Hype Cycle

하이프 사이클(Hype Cycle)은 기술의 성숙도를 표현하기 위한 시각적 도구이다. 과대광고 주기라고도 한다. 미국의 정보 기술 연구 및 자문 회사인 가트너에서 개발하였다.

비판
하이프 사이클은 여러 가지 측면에서 많은 비판을 받았다. 주요 비판으로는 결과물이 기술 자체의 특성을 반영하지 못한다는 점, 과학적이지 못하다는 점, 기술이 개발되는 속도에 따른 변화를 반영하지 못한다는 점 등이 있다. 또 다른 것으로는, ‘사이클’ 자체는 신기술의 마케팅에 아무런 실질적인 이득을 줄 수 없으며 단지 기존에 이미 존재하는 트렌드를 설명할 수 있을 뿐이라는 비판도 있다. 또, 유사한 성격의 방법론인 기술 준비 지수와 비교했을 때 나타나는 문제점은 다음과 같다.


‘환멸’, ‘계몽’, ‘기대’와 같은 주관적인 용어로는 대상을 객관적으로 설명하거나 기술의 현재 위치를 제대로 나타낼 수 없다.
용어가 잘못된 이해를 불러 오는 면이 있다. 사용자는 실망하기를 원치 않으므로 계몽 단계에는 해당 기술을 멀리 해야 하는 것인가?
다음 단계로 넘어 가기 위해 어떤 것이 충족되어야 하는지에 대한 설명이 없다.

출처: 위키백과 https://ko.wikipedia.org/wiki/%ED%95%98%EC%9D%B4%ED%94%84_%EC%82%AC%EC%9D%B4%ED%81%B4

[Gartner] 2023년 인공 지능 분야의 Gartner Hype Cycle의 새로운 점 (What’s New in Artificial Intelligence from the 2023 Gartner Hype Cycle)

소개
2023 Gartner Hype Cycle™은 인공지능(AI)의 중요한 혁신과 기법들을 식별하며, 변혁적 혜택을 제공하면서 동시에 불완전한 시스템의 한계와 위험을 해결하려고 합니다. 특히, 인공지능 분야에서 향후 2~5년 동안 주목해야 할 기술로 생성형 AI와 의사 결정 인텔리전스를 꼽으며 상당한 이점을 제공할 것으로 전망했습니다. 이 중 생성형 AI는 개발자와 지식 근로자의 생산성에 미치는 영향으로 인해 다양한 비즈니스 프로세스와 인적 자원의 가치가 재고될 것으로 예상합니다.


주요 내용
Gartner는 더 강력한 AI 시스템으로 향하는 생성형 AI의 움직임에 2가지 측면이 있다고 보고 있습니다.
1. 생성형 AI에 의해 촉진될 혁신 (be fueled by GenAI)
2. 생성형 AI의 발전을 촉진할 혁신 (fuel advances in GenAI)

출처 https://discuss.pytorch.kr/t/gartner-2023-gartner-hype-cycle-what-s-new-in-artificial-intelligence-from-the-2023-gartner-hype-cycle/2327/1

Synthetic data

Synthetic data(합성 데이터)는 실제 데이터를 모방하거나 재현하기 위해 생성된 가상의 데이터입니다. 이러한 데이터는 실제 데이터의 특성과 분포를 시뮬레이션하거나 모방함으로써 데이터 분석, 기계 학습 모델 훈련, 프라이버시 보호 등 다양한 목적으로 사용됩니다. Synthetic data를 생성하는 주요 이유와 방법은 다음과 같습니다:

1. 프라이버시 보호: 실제 개인 정보를 포함하는 데이터를 대중에 노출하지 않으면서 데이터 분석 및 모델 훈련을 위한 안전한 대안으로 Synthetic data가 사용됩니다. 이렇게 하면 민감한 정보의 노출을 방지하면서도 데이터 분석 및 연구를 수행할 수 있습니다.

2. 데이터 부족 문제 해결: 특정 작업 또는 분석을 위해 충분한 양의 실제 데이터가 없는 경우, Synthetic data를 생성하여 데이터 부족 문제를 해결할 수 있습니다. 이를 통해 모델을 훈련하고 테스트할 수 있으며, 예측 및 의사 결정을 개선할 수 있습니다.

3. 데이터 분포 조작: Synthetic data를 사용하면 원하는 데이터 분포를 조작하거나 조정할 수 있습니다. 이를 통해 데이터 분석 또는 모델 훈련에 필요한 특정 분포를 시뮬레이션할 수 있습니다.

Synthetic data는 다양한 방법을 사용하여 생성됩니다. 이러한 방법에는 확률 분포 모델, 생성적 적대 신경망(GANs), 잡음(노이즈) 추가, 데이터 증강 및 가상 시나리오 생성 등이 포함됩니다. Synthetic data를 생성할 때 핵심은 실제 데이터와 비슷한 특성 및 패턴을 유지하는 것이며, 이를 통해 모델이나 분석 결과가 실제 데이터에 대해 일반화될 수 있도록 보장하는 것입니다.