세상에서 가장 쉬운 디지털 이해 - AI (머신러닝과 딥러닝)

지난 시간에는 AI 정의와 기술에 대해 말씀드렸는데요.

오늘은 AI 기술을 구현하는 머신러닝과 딥러닝에 대해 이야기 해 보겠습니다.

먼저, 머신러닝은 컴퓨터가 "스스로 학습하는 것처럼" 알고리즘과 기술을 개발하는 방법을 말합니다.

여기서 "스스로 학습" 이란 말이 오해를 많이 일으키는데,

AI 프로그램의 코딩이 자동적으로 이루어진다는 말은 아니구요.

대량의 인풋 데이터와 아웃풋 결과물을 사용하여

인풋으로부터 아웃풋 도출에 필요한 주요 인자들이 가장 설명력 있게 로직화 된다고 이해하면 좋을 것 같습니다.

머신러닝의 알고리즘은 크게 3가지로 분류되는데요.

​

• 지도학습 : 사람이 직접 개입하여 X와 Y를 입력한 후 X를 어떻게 로직화하면 Y가 되는지 학습하는 방식으로

우리가 통계학에서 배운 회귀와 분류가 여기에 해당됩니다.

ex) 회귀 : 다량의 관측치를 이용하여 y=ax+b에서 a와 b를 계산

• 비지도학습 : 대량의 X값만 가지고 X값의 패턴, 특성, 구조에 따라 여러가지 유형으로 분류하는 군집화 작업이 여기에 해당됩니다.
• 강화학습 : 현재의 상태에서 어떤 행동을 취하는 것이 최적인지를 외부 보상을 통해 알아내고, 보상을 최대화하는 방향으로 행동을

취하도록 하는 방식을 말합니다. 너무나도 유명한 알파고도 이러한 강화학습을 통해 만들어 졌습니다.

​

한편, 딥러닝은 머신러닝의 일종으로 인간의 뇌를 모사한 인공신경망 알고리즘을 말합니다.

딥러닝은 디지털 시대, 홍수처럼 쏟아지는 대량의 데이터와 컴퓨팅 기술의 급격한 발전에 힘입어

AI 분야를 빠르게 발전시키게 됩니다.

​

먼저, 퍼셉트론 (단층신경망)은 인간의 뇌구조를 모방하는데

대량의 데이터 기반 인공신경망 학습을 통해 각 노드간 가중치(W)를 업데이트 하게 됩니다.

결국, AI가 스스로 학습한다는 것은 이 W를 구하는 과정이며,

W를 얼마나 복잡하고 다층적으로 설계하고 구현하느냐가 AI 성능의 핵심이라고 할 수 있습니다.

​

또한 2006년에는 제프리 힌튼이 DNN(심층신경망)을 효과적으로 학습시키는 방법을 고안했으며

이를 기반으로 2012년 이미지 인식대회 에서 압도적으로 우승하면서 주목 받기 시작합니다.

​

<합성곱신경망, CNN : 이미지인식>

​

<순환신경망, RNN : 자연어처리>

한편, 2017년에 발표된 구글의 트랜스포머는

문장 속 단어와 같은 순차 데이터 내의 관계를 추적해 맥락과 의미를 학습하는 신경망으로

자연어처리뿐만 아니라 이미지처리분야에서도 좋은 결과를 만들어 내고 있어

상기 CNN과 RNN을 대체하는 기술로 각광받고 있습니다.

​

지금까지 말씀드린 내용을 요약해 보면,

​

AI에서 얘기하는 머신러닝과 딥러닝은

(1) AI 프로그램이 저절로 코딩된다는 의미가 아니라,

(2) X로부터 Y를 찾는데 필요한 W(가중치)를 결정, 즉 가장 설명력 있게 로직화하는 작업이며,

(3) 이는 CNN, RNN, 트랜스포머 같은 알고리즘을 사용하며,

얼마나 다층적이고 미세하게 학습시키느냐에 따라 AI 프로그램의 성능이 결정됨을 의미한다.

(4) 또한 이와 같은 AI 발전은 디지털 시대, 다량의 정형/비정형 데이터,

GPU 같은 병렬처리가 가능한 컴퓨팅 기술의 발달에 기인한 것이다.

​