각 기업은 다양한 데이터를 수집 및 분석하여 얻은 지식을 활용하는 것이 기업의 또 다른 경쟁력으로 작용하고 있다. 그러나 수집된 데이터는 서로 다른 패턴이나 규칙성이 각기 다른 이종 데이터가 많기 때문에 분석이 어렵다는 것이 또 다른 과제였다. NEC는 세계 최초로 자사의 빅데이터 분석 엔진으로 데이터에 혼합된 규칙을 자동으로 분할하고 추출하는 높은 정밀도와 해석을 성공시킨 '이종학습(Heterogeneous learning)' 기술을 소개해 본다.

이 기술은 다양한 데이터가 혼합된 데이터 간의 관련성에서 특정 규칙을 자동으로 발견하고, 분석 데이터에 따라 규칙을 설정해 하나의 규칙성만을 추출해 변화하는 데이터 속에서도 정확한 예측 및 검출할 수 있으며, 다양한 데이터 중에서 정확한 규칙을 자동으로 추출하고 그 규칙과 상황에 따라 최적으로 예측하며, 아주 복잡한 예측에 대해서도 정확한 결과를 얻을 수 있다. 또한 예측의 근거를 알기 쉽게 나타낼 수 있어 예측에 따른 근거(이유)를 확인할 수 있다.

또한 이 기술은 금융 기관의 잔액 예측이나 대규모 통신 수요 예측 등 수천만 개 이상의 샘플을 기반으로 한 초대형 데이터 분석을 가능하게 하며, 다양한 데이터에서 자동으로 여러 규칙성을 발견, 데이터 중에서 하나의 규칙성만을 발견하고 예측하는 기존 방식에서는 날씨 등 조건이 변화 데이터를 정밀하게 분석하기가 어렵지만, 이 이종학습에서는 쉽게 여러 규칙을 자동으로 발견하고 데이터의 패턴에서 규칙을 자동으로 선택한다. 또 이 기술은 기존 기술보다 약 110 배 빠른 학습 속도를 보여 주었으며, 예측 정확도 도 약 17 % 증가했다고 한다.

대표적인 유스 케이스(Use case)로는 '슈퍼 푸드 제품의 수요 예측'으로 날씨, 요일, 시간, 온도 등의 다양한 데이터를 사용하여 수요 예측을 실시하는 것으로, 품절에 의한 판매 기회 손실이나 과잉에 의한 폐기 손실 등의 과제 해결을 도모하고 낭비와 손실없는 주문 업무가 가능했다.

또한 제조업에서 '보수 부품 재고 최적화'로 내구 소비재 제조업체는 제품의 유지 보수 부품을 얼마나 재고를 확보 해야할지, 보수 부품의 구입에 소요되는 금액은 물론 재고에 따른 보관 비용, 부품 폐기 비용 등이 중요한 과제였지만 이종학습으로 과거의 부품 출하량 및 가동 대수 발매시 등의 데이터를 바탕으로 향후 부품 수요를 정밀하게 예측해 부품 재고를 20 % 절감할 수 있었으며, 이밖에 전력 및 물 사용량 수요 예측, 제품 가격 예측 등이 있다.