 Facebook 및 Google에 비해 관련 정부 부서는 Amazon에 대한 조사가 훨씬 적고 일부 부분은 Amazon이 면제될 수도 있습니다. 수집 및 처리된 사용자 정보는 사용자의 운영 경험을 개선하는 데에만 사용되며 사용자와 소비자의 요구를 충족하는 것 사이에는 회색 영역이 없습니다. 데이터 사용자와 생산자(소비자)의 차이는 일반적으로 분명합니다. 광고주는 광고가 소비자에게 도달하기 위해 Google과 Amazon에 비용을 지불하기 때문에 소셜 미디어나 무료 검색 엔진을 사용합니다(Amazon에서는 본질적으로 동일한 사람이지만 Amazon은 광고 수익에 전혀 관심이 없습니다). 그러나 Amazon은 또한 온라인 쇼핑과 클라우드 컴퓨팅이라는 두 가지 주요 비즈니스 영역에서의 독점과 같은 일부 규제 문제에 직면해 있습니다. 하지만 이 상태는 강력한 머신러닝을 기반으로 하며 쇠퇴할 조짐은 없습니다.