Coin AD

AI(인공지능) 이란 ?

먼저 인공 지능(AI)은 동적 컴퓨팅 환경에 내장된 알고리즘을 생성하고 적용하여 인간의 지능을 모방하는 기초 지능입니다. 간단히 말해서 AI는 인간처럼 사고하고 행동하는 컴퓨터를 만들려고 합니다.

이 목표를 달성하려면 세 가지 핵심 구성 요소가 필요합니다.

• 계산 시스템
• 데이터와 데이터 관리
• 고급 AI 알고리즘(코드)

더 인간다운 결과를 원할수록 더 많은 데이터와 처리 성능이 필요합니다.

인공지능(AI)의 역사를 알아보면 기원전 1세기 이후 인간은 인간의 두뇌를 모방하는 기계를 만들 가능성에 강한 흥미를 느꼈습니다. 현대에 들어서는 1955년에 존 매카시가 인공 지능이라는 용어를 만들었습니다. 1956년에 매카시는 다른 사람들과 함께 “인공 지능에 대한 다트머스 여름 연구 프로젝트(Dartmouth Summer Research Project on Artificial Intelligence)”라는 명칭의 컨퍼런스를 개최했고, 이 시작은 머신 러닝, 딥 러닝, 예측 분석, 규범적 분석의 탄생으로 이어졌습니다. 또한 완전히 새로운 연구 분야인 데이터 과학도 등장하게 되었습니다.

인공지능이 중요한 이유는 오늘날 인간과 기계 모두에서 생성되는 데이터의 양은 이 데이터를 흡수하고 해석하고 복잡한 의사 결정을 내리는 인간의 능력을 훨씬 넘습니다. 인공 지능은 모든 컴퓨터 학습의 기초이자 모든 복잡한 의사 결정의 미래입니다. 컴퓨터는 조합과 순열을 계산하여 최상의 결정을 내리는 데 있어서 매우 효율적이기 때문에 AI는 머신 러닝의 논리적 발전 그리고 딥 러닝은 비즈니스 의사 결정의 기반이 되는 미래 기술입니다.

인공지능(AI)의 경우 딥러닝과 머신러닝을 포함한 포괄적인 단어입니다. 즉, 머신러닝과 딥러닝 모두 아래의 그림처럼 인공지능에 포함되어 있습니다.

Machine Learning(머신러닝) 이란 ?

1959년 아서 사무엘이 "기계가 일일이 코드로 명시하지 않은 동작을 데이터로부터 학습하여 실행할 수 있도록 하는 알고리즘을 개발하는 연구 분야"라고 정의하면서 머신러닝이라고 불리게 되었습니다.

 과거에는 인공지능을 개발할 때 해당 분야의 전문가들이 만든 많은 양의 샘플들을 데이터 베이스화 하여 자료들을 일일이 수작업으로 컴퓨터에 직접 등록하는 방법을 사용했습니다. 하지만 이런 방법은 대부분의 작업이 사람의 손을 거쳐야 하므로 필연적으로 많은 시간과 노력, 비용이 발생하게 됩니다. 또한, 시대가 발전함에 따라 사람조차 명확하게 구분할 수 없는 지식(no explicit knowledge)을 구현해야 하거나, 사람이 일일이 구현하기에는 너무 많은 양의 규칙들이 필요한 경우가 생겨나기 시작합니다. 이러한 경우에 사용할 수 있도록 고안된 방법이 머신러닝(Machine Learning)입니다.

머신러닝은 컴퓨터를 인간처럼 학습시킴으로써 컴퓨터가 새로운 규칙을 생성할 수 있지 않을까 하는 시도에서 시작되어 컴퓨터가 스스로 학습할 수 있도록 도와주는 알고리즘이나 기술을 개발하는 분야를 말합니다. 일반적으로 머신러닝이란 알고리즘을 이용하여 데이터를 분석하고, 분석 결과를 스스로 학습한 후, 이를 기반으로 어떠한 판단이나 예측을 하는 것을 의미합니다. 따라서 머신러닝에서는 양질의 데이터가 매우 중요한 역할을 하며, 양질의 데이터를 많이 보유할수록 보다 높은 성능을 이끌어낼 수 있게 됩니다. 이러한 양질의 데이터를 얻기 위해 데이터 분석 과정 중에 데이터 정제 과정을 거칩니다.

머신러닝(Machine Learning)은 2000년대에 들어서 시작된 인공지능을 구현하는 방법의 하나로 빅데이터를 스스로 분석하고, 그 내용을 바탕으로 결론을 도출하는 기술입니다. 여기서 빅데이터란, 기존 데이터베이스 관리도구의 능력을 넘어서는 대량(수십 테라 ~ 페타바이트)의 정형 또는 비정형의 데이터를 뜻합니다. 기술 향상으로 컴퓨터 시스템이 꾸준히 발전하면서 시스템을 개발, 운영하는 과정에서 수많은 데이터들이 쌓이기 시작했습니다. 인공지능 개발자들은 이 속에서 전문가와 같은 고급 지식이 아니더라도, 데이터로부터 사람 수준의 간단한 지능을 구현할 방법을 고민하게 되었고, 데이터에 사람이 생각하는 정답(label)을 매겨서 계산하고, 사람의 생각과 차이가 나는 오류를 줄여가는 방법으로 수정하고, 이러한 과정을 반복함으로써 사람의 생각과 유사하게 만들 수 있을 것이라는 방법을 생각했습니다.

이러한 과정을 학습(training)이라고 부르고, 학습 결과로 얻어진 지능을 실제 응용에 적용하는 이 기술을 바로 “머신러닝(Machine Learning)”이라고 부릅니다.

머신러닝의 2단계 방법

1단계 – 사람이 정답을 판단하기 위해서 봤던 트레이닝 데이터의 특징들을 추출

2단계 – 다양한 특징들을 기반으로 판단

예를 들어, 고양이를 판단하는 경우에 1단계에서 얼굴 모양, 다리/눈의 개수, 눈/코/입의 구조, 귀의 모양 등의 특징을 추출하고 나서, 2단계에서 얼굴의 둥근 모양, 다리가 4개, 눈이 2개, 눈/코/입/귀 삼각형 모양 등의 특징을 기준으로 “고양이”라고 판단하는 것입니다.

머신러닝의 학습 방법

인지과학 분야에서 사람의 학습을 몇 가지 방법으로 구분하고 있습니다. 머신러닝에서도 이러한 방법론을 적용하여 크게 3가지 학습 방법으로 구분해서 이야기하고 있습니다.

지도 학습(Supervised Learning)

• 입력 값과 함께 결과 값(정답 레이블)을 같이 주고 학습을 시키는 방법
• 예를 들면, 정답을 알고 있는 엄마가 아이에게 말을 가르치는 것처럼, 정답을 기반으로 오류를 줄여서 학습하는 방법 즉, 반복 학습을 통해 오류를 줄여가면서 점차 정답에 가까워지는 방법
• 대표적인 알고리즘 – 분류(Classification), 회귀(Regression)
  • 분류(Classfifcation)
    데이터가 범주형 변수를 예측하기 위해 사용될 때
    이미지에 강아지나 고양이와 같은 레이블을 할당하는 경우에 해당
    • 이진 분류(Binary Classification) : 레이블이 두 개인 경우
    • 다중 클래스 분류(Multi-Class Classification) : 범주가 두 개 이상인 경우
    • 활용 사례
      • 스팸 필터 – 여러가지 메일과 발송 기관 등을 샘플로 훈련하여 스팸메일인지 아닌지를 분류
  • 회귀(Regression)
    연속 값을 예측할 때
    트레이닝 데이터를 이용하여 연속적인 값을 예측하는 것
    • 활용 사례
      • 중고차 가격 예측 – 대량의 중고차 판매 데이터에서 주행거리, 연식, 브랜드 등을 사용하여 중고차 가격 예측

비지도 학습(Unsupervised Learnging)

• 지도 학습과 달리 정답을 알려주지 않고 예측하는 방법
• 정답을 모르더라도 유사한 것들과 서로 다른 것들을 구분해서 군집을 만들 수 있는 학습 방법
• 예를 들면, 아이가 자라면서 처음 보는 장난감도 엄마의 화장품이나 맛있는 음식과 다르다는 것을 구분할 수 있게 되고, 많은 사람이 말하더라도 엄마의 목소리를 구분해 낼 수 있는 것과 같은 방법
• 대표적인 알고리즘 – 클러스터링(Clustering), 차원 축소(Dimension Reduction)
  • 클러스터링(Clustering) 특정 기준에 따라 유사한 데이터 사례들을 하나의 세트로 그룹화합니다. 이 과정은 종종 전체 데이터 세트를 여러 글부으로 분류하기 위해 사용됩니다. 사용자는 고유한 패턴을 찾기 위해 개별 그룹 차원에서 분석을 수행할 수 있습니다.
    • 활용 분야
      1. 클러스터링은 시장의 세그멘테이션을 할 때 유용한데, 하나의 시장을 여러 고객의 하위군집으로 구분하는 것을 말합니다. 클러스터링의 평가는 하나의 클러스터 내의 고객들의 구매 패턴이 비슷하고, 그들의 구매 패턴이 다른 군집의 고객들과는 구분되는지 확인하여 파악할 수 있습니다.
      2. 문서 데이터의 클러스터링이 있습니다. 이 때 목적은 각 문서에서 나타나는 키워드를 중심으로 각 문서끼리 얼마나 비슷한지, 다른지를 분석하는 것입니다. 이를 위해서는 먼저 각 문서에 나타나는 어떤 용어들이 자주 나타나는지를 확인하고, 빈도수에 따라 유사성(similarity)를 구분합니다. 검색엔진은 이를 바탕으로 우리가 어떤 키워드를 검색했을 때 그 키워드 관련 문서들을 보여줍니다.
  • 차원 축소(Dimension Reduction) 고려 중인 변수의 개수를 줄이는 작업입니다. 많은 애플리케이션에서 원시 데이터(raw data)는 아주 높은 차원의 특징을 지닙니다. 이때 일부 특징들은 중복되거나 작업과 아무 관련이 없습니다. 따라서 차원 수를 줄이면 관계를 도출하기 용이해집니다.

반지도 학습(Semi-Supervised Learning)

• 지도 학습과 비지도 학습을 섞어서 정답을 유추해 나가는 방법
• 군집을 학습한 후에, 군집의 일부 데이터만 사람이 정답을 매겨주면, 그 군집 전체를 사람이 매긴 정답으로 볼 수 있다는 원리
• 예를 들면, 구글 포토 호스팅 서비스나 아이폰의 인물 사진처럼 여러 명의 인물 사진을 올리면 자동으로 사람을 인식하여 학습시킵니다.. 이 사람들이 누구인가하는 정보로 사람의 레이블이 주어지면 편리하게 해당 사람이 들어간 사진을 찾을 수 있습니다.

강화 학습(Reinforcement Learning)

• 보상 및 벌칙과 함께 여러 번의 시행착오를 거쳐 스스로 학습하는 방법
• 예를 들면, 아이가 스스로 일어서는 방법, 스스로 걷는 방법 등은 엄마가 있더라도 정답을 알려주기 어려운 것들입니다. 스스로 넘어져 가면서 여러 번의 시행착오 끝에 자기에게 맞는 방법을 습득하게 되는 것과 같은 방법
• 기존의 지도학습, 비지도 학습과 달리 보상과 벌칙이 반영된 다음 데이터가 필요하기 때문에 반복 시행을 통해서 데이터를 스스로 만들어가면서 학습해야 합니다. 따라서 일반적으로 많은 학습 시간이 필요해 컴퓨터 시뮬레이션 기반으로 빠르게 반복함으로써 이러한 학습시간의 한계점을 극복해 가고 있습니다.
• 우리나라의 바둑기사 이세돌을 이긴 딥마인드의 알파고가 강화학습을 적용한 대표적인 사례입니다. 시뮬레이션으로 서로 바둑을 두고, 이긴 쪽의 학습 결과를 복사해서 다시 바둑을 두는 과정을 반복함으로써 인간보다 훨씬 더 많은 경험을 통해서 실력을 높여나가는 방법입니다.

머신러닝의 장점과 단점

머신러닝이 할 수 있는 일과 할 수 없는 일을 살펴보겠습니다.

머신러닝 모델의 장점

• 인간이 놓칠 수 있는 데이터 추세와 패턴을 식별할 수 있습니다.
• 설정 후 사람의 개입 없이 작업할 수 있습니다.
  예를 들어 사이버 보안 소프트웨어의 머신러닝은 관리자 입력 없이 네트워크 트래픽의 불규칙성을 지속적으로 모니터링하고 식별할 수 있습니다.
• 결과는 시간이 지남에 따라 더 정확해질 수 있습니다.
• 동적, 대용량 및 복잡한 데이터 환경에서 다양한 데이터 형식을 처리할 수 있습니다.

머신러닝 모델의 단점

• 초기 훈련은 비용과 시간이 많이 소요되는 과정입니다. 충분한 데이터를 사용할 수 없으면 구현이 어려울 수 있습니다.
• 사내에 하드웨어를 설치하는 경우 막대한 초기 투자가 필요한 컴퓨팅 집약적 프로세스입니다.
• 전문가의 도움 없이 결과를 정확하게 해석하고 불확실성을 없애기 어려울 수 있습니다.

머신러닝의 대표적인 적용 사례

• 이미지 분류 : 제품 생산 시 제품의 이미지를 분석해 자동으로 분류하는 시스템
• 시맨틱 분할 : 인간의 뇌를 스캔하여 종양 여부의 진단
• 텍스트 분류(자연어 처리) : 자동으로 뉴스, 블로그 등의 게시글 분류
• 텍스트 분류 : 토론 또는 사이트 등에서의 부정적인 코멘트를 자동으로 구분
• 텍스트 요약 : 긴 문서를 자동으로 요약하여 요점 정리
• 자연어 이해 : 챗봇(chatbot) 또는 인공지능 비서 만들기
• 회귀 분석 : 회사의 내년도 수익 예측
• 음성 인식 : 음성 명령에 반응하는 프로그램
• 이상치 탐지 : 신용 카드 부정 거래 감지
• 군집 작업 : 구매 이력을 기반으로 고객 분류 후 서로 다른 마케팅 전략 계획
• 데이터 시각화 : 고차원의 복잡한 데이터셋을 그래프와 같은 효율적인 시각 표현
• 추천 시스템 : 과거 구매이력, 관심 상품, 찜 목록 등을 분석하여 상품 추천
• 강화 학습 : 지능형 게임 봇 만들기

Deep Learning(딥러닝) 이란 ?

여러 층을 가진 인공신경망(Artificial Neural Network, ANN)을 사용하여 머신러닝 학습을 수행하는 것으로 심층학습이라고도 부릅니다. 따라서 딥러닝은 머신러닝과 전혀 다른 개념이 아니라 머신러닝의 한 종류라고 할 수 있습니다.

기존의 머신러닝에서는 학습하려는 데이터의 여러 특징 중에서 어떤 특징을 추출할지를 사람이 직접 분석하고 판단해야만 했습니다.

하지만 딥러닝에서는 기계가 자동으로 학습하려는 데이터에서 특징을 추출하여 학습하게 됩니다.

이처럼 딥러닝과 머신러닝의 가장 큰 차이점은 바로 기계의 자가 학습 여부로 볼 수 있습니다.

따라서 딥러닝이란 기계가 자동으로 대규모 데이터에서 중요한 패턴 및 규칙을 학습하고, 이를 토대로 의사결정이나 예측 등을 수행하는 기술로 정의내릴 수 있습니다.

데이터에서 표현 학습하기

딥러닝을 이해하기 위해서는 먼저 머신러닝 알고리즘이 하는 일이 무엇인지 알아야 합니다. 머신러닝은 샘플과 기댓값이 주어졌을 때 데이터 처리 작업을 위한 실행 규칙을 찾는 것입니다. 머신러닝을 하기 위해서는 세 가지가 필요합니다.

• 입력 데이터 포인트
  예를 들어 주어진 문제가 이미지 태깅에 관한 작업이라면 데이터 포인트는 사진이 됩니다. 만약 음성 인식이라면, 이 데이터 포인트는 사람의 대화가 녹음된 사운드 파일입니다.
• 기대 출력
  이미지 작업에서 기대하는 출력은 “강아지”, “고양이” 등과 같은 태그입니다. 음성 인식 작업에서는 사람이 사운드 파일을 듣고 옮긴 글입니다.
• 알고리즘의 성능을 측정하는 방법
  알고리즘의 현재 출력과 기대 출력 간의 차이를 결정하기 위해 필요합니다. 측정값은 알고리즘의 작동 방식을 교정하기 위한 신호로 다시 피드백됩니다. 이런 수정 단계를 학습(learning)이라고 말합니다.

머신러닝 모델은 입력 데이터를 의미 있는 출력으로 변환합니다. 이것이 알고 있는 입력과 출력의 샘플로부터 학습하는 과정입니다. 그렇기 때문에 머신러닝과 딥러닝의 핵심 문제는 의미 있는 데이터로의 변환입니다. 다시 말하면 입력 데이터를 기반으로 기대 출력에 가깝게 만드는 유용한 표현(representation)을 학습하는 것입니다.

여기에서 표현이란 무엇일까요? 예를 들어 ‘이미지에 있는 모든 빨간색 픽셀을 선택’하는 문제는 RGB 포맷에서는 쉽습니다. 반면에 ‘이미지의 채도를 낮추는’ 것은 HSV 포맷이 더 쉽습니다. 머신러닝 모델은 입력 데이터에서 적절한 표현을 찾는 것입니다. 이런 데이터 변환은 분류 작업 같은 문제를 더 쉽게 해결할 수 있도록 만들어 줍니다.

딥러닝에서 ‘딥’이란?

딥러닝은 머신러닝의 특정한 한 분야로서 연속된 층(layer)에서 점진적으로 의미 있는 표현을 배우는 데 강점이 있으며, 데이터로부터 표현을 학습하는 새로운 방식입니다.

딥러닝의 딥(deep)이란 단어가 어떤 깊은 통찰을 얻을 수 있는 것을 의미하지는 않고, 그냥 연속된 층으로 표현을 학습한다는 개념을 나타냅니다. 데이터로부터 모델을 만드는 데 얼마나 많은 층을 사용했는지가 그 모델의 깊이가 됩니다.

최근의 딥러닝 모델은 표현 학습을 위해 수십 개, 수백 개의 연속된 층을 가지고 있습니다. 이 층들을 모두 훈련 데이터에 노출해서 자동으로 학습시킵니다.

딥러닝에서는 기본 층을 겹겹이 쌓아 올려 구성한 신경망(neural network)이라는 모델을 사용하여 표현 층을 학습합니다. 신경망이란 단어는 신경 생물학의 용어입니다. 딥러닝의 일부 핵심 개념이 뇌 구조를 이해하는 것에서부터 영감을 얻어 개발된 부분이 있지만, 딥러닝 모델이 뇌를 모델링한 것은 아닙니다. 그냥 데이터로부터 표현을 학습하는 수학 모델일 뿐입니다.

딥러닝의 작동 원리

인공 신경망

머신러닝의 한 기법인 딥러닝은 특정 형식의 인공 신경망(Artificial Neural Network, ANN)을 사용하며, 우선 샘플 데이터를 통한 훈련 작업이 필요합니다. 그 이후에는 훈련된 ANN을 해당 작업에 사용할 수 있습니다. 훈련된 ANN을 사용하는 것을 “추론”이라고 합니다. 추론이 진행되는 동안 ANN은 학습된 규칙에 따라 제공된 데이터에 대한 평가 결과를 다시 보고합니다. 이러한 평가 결과는 입력 이미지에 결함이 있는지 또는 오류가 없는 객체를 나타내는지에 대한 추정 등이 될 수 있습니다.

 

뉴런, 계층 및 연결

인공신경망(ANN)은 서로 연결된 “뉴런” 계층으로 구성됩니다. 가장 간단한 경우, 이 계층은 입력 계층과 출력 계층으로 구성됩니다. 뉴런과 연결(link)은 매트릭스에 비유할 수 있습니다. 링크 매트릭스는 입력 매트릭스 개별 값과 결과 매트릭스의 값 사이의 연결을 포함합니다. 연결 매트릭스의 값에는 각 연결의 가중치가 포함됩니다. 입력 값과 논리 매트릭스의 값에 가중치를 반영하면 결과 매트릭스의 개별 값이 생성됩니다.

 

심층 인공 신경망

딥러닝이라는 용어는 소위 “심층” 인공 신경망(ANN)에 대한 훈련을 의미합니다. 이 인공 신경망은 입력 및 출력 계층 뿐만 아니라 입력 및 출력을 위한 가시적인 계층 사이에 존재하는 수백 개의 추가적인 “숨겨진” 계층으로 구성됩니다. 숨겨진 계층의 결과 매트릭스는 다음 계층의 입력 매트릭스로 사용됩니다. 이 경우에는 마지막 계층의 출력 매트릭스에만 결과가 포함됩니다.

 

훈련

인공 신경망(ANN)을 훈련할 때 초기 초점은 무작위로 설정됩니다. 그리고 나서 샘플 데이터가 서서히 추가됩니다. 학습 규칙은 입력 데이터 및 예상 결과에 따라 관계의 가중치를 조정하는 데 사용됩니다. 결과에 대한 평가의 정확성을 의미하는 ANN의 궁극적인 효과는 훈련에서 사용되는 예시 데이터에 큰 영향을 받습니다.

일반적으로 훈련 내용에 변동성이 높은 예시 데이터가 많이 포함될수록 추론에서 더 정확한 결과를 얻을 수 있습니다. 매우 유사하거나 반복적인 데이터를 사용하여 훈련을 수행하는 경우, ANN은 예시 데이터와 다른 분야의 데이터를 추정할 수 없게 됩니다. 이 경우 우리는 ANN이 “과적합(overfit)”하다고 표현합니다.

딥러닝의 성과

딥러닝은 머신러닝의 오래된 하위 분야이지만 2010년 초가 되어서야 유명해졌습니다. 이때부터 몇 년 동안 이 분야에서 일어난 혁신은 결코 작지 않습니다. 사람에게는 자연스럽고 직관적으로 보이지만 기계로는 오랫동안 해결하기 어려웠던 시각과 청각 같은 지각의 문제에서 괄목할 만한 성과를 냈습니다.

특히 딥러닝은 다음과 같은 획기적인 발전을 이루었습니다. 모두가 머신러닝에서는 오랫동안 어려운 문제였습니다.

• 사람과 비슷한 수준의 이미지 분류, 음성 인식, 필기 인식, 자율 주행 능력
• 향상된 기계 번역
• 향상된 TTS(Text-To-Speech) 변환
• 구글 나우(Now)와 아마존 알렉사(Alexa) 같은 디지털 비서
• 구글, 바이두(Baidu), 빙(Bing)에서 사용하는 향상된 광고 타기팅(targeting)
• 향상된 웹 검색 엔진의 결과
• 자연어 질문에 대답하는 능력
• 사람을 능가하는 바둑 실력

우리는 여전히 딥러닝이 할 수 있는 일의 전체 크기를 알아 가는 중입니다. 지각과 자연어 인식 외에 형식 추론(formal reasoning)과 같은 다양한 문제에 적용하기 시작했습니다. 만약 성공한다면 딥러닝이 과학, 소프트웨어 개발 등에서 사람을 보조하게 되는 시대를 알리는 것일지도 모릅니다.

이상 인공지능, 머신러닝, 인공지능의 개념에 대해서 알아보았습니다. 인공지능 분야는 예전부터 존재했지만 최근에서야 고사양의 GPU가 탄생하며 각광받게 되었습니다. 빠른 기간안에 다양한 분야에서 발전하고 있는만큼 앞으로의 미래산업에도 큰 영향을 끼칠 기술같습니다. 

-Reference

- https://www.codestates.com/blog/content/%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D-%EB%94%A5%EB%9F%AC%EB%8B%9D%EA%B0%9C%EB%85%90

- https://ai.stackexchange.com/questions/15859/is-machine-learning-required-for-deep-learning

- https://modulabs.co.kr/blog/machine-learning/

- https://modulabs.co.kr/blog/deep-learning-2/