on
인공지능과 기계학습이란 무엇일까?
인공지능과 기계학습이란 무엇일까?
인공지능과 기계학습이란 무엇일까?
인공지능은 인공적으로 지능을 구현하여 똑똑한 기계나 시스템을 만드는 데 목적이 있습니다. 학습 능력, 추론 능력, 지각 능력 등으로 컴퓨터 프로그램으로 실현하는 것입니다. 인공지능(AI)은 의사결정과 사고 체계의 인위적 창조 방식이며 사람의 사고방식과 유사한 과정과 행위를 컴퓨터와 소프트웨어를 통하여 비슷하게 구현하는 것과 합리적이고 논리적으로 문제를 해결하는 지능 자체를 구현하는 것을 말합니다.
인공지능은 컴퓨터가 등장한 직후부터 제시됐으며 1945년 제2차 세계대전에서 암호 해독을 위해 영국에서 콜로서스를 개발했으며 1946년 세계대전 직후 미국에서 포변의 탄도 예측용으로 애니악이 개발됐습니다. 또한 IBM에서 최초의 상업용 컴퓨터 MARK-1을 1951년 영국 맨체스터 대학에 납품을 하기도 하였습니다. 많은 학자들에게 인공적인 지식의 구현이 가능할 것이라는 생각을 심어줌으로써 1956년 다트머스 워크숍에서 인공지능이라는 용어가 탄생되었습니다.
인공지능의 접근법
기호 주의 AI는 인간의 논리적 사고방식을 표현하고 실현하며 1980~1990년대 전통적인 지식표현 및 추론을 바탕으로 한 전문가 시스템입니다.
연결주의 AI는 생물학적인 학습 방식을 모사한 인공신경망으로 구현되며 딥러닝입니다.
병렬 컴퓨팅 방식의 대용량 데이터 고속 처리는 딥러닝의 학습 방식 및 속도를 획기적으로 개선합니다.
빠르고 정확한 학습방식의 개발은 음성 인식, 이미지 분류, 자동 번역, 자연어 처리 등 다양한 응용 영역에 적용되어 성능과 유용성이 입증됩니다.
인공지능을 통한 기술 혁신인 구글의 알파고, 아마존의 알렉사, 테슬라의 자율주행차는 향후 10여 년 간의 변화는 인공지능 개념이 등장한 1950년대 중반 이후 현재까지 약 60년 간의 변화를 훨씬 압도할 것으로 전망되고 있습니다. 한국의 인공지능 기술 확보 노력은 국가적 대응전략을 마련하고 역량을 집중해야 합니다. 선진국 들과의 기술 격차는 심화되고 있으며 전문인력 확보와 역동적 기술혁신 생태계 구축이 미진합니다. 하지만 많은 산업 분야에서 인공지능 적용을 시작하는 단계이므로 전략적 접근 시 경쟁력 확보가 가능할 것으로 예상되기도 합니다.
현재 인공지능 기술은 데이터 학습을 근간으로 하며 특정 분야 데이터를 확보하여 학습시킨 인공지능은 해당 산업 영역에서 충분한 경쟁력을 가질 수 있습니다. 다른 기술, 산업 혁신에도 적용될 수 있다고 판단하며 4차 산업혁명을 촉발하는 핵심 동력이 될 것입니다. 또한, 인공지능 서비스를 위한 단계 구분이 있는데 모바일 등을 통한 이미지나 텍스트 등의 데이터 획득과 데이터 가공, 반복학습을 통한 인공지능 모델 또는 알고리즘 생성과 실제 서비스 제공의 단계로 구분됩니다.
기계학습은 사람처럼 알아서 학습하여 인지 능력을 향상하고 많은 데이터들을 통해 내부로 로직을 스스로 구성하는 것을 말합니다. 기계학습은 데이터를 이용한 모델링 기법이 있는데 이것은 사진이나 소리를 통한 고양이와 강아지의 구분이며 사람의 기준과 판별 방식은 경험적이고 명확한 규칙이나 로직으로 정의하기 어렵습니다. 이러한 경험적 기준을 모델링하는 방법이기도 합니다. 즉, 컴퓨터 또는 소프트웨어가 데이터를 기반으로 스스로 발전할 수 있도록 설계된 알고리즘을 말합니다.
기계학습의 3가지 학습
1. 지도 학습
분류 값 또는 수치와 같은 주어진 목표값을 잘 예측하기 위해 데이터를 학습하는 기법
입력에 대한 정답이 있는 경우에 대해 학습 데이터와 목표 값을 대조하여 학습
회귀, 분류 문제에 주로 활용
2. 비지도 학습
데이터가 포함하고 있는 전반적인 특징이나 패턴을 찾기 위하여 데이터를 학습하는 기법
정답 없이 입력들만 주어짐
목표값 없이 학습 데이터만을 사용
클러스터링, 이상치 탐지 문제가 주로 해당
3. 강화 학습
주어진 상태에서 보상이 최대인 행동을 찾아가는 방식
학습 데이터가 불필요한 대신 상태, 행동, 보상에 대한 실험 환경이 필요함
기계학습의 인공신경회로망
인공지능의 한 분야로 인간의 신경망을 모사하여 구성한 수학적 모델
생물학적 신경세포의 정보처리 및 전달 과정을 모방
인간의 뇌가 문제를 해결하는 방식과 유사하게 구현
각 신경세포가 독립적으로 동작하기 때문에 병렬 처리에 뛰어남
많은 연결선에 정보가 분산되어 있어 일부에 문제가 발생해도 전체에 큰 영향을 주지 않음
일정 수준의 오류에 강하고 주어진 환경에 대한 우수한 학습 능력을 가지고 있음
퍼셉트론이란?
당시에 하나의 퍼셉트론으로는 배타적 논리인 XOR을 표현할 수 없다는 지적이 나옴
이후 다층 퍼셉트론을 통하여 이를 극복할 수 있음이 밝혀지고 오류역전파 알고리즘이 개발됨(1980년대 중반)
오류역전파 알고리즘도 신경망이 3 계층 이상이 되면 기울기 소실 문제가 발생함
오차가 가중치 업데이트에 적절히 반영되지 못하고 과적합되는 한계
다층 퍼셉트론에서 계층 객수나 층별 노드 수 결정에 대한 체계적인 방법이 제시되지 못함
인공신경망의 특징
구현된 신경회로망이 커지고, 복잡해질수록 더 우수한 성능을 보임
사례를 계속적으로 제시하여 지도, 비지도 학습을 수행함으로써 희망하는 형태의 매핑을 구현할 수 있음
학습이 완료되면 학습되지 않은 입력에 대해서도 올바른 결과를 산출
새로운 입력이나 일부 유실되어 완전하지 않은 정보에 대해서도 유사한 결과를 얻을 수 있음
병렬 처리 시 일부 뉴런이 고장 나거나 단절되어도 남아 있는 뉴런들에 의해 작동이 보장됨
인공신경망에서의 학습
패턴 분류에 따라 입력 값에 대해 적절한 출력 값을 내도록 신경망의 연결 가중치를 조정하는 방식으로 구현
딥러닝이란?
다층 인공신경망으로 구조가 심화된 기계학습 기법
여러 단계의 정보 표현과 추상화를 적용하는 최신 기계학습 알고리즘
아주 많은 데이터와 아주 오랜 시간의 최적화를 통해 데이터를 활용하여 학습
빅데이터 분석 기법으로도 볼 수 있음
대표적인 딥러닝 기법으로는 합성곱 신경망, 순환 신경망, 생성적 적대 신경망이 있음
딥러닝에서는 두뇌 신경망의 구조를 모사
상위 층으로 갈수록 보다 추상화된 정보가 학습 과정에서 자동으로 생성되는 다층 구조를 사용
인간의 개입을 최대한 배제하고 입력과 출력 사이의 모든 과정을 오직 데이터에서 학습하는 방향으로 문제 해결 과정의 자동화를 추구
두뇌의 또 다른 중요한 특징을 모방, 여러 뉴런이 협력하여 정보를 저장하고 처리하는 분산 표현과 정보처리를 사용
최근 과적합 문제와 느린 계산 속도 등의 한계를 극복
대규모 모델 학습이 가능하도록 하드웨어가 크게 발전
빅데이터로 인해 이용 가능하고 검증된 대량 데이터 확보와 활용이 가능
새롭고 획기적인 알고리즘이 계속 발전
클라우드, 공개 엔진 등 개방, 공유, 협업을 통한 새로운 개발 환경이 활용
from http://naver-me.tistory.com/30 by ccl(A) rewrite - 2021-08-19 04:27:35