이 섹션에서는 머신러닝과 딥러닝의 차이점에 대해 알아본다. 기계학습은 많은 양의 데이터와 함께 작용한다. 그것은 소량의 데이터에도 유용하다. 반면에 데이터의 양이 급격히 증가하면 심층 학습이 효율적으로 작용한다. 다음 도표는 데이터의 양으로 기계학습과 심층학습의 작용을 보여준다.딥러닝 알고리즘은 기존의 머신러닝 알고리즘과는 달리 하이엔드 머신에 크게 의존하도록 설계되었다. 딥러닝 알고리즘은 다수의 매트릭스 곱셈 연산을 수행하는데, 여기에는 대량의 하드웨어 지원이 필요하다.형상 공학은 데이터의 복잡성을 줄이고 그것이 작동하는 학습 알고리즘에 가시적인 패턴을 만들기 위해 도메인 지식을 특정 형상에 넣는 과정이다. 예제: 전통적인 기계 학습 패턴은 픽셀과 기능 엔지니어링 프로세스에 필요한 다른 속성에 초점을 맞춘다. 딥러닝 알고리즘은 데이터로부터 높은 수준의 기능에 초점을 맞춘다. 그것은 모든 새로운 문제의 새로운 특징 추출기를 개발해야 하는 과제를 줄인다.전통적인 기계 학습 알고리즘은 문제를 해결하기 위한 표준 절차를 따른다. 그것은 문제를 부분으로 나누고, 각각의 문제를 해결하고, 그것들을 결합하여 필요한 결과를 얻는다. 깊은 학습은 문제를 분열로 분해하는 대신 끝에서 끝까지 해결하는 데 초점을 맞춘다.실행 시간은 알고리즘을 훈련시키는 데 필요한 시간이다. 심층 학습은 보통 때보다 시간이 더 오래 걸리는 많은 매개변수를 포함하고 있기 때문에 훈련하는 데 많은 시간이 필요하다. 기계 학습 알고리즘은 상대적으로 실행 시간이 덜 필요하다. 해석가능성은 기계학습과 심층학습 알고리즘의 비교를 위한 주요 요인이다. 그 주된 이유는 심오한 학문이 여전히 산업에서 사용되기 전에 다시 한 번 생각하게 되기 때문이다.이 섹션에서는 머신러닝과 딥러닝의 다양한 응용에 대해 알아본다.  지문이나 번호판을 통한 차량 식별을 통한 얼굴 인식 및 출석 표시에 사용되는 컴퓨터 비전.  이미지 검색을 위한 텍스트 검색과 같은 검색 엔진의 정보 검색.  특정 표적 식별 기능을 갖춘 자동화된 이메일 마케팅.  암 종양의 의학 진단 또는 만성 질환의 이상 식별  사진 태그 지정과 같은 애플리케이션을 위한 자연스러운 언어 처리. 이 시나리오를 설명하는 가장 좋은 예는 페이스북에서 사용된다.  온라인 광고.데이터 과학과 기계 학습을 산업에서 사용하는 경향이 증가함에 따라, 각 조직들이 그들의 사업에 기계 학습을 주입하는 것이 중요해질 것이다.  딥러닝은 기계학습보다 더 중요해지고 있다. 딥러닝은 최첨단 공연에서 최고의 기술 중 하나로 입증되고 있다.  기계학습과 심층학습은 연구와 학문분야에서 유익한 것으로 판명될 것이다. 이 기사에서 우리는 기계학습에 대한 개요와 삽화와 차이점 또한 미래의 트렌드에 초점을 맞춘다. 많은 AI 애플리케이션은 주로 셀프 서비스를 추진하고 에이전트 생산성과 워크플로우의 신뢰성을 높이기 위해 머신러닝 알고리즘을 활용한다. 머신러닝과 딥러닝 알고리즘은 많은 기업들과 업계 리더들에게 흥미진진한 전망을 포함하고 있다.이 장에서는 TensorFlow의 기본에 대해 배워볼 것이다. 우리는 텐서의 데이터 구조를 이해하는 것으로 시작할 것이다.텐서는 TensorFlow 언어의 기본 데이터 구조로 사용된다. 텐서는 데이터 흐름 그래프라고 하는 흐름도에서 연결 가장자리를 나타낸다. 텐터는 다차원 배열 또는 목록으로 정의된다. 텐서는 다음과 같은 세 가지 매개변수로 식별된다. 텐서 안에 기술된 치수 단위를 계급이라고 한다. 텐터의 치수를 식별한다. 텐서 등급은 정의된 텐서의 순서 또는 n-치수로 설명할 수 있다.행과 기둥의 수는 텐서의 모양을 정의한다. 텐서플로우에는 다양한 치수가 포함된다. 치수는 아래에 간략하게 설명되어 있다.배열 순서는 "2차원 텐서"를 만드는 데 사용된다. 2차원 텐서의 생성에 대해서는 아래에 기술되어 있다.2차원 텐터의 특정 요소는 인덱스 번호로 지정된 행 번호와 열 번호를 사용하여 추적할 수 있다. 이 섹션에서는 텐서 취급 및 조작에 대해 배우겠다. 우선, 다음 코드를 고려해보자. 위의 소스 코드로 다차원 어레이를 만들었다. 이제, 우리가 텐서스를 관리하고 적절한 출력을 생성하는 그래프와 세션을 만들었음을 이해하는 것이 중요하다. 그래프의 도움으로 텐서 사이의 수학 계산을 명시하는 출력을 얻을 수 있다.기계학습 개념을 이해한 후, 우리는 이제 우리의 초점을 깊은 학습 개념으로 바꿀 수 있다. 심층학습은 기계학습의 한 분야로, 최근 수십 년 동안 연구자들이 취한 중요한 단계로 간주되고 있다.

심층 학습 구현의 예에는 이미지 인식 및 음성 인식과 같은 애플리케이션이 포함된다. 다음은 심층신경망의 두 가지 중요한 유형이다:  콘볼루션신경망  재귀신경망 챕터에서는 CNN, Convolutional Neural Networks에 초점을 맞출 것이다.Convolutional Neural 네트워크는 여러 계층의 어레이를 통해 데이터를 처리하도록 설계되었다. 이러한 유형의 신경 네트워크는 이미지 인식이나 얼굴 인식과 같은 어플리케이션에 사용된다. CNN과 다른 일반 신경 네트워크의 주된 차이점은 CNN이 2차원 배열로 입력하여 다른 신경 네트워크가 집중하는 특징 추출에 초점을 맞추기보다는 이미지에 직접 작용한다는 것이다. CNN의 지배적인 접근방식은 인식 문제에 대한 해결책을 포함하고 있다. 구글과 페이스북과 같은 일류 기업들은 더 빠른 속도로 활동을 하기 위해 인식 프로젝트를 위한 연구 개발에 투자했다. 경합신경망은 세 가지 기본 사상을 사용한다:  국소 각 분야  콘볼루션  풀링 이러한 생각을 자세히 이해하도록 한다. CNN은 입력 데이터 내에 존재하는 공간적 상관관계를 이용한다. 신경 네트워크의 각 동시 층은 일부 입력 뉴런을 연결한다. 이 특정 지역을 지역 수용 분야라고 한다. 국소 수용성 장은 숨겨진 뉴런에 초점을 맞춘다. 숨겨진 뉴런은 특정 경계 밖의 변화를 깨닫지 못한 채 언급된 필드 안에서 입력 데이터를 처리한다. 위의 표현을 관찰하면, 각 연결부는 한 층에서 다른 층으로 이동하는 것과 연관된 숨겨진 뉴런의 무게를 배운다. 여기서, 개별 뉴런은 때때로 변화를 일으킨다. 이 과정을 "콘볼루션"이라고 한다. 입력 계층에서 은닉 형상 맵으로의 연결 매핑은 "공유 가중치"로 정의되며, 포함된 바이어스를 "공유 편향"이라고 한다. CNN이나 회교신경망은 CNN 선언 직후 배치되는 풀링 레이어를 사용한다. 그것은 사용자의 입력을 회선망에서 나오는 형상 맵으로 삼고 응축된 형상 맵을 준비한다. 풀링 레이어는 이전 레이어의 뉴런으로 레이어를 만드는 데 도움이 된다.이 섹션에서는 CNN의 TensorFlow 구현에 대해 알아본다. 전체 네트워크의 실행과 적절한 치수가 필요한 단계는 다음과 같다. 1단계: CNN 모델을 계산하는 데 필요한 TensorFlow에 필요한 모듈과 데이터 세트 모듈을 포함하십시오. 데이터 자리 표시자의 선언과 함께 다양한 매개변수와 최적화 변수를 포함하는 run_cnn() 함수를 선언한다. 이러한 최적화 변수는 훈련 패턴을 선언할 것이다.

텐서플로우(TensorFlow)는 기계학습과 심층학습 개념을 가장 쉬운 방법으로 구현하기 위해 구글 팀이 고안한 소프트웨어 라이브러리 또는 프레임워크다. 많은 수학 식을 쉽게 계산하기 위해 최적화 기법의 연산 대수학을 결합한다. TensorFlow의 공식 웹사이트는 다음과 같다.이제 텐서플로우의 다음과 같은 중요한 특징들을 생각해 보자:  텐서라고 하는 다차원 어레이의 도움으로 수학 식을 쉽게 정의, 최적화, 계산하는 특징을 포함한다.  깊은 신경망의 프로그래밍 지원과 기계 학습 기법을 포함한다.  다양한 데이터 세트로 확장 가능한 연산 기능을 포함한다.  TensorFlow는 GPU 컴퓨팅을 사용하여 관리를 자동화함 또한 동일한 메모리와 사용되는 데이터의 최적화의 고유한 기능도 포함한다. TensorFlow가 왜 그렇게 인기가 있을까? TensorFlow는 문서화가 잘 되어 있고 많은 기계 학습 라이브러리를 포함하고 있다. 그것은 같은 것에 몇 가지 중요한 기능성과 방법을 제공한다. 텐서플로우(TensorFlow)는 '구글(Google)' 제품으로도 불린다. 그것은 다양한 기계학습과 심층학습 알고리즘을 포함한다. TensorFlow는 손으로 된 숫자 분류, 이미지 인식, 단어 삽입 및 다양한 시퀀스 모델 생성을 위한 심층 신경 네트워크를 훈련하고 실행할 수 있다.TensorFlow를 설치하려면 시스템에 "Python"을 설치하는 것이 중요하다. Python 버전 3.4+는 TensorFlow 설치로 시작하는 것이 가장 좋은 것으로 간주된다. Windows 운영 체제에 TensorFlow를 설치하려면 다음 단계를 고려하십시오. 사용자는 시스템에 TensorFlow를 설치하기 위한 메커니즘을 선택할 수 있다. 우리는 "pip"과 "anaconda"를 추천한다. Pip은 Python에서 모듈을 실행하고 설치하는 데 사용되는 명령이다. 텐서플로우를 설치하기 전에 아나콘다 프레임워크를 시스템에 설치해야 한다. 인공지능은 기계와 특수 컴퓨터 시스템에 의한 인간 지능의 시뮬레이션 과정을 포함한다. 인공지능의 예로는 학습, 추리, 자기 수정 등이 있다. AI 애플리케이션은 음성인식, 전문가 시스템, 영상인식, 기계 비전 등이다. 머신러닝(machine learning)은 인공지능의 한 분야로, 새로운 데이터와 데이터 패턴을 학습할 수 있는 시스템과 알고리즘을 다룬다. 기계학습과 심층학습 개념을 이해하기 위해 아래에 언급된 벤 다이어그램에 초점을 맞추자. 기계학습은 기계학습의 한 부분을 포함하며 심층학습은 기계학습의 한 부분이다. 기계학습 개념을 따르는 프로그램의 능력은 관찰된 데이터의 성능을 향상시키는 것이다. 데이터 변환의 주된 동기는 미래에 더 나은 결과를 얻기 위해 그것의 지식을 향상시키고 특정 시스템에 대해 원하는 출력에 더 가까운 출력을 제공하는 것이다. 머신러닝은 데이터의 패턴을 인식하는 능력을 포함하는 "패턴 인식"을 포함한다. 패턴은 바람직한 방식으로 출력을 표시하도록 훈련되어야 한다.

감독된 학습 또는 감독된 교육에는 교육 세트를 시스템에 입력으로 제공하는 절차가 포함되며, 각 예에는 원하는 출력 값이 라벨로 표시되어 있다. 이 유형의 교육은 원하는 출력 시스템에 대한 출력 오류를 나타내는 특정 손실 기능의 최소화를 사용하여 수행된다. 훈련을 완료한 후 각 모델의 정확도는 검증 세트라고도 불리는 훈련 세트에서 예제를 분리하여 측정한다."감독된 학습"을 설명하기 위한 가장 좋은 예는 정보가 포함된 수많은 사진을 제공하는 것이다. 여기서 사용자는 새로운 사진을 인식하도록 모델을 훈련시킬 수 있다. 감독되지 않은 학습 또는 감독되지 않은 훈련에는 자신이 속한 등급의 시스템에 의해 라벨이 지정되지 않은 훈련 예를 포함한다. 시스템은 공통의 특성을 공유하는 데이터를 찾아 내부 지식의 특징을 바탕으로 변경한다. 이러한 유형의 학습 알고리즘은 기본적으로 클러스터링 문제에 사용된다."감독되지 않은 학습"을 예시할 수 있는 가장 좋은 예는 정보가 포함되지 않은 다수의 사진과 분류와 클러스터링을 갖춘 사용자 훈련 모델이다. 이러한 유형의 훈련 알고리즘은 정보가 제공되지 않는 가정과 함께 작동한다.TensorFlow에서 기본 애플리케이션을 만들기 전에 TensorFlow에 필요한 수학 개념을 이해하는 것이 중요하다. 수학은 기계학습 알고리즘의 핵심으로 간주된다. 그것은 수학의 핵심 개념의 도움을 받아 특정 기계 학습 알고리즘을 위한 솔루션이 정의된다.

연속적이거나 불연속적인 숫자의 배열을 벡터로 정의한다. 기계 학습 알고리즘은 더 나은 출력 생성을 위해 고정된 길이의 벡터를 다룬다. 기계 학습 알고리즘은 다차원 데이터를 다루기 때문에 벡터가 중요한 역할을 한다.스칼라는 1차원 벡터로 정의할 수 있다. 비늘은 크기뿐이고 방향은 없다. 스칼라만 있으면, 우리는 그 규모에 대해서만 관심이 있다. 스칼라의 예로는 아이들의 몸무게와 키 매개변수를 들 수 있다.행렬은 행과 열의 형식으로 배열된 다차원 배열로 정의할 수 있다. 행렬의 크기는 행 길이와 열 길이로 정의된다. 다음 그림은 지정된 행렬의 표현을 보여준다. 위에서 언급한 바와 같이 "m" 행과 "n" 열이 있는 행렬을 고려한다. 행렬 표현은 행렬의 길이도 정의한 "m*n 행렬"로 지정될 것이다. 이 섹션에서는 TensorFlow의 다양한 수학 계산에 대해 알아본다.행렬의 치수가 동일한 경우 2개 이상의 행렬을 추가할 수 있다. 추가란 주어진 위치에 따라 각 요소를 추가하는 것을 의미한다. 매트릭스를 추가하는 방법을 이해하려면 다음 예를 고려하십시오.매트릭스의 뺄셈은 두 매트릭스의 덧셈과 비슷한 방식으로 작용한다. 사용자는 치수가 같다면 행렬 2개를 뺄 수 있다.기계 학습은 컴퓨터가 설계되고 프로그래밍된 알고리즘에 따라 작동하도록 하는 과학 기술이다. 많은 연구자들은 기계학습이 인간 수준의 AI를 향한 진보를 이루는 최선의 방법이라고 생각한다. 기계 학습에는 다음과 같은 유형의 패턴이 포함된다.딥러닝은 기계학습의 하위 분야로서 관련 알고리즘이 인공신경망이라고 불리는 뇌의 구조와 기능에 의해 영감을 받는다. 오늘날 심층 학습의 모든 가치는 라벨이 표시된 데이터와 알고리즘에서 감독된 학습 또는 학습을 통해 이루어진다. 심층학습의 각 알고리즘은 같은 과정을 거친다. 출력으로서 통계적 모델을 생성하는 데 사용할 수 있는 입력의 비선형 변환의 계층을 포함한다. 기계 학습 프로세스를 정의하는 다음 단계를 고려하십시오.

한국 정부는 이르면 1995년 3월 한국 정보인프라(KIA) 종합계획을 수립했다. 주로 시장 경쟁과 민간 부문 투자, 이른바 KIA-Private(KIA-Private, 향후의 KIA-P)를 통해 고속·고용량 네트워크를 구축하기 위한 것이었다. KIA-P 광대역 백본 외에 KIA-G(이하 KIA-G)라 불리는 광대역 백본도 당시 존재하지 않는 광대역 인터넷 서비스 시장 육성을 목적으로 한국통신, 데이콤 등의 FPS에 의해 구축되어 위탁되었다. 2 그들은 광대역 인터넷 서비스 시장을 활성화하기 위해 정부와 자치 지역 단체, 교육 단체, 연구 기관과 같은 비영리 단체에 광대역 인터넷 서비스를 제공했다. 정부는 또한 FPS가 신기술 개발에서 위험을 회피할 수 있도록 KIA-Test bed (KIA-T, 이후)라고 불리는 시험대를 제공하고 연구개발을 지원하였다. 애초 계획은 2015년까지 FTTH(섬유 투가 전) 형태로 모든 가정에 광대역통신망을 제공한다는 것이었지만, 1999년 2010년 목표치를 수정해 총 245억 달러에 달했고, 이 가운데 정부투자는 15억 달러를 차지했다. 정부는 최근 가입자 1인당 평균 전송률이 20Mbps인 1 명에게 광대역 인터넷 서비스를 제공하는 것을 목표로 기본계획을 수정했다. 3 이 계획에 따르면 인구밀집지역은 광섬유 LAN 이더넷, VDSL, CATV 등의 형태로 100~10Mbps를 탑재하고, 희박한 농촌 지역은 ADSL과 위성으로 책임지게 된다. FPS는 자유롭게 시장에 진출하고, 진입과 가격 규제는 자유롭고, 서로 경쟁했다. 두루넷, 하나로통신 등 새로운 FPS의 시장점유율은 한국통신 등 다른 FPS의 참여를 끌어냈다. 이에 따른 자유방임시설 기반 경쟁은 정보사회 선진화의 불가결한 부분인 WTTC(Fiber-to-the-Curb)나 OTTO(Fiber-to-the-office) 이제, 이전에는 경쟁이 부족했던 '마지막 1마일'에서 평탄한 경기장이 달성되었다. 그 결과, 대도시 지역은 250~130Gbps의 전송률과 (밀도)-파장분할 다중접속률로 연결되는데, 모든 중소도시와 읍은 최대 전송률이 2.5Gbps인 광케이블을 통해 연결된다. 이 계획에 따라 KIA-G 광대역 백본을 구축하여 한국통신과 데이콤에 위탁하였다. FPS는 정부와 자치단체, 교육단체, 연구기관, 인터넷 서비스 등 비영리단체에 ATM, 임대선, 패킷, 프레임 릴레이 등의 교환선 서비스를 제공한다. KIA-G 광대역 서비스와 인터넷 서비스의 수혜자는 2000년 말 현재 28,991개 정부 및 연구기관과 10,482개 학교다. 정부는 민간과 협력하여 ATM 스위치, 100~10Gbps의 광학적 설비, ADSL과 케이블 모뎀, 소형 및 중형 라우터를 개발하였다. ATM 스위치는 KIA-G에서 사용되고 있으며, ATM 스위치의 다중 프로토콜 라벨 스위치 기능 업그레이드 기술은 KIA-G와 KIA-P에 내장될 예정이다. 또한, 정부는 주요 도시에 5기가 PoP를 연결하는 시험대를 건설하고, IPv6 백본, QoS 백본, 멀티캐스팅 백본 등 차세대 인터넷 기술 연구를 지원하였다. 아시아태평양 국가들과 일본(8M), 싱가포르(2M), 스타-TAP(45M)을 연결하는 APII 시험대가 건설되고 있으며, 중국과의 추가 연계인 트랜스 유라시아 정보 네트워크도 계획 중이다. 한편 정부는 접속 네트워크에 FSIS에서 1999년에 신흥 광대역 서비스 시장의 투자에 대한 우대 금리에 대출 7천 7백만 달러로 가치 제공했다. 추가로 7천 7백만 달러로 대출에 FSIS 2000년에, 그 상태를 덜 밀집 거주 지역, 작은 도시들과 마을과 지역 산업 단지에 투자하는 것에 제공되었다. 그때부터, 이 공공 기금 프로그램 농촌 지역으로 개편하고 2005년까지 추가 달러에 달하는 투자 923년 만원에 달하는 것을 계속하겠습니다. 정부는 전 정보통신부, 등 10개 부서와 협력하는 정보 교육 무료로 또는 할인에 제공하기로 했다. 기준의 주부, 군인, 학생들과 노인 등 10만 명의 사람들이 혜택을 받고 있다. 또한 학교에서, 운영 모바일 센터 PC와 교육자 등의 교육 시설을 갖춘 소위 정보 교육 센터를 확립했다. 정부가 1999년 4월부터 도입한 독특한 시스템은 인증 프로그램이다.

한국의 광대역 인터넷 서비스 시장이 성공적으로 도약하고 지속적으로 성장하는 데는 몇 가지 요인이 있다. 진입 및 가격 규제 완화 및 전화 접속 인터넷 접속 서비스 기반 강화, 정부의 산업 진흥 및 장려 프로그램, 엔터테인먼트 및 네트워크 게임에 대한 수요, 그리고 특화 등이다.e 도시 지리 규제완화에 박차를 가한 자유경쟁의 시장환경을 조성하는 것이 주된 동기였다. 전화 접속 인터넷 서비스 시장은 1989년 미국과의 무역 협상을 통해 완전히 개방되었다. 또한 1994년 우루과이 라운드는 등록에서 통보로 진입 및 가격조건에 대한 규제를 완화하고 국내 부가가치 서비스 제공업체의 외국인 소유 제한을 폐지하였다.5 이 기회를 이용하여, 시장은 2000년 12월 현재 82명의 ISP와 1,900만명의 인터넷 사용자들로 엄청나게 성장했다. 광대역 인터넷 서비스도 입력 및 가격에 관한 규제에서 해방된 부가가치 서비스로 분류되면서 FSP는 거의 동시에 시장에 진입하여 장시간 전화 접속 사용자들의 추락을 유도하기 위해 정액요금 소매 요금을 낮은 수준으로 책정했다. 게다가, 시장을 홍보하기 위한 정부의 노력도 무시할 수 없다. 정부는 이 시장이 출현하기 전에 고용량 백본 구축에 노력을 기울였고 비영리 단체에 광대역 인터넷 서비스를 제공했다. 또한 1999년과 2000년에는 FSP의 접속망에 대한 투자로 인한 재정 부담을 줄임으로써 시장의 굴레를 용이하게 하기 위해 FSP에 대해 프라임 레이트로 공공대출을 제공하였다. 광대역 B&A의 정보교육 프로그램과 인증제도도 광대역 인터넷 서비스 보급에 중요한 역할을 한다. 셋째, 오락 및 네트워크 게임에 대한 수요의 증가도 광대역 인터넷 서비스의 확산을 자극했다. 경험적 조사에 따르면 광대역 인터넷 가입자의 81.1%가 오락 관련 콘텐츠를 사용하고 있고, 74.6%가 네트워크 게임을 하고 있어 전화 접속 인터넷 접속 가입자의 2배에 달하는 것으로 나타났다.6 광대역통신의 성장은 IP전화 가입자의 급속한 확장과 맞물려 있다는 점도 언급할 만하다. 이들 서비스 사이의 인과관계는 그다지 명확하지 않지만, 처음에는 무료로 제공되었던 세롬 테크놀로지의 다이얼패드 서비스로 대표되는 IP전화가 광대역 인터넷 서비스의 확산을 위한 킬러 어플리케이션으로서 중요한 역할을 담당한 것으로 보인다.7 마지막으로 시장을 지원하는 주요 요인 중 하나이다. 성장은 한국의 고밀도 도시 지형이다. 전체 가구의 거의 48퍼센트는 FSP 시장 운영을 위해 규모의 경제가 충분히 작용하는 아파트 단지에 살고 있다. ADSL의 거리 문제는 한국통신의 유선센터 주변 반경 2.2km 이내에 90% 이상의 가구가 위치해 있기 때문에 적용되지 않는다. 앞서 언급했듯이, 민간 부문의 시장 경쟁은 시장 성장의 주요 원천이다. 한국 정부는 허가 및 가격에 대한 규제나 통제 없이 시장을 개방했다. 또한 시설 기반 경쟁을 우선시했다. 그 결과 소매가격은 비교적 낮은 수준으로 책정되어 단기간에 시장성장을 촉진시켰으며, 하나로통신의 FTTC와 FTTO, 한국통신의 개량형 구리선 로컬 루프, 케이블 모뎀 FSP의 HFC 네트워크를 통해 첨단 네트워크가 빠르게 보급되었다. 처음에는 월평균 25달러의 관세로 이 서비스의 경제적 생존 가능성에 대한 부정적인 견해와 치열한 경쟁에도 불구하고, 시장은 상당히 좋은 사업 모델임이 입증되었다. KT는 2002년 3월에 이 같은 균등점을 보였으며, 하나로텔레콤과 두루넷 같은 다른 FSP는 2001년에 이익을 보았고, EBITDA가 측정했으며 2002년에는 연간 순이익을 기록할 것으로 예상된다. 그 논리는 간단하다. 광대역 인터넷 서비스 시장에서 규모의 경제는 상대적으로 희박할 수 있지만, 수요가 증가함에 따라 기존 설비의 활용률이 증가하고 비용이 크게 감소하며 관련 장비의 추가 조달량은 가입자 수에 비례하여 매출이 증가할 것이다.