비지도 학습(Unsupervised Learning)은 정답 레이블이 없는 데이터를 기계에 제공하고, 기계가 스스로 데이터를 분석하여 숨겨진 패턴을 찾아내도록 하는 머신러닝 방식입니다. 대표적인 예로 차원 축소(Dimension Reduction)와 군집화(Clustering)가 있습니다.
레이블링, 분류, 범주화가 되어 있지 않은 데이터 집합으로 학습이 진행되며, 알고리즘은 별도의 감독 없이 해당 데이터를 스스로 처리합니다. 비지도 학습의 궁극적인 목적은 입력 데이터를 새로운 특징(feature)이나 동일한 패턴을 공유하는 객체 집합으로 재구성하는 것입니다.
군집 분석(Cluster Analysis)이란?
군집 분석은 다양한 측정 기준에 따라 유사한 성격의 레코드들을 그룹 또는 클러스터로 형성하는 데 사용되는 기법입니다. 여기서 핵심 설계 포인트는 분석 목적에 실질적으로 도움이 되는 방식으로 클러스터를 정의하는 것입니다.
이러한 데이터 분석 기법은 천문학, 고고학, 의학, 화학, 교육학, 심리학, 언어학, 사회학 등 매우 폭넓은 분야에서 활용되고 있습니다.
대표적인 비지도 학습 사례: 구글 뉴스
구글은 군집화를 위해 비지도 학습을 활용하는 대표적인 기업입니다. 구글은 수백만 건의 뉴스 기사를 보유하고 있는데, 군집화 알고리즘은 단어 빈도, 문장 길이, 페이지 수 등 다양한 속성을 기반으로 서로 동일하거나 연관된 뉴스 기사들을 소수의 주제 그룹으로 자동 분류합니다.
비지도 학습의 다양한 활용 예시
1. 컴퓨팅 클러스터 구성
전 세계 특정 지역에서 수신된 웹 요청을 군집화한 결과를 바탕으로 서버의 지리적 위치가 결정됩니다. 이렇게 배치된 로컬 서버에는 해당 지역 사람들이 자주 생성하는 데이터만 저장되므로, 응답 속도와 효율성이 크게 향상됩니다.
2. 소셜 네트워크 분석
소셜 네트워크 분석은 사용자 간 연결 빈도를 기준으로 친구 그룹을 클러스터로 형성합니다. 이러한 분석을 통해 특정 소셜 네트워킹 서비스 이용자들 사이의 관계와 연결 구조를 파악할 수 있습니다.
3. 시장 세분화(Market Segmentation)
판매 조직은 고객의 과거 구매 내역을 바탕으로 고객을 여러 세그먼트로 나눌 수 있습니다. 예를 들어 대형 마트는 모든 고객에게 일괄적으로 프로모션 문자를 보내는 대신, 식료품을 자주 구매하는 고객에게만 식료품 관련 할인 정보를 발송할 수 있습니다.
이 방식은 비용 절감 효과뿐 아니라 마케팅 효율성 면에서도 훨씬 우수합니다. 의류만 구매하는 고객에게 식료품 광고를 보내면 오히려 불필요한 불쾌감을 줄 수 있기 때문입니다. 구매 이력을 기반으로 고객을 세분화하면 매장은 적절한 타깃 고객에게 집중적으로 마케팅하여 매출을 늘리고 수익성을 높일 수 있습니다.
4. 천문 데이터 분석
천문학자들은 은하와 별을 연구하기 위해 고성능 망원경을 사용합니다. 하늘의 여러 영역에서 수집한 빛의 패턴과 결합 정보를 분석하면 다양한 은하, 행성, 위성을 효과적으로 식별할 수 있습니다.