AI #3 (딥러닝, 머신러닝, 그리고 AI)

[딥 러닝, 머신러닝, 인공지능]

 

인공지능이란?

인공지능은 일반적으로 인간의 지능이 필요하거나 인간이 분석할 수 있는 것보다 규모가 큰 데이터를 포함하는 방식으로 추론, 학습 및 행동할 수 있는 컴퓨터 및 기계를 구축하는 것과 관련된 과학 분야이다.

AI는 컴퓨터 공학, 데이터 및 분석, 소프트웨어 엔지니어링, 심지어 철학을 비롯한 많은 분야를 아우르는 대규모 분야이다. 

비즈니스 수준에서 AI는 데이터 분석, 예상 및 예측, 자연어 처리, 추천, 머신 자동화, 지능형 데이터 검색 등 다양한

사용 사례를 포함하는 일련의 기술이라고 할 수 있다.

 

딥러닝이란?

딥 러닝은 인공 신경망을 사용하여 정보를 처리하고 분석하는 머신러닝의 하위 집합이다.

신경망은 딥 러닝 알고리즘 내에 여러 겹으로 겹쳐진 연산 노드로 구성되는데, 각 레이어에는

입력 레이어, 출력 레이어, 은닉 레이어가 있다.(AI #2 참고)

신경망에는 알고리즘이 학습하고 정확성을 개선하는 데 도움이 되는 학습 데이터가 입력된다.

신경망이 3개 이상의 레이어로 구성된 경우 이를 '딥'이라고 하며, 따라서 딥 러닝이라고 한다..

딥 러닝 알고리즘은 인간 뇌의 활동에서 영감을 얻었으며 논리적 구조를 갖춘 데이터를 분석하는 데 사용된다.

딥 러닝은 이미지 및 음성 인식, 객체 감지, 자연어 처리 등 오늘날 우리가 AI라고 생각하는 많은 작업에 사용된다.

딥 러닝은 데이터 세트 내에서 비선형의 복잡한 상관관계를 만들 수 있지만 머신러닝보다는

더 많은 학습 데이터와 컴퓨팅 리소스를 필요로 한다.

 

그렇다면 머신러닝이란?

머신러닝은 인공지능의 하위 집합으로, 명시적인 프로그래밍 없이도 시스템이 자율적으로 학습하고

개선할 수 있도록 지원한다. 머신러닝 알고리즘은 패턴과 데이터를 인식하고 시스템에

새로운 데이터가 입력될 때 예측을 실행하는 방식으로 작동한다.

일반적으로 머신러닝에서 지도, 비지도, 강화라는 세 가지 모델이 흔히 사용된다.

 

따라서, 머신러닝은 인공지능의 하위 집합으로, 딥 러닝은 머신러닝의 하위 집합이다..

기본적으로 모든 딥 러닝은 머신러닝이라고 할 수 있고, 모든 머신러닝은 인공지능이다.

하지만 모든 인공지능이 머신러닝인 것은 아니다.

 

지도 학습

지도 학습은 라벨이 지정된 학습 데이터(정형 데이터)를 사용하여 특정 입력을 출력에 매핑하는 머신러닝 모델이다.

지도 학습에서는 출력이 알려져 있고(예: 사과 그림 인식) 모델은 알려진 출력 데이터로 학습된다.

간단히 말해 사과 사진을 인식하도록 알고리즘을 훈련시키려면 사과라는 라벨이 지정된 사진을 입력한다.

오늘날 가장 일반적인 지도 학습 알고리즘은 다음과 같다.

• 선형 회귀( Linear regression)
• 다항식 회귀(Polynomial regression)
• K-최근접 이웃( K-Nearest Neighbor)
• 나이브 베이즈(Naïve Bayes)
• 결정 트리 (Decision tree)

 

비지도 학습

비지도 학습은 라벨이 지정되지 않은 데이터(비정형 데이터)를 사용하여 패턴을 학습하는 머신러닝 모델이다.

지도 학습과 달리 출력을 미리 알 수는 없으나, 알고리즘은 사람의 정보 입력 없이 데이터로부터 학습(따라서 비지도)하여 속성을 기반으로 한 그룹으로 분류한다. 예를 들어 알고리즘에 사과와 바나나 사진이 주어지면 어떤 사진이 사과이고 어떤 사진이 바나나인지 스스로 분류한다. 비지도 학습은 설명 모델링과 패턴 일치에 우수하다..

오늘날 가장 일반적인 비지도 학습 알고리즘은 다음과 같다.

• 퍼지 군집(Fuzzy clustring)
• K-평균 클러스터링(K-means clustring)
• 계층적 군집화(Hierarchical clustering)
• 주요 구성요소 분석
• 부분 최소 제곱 (Partial Least Squares)

 

강화 학습

강화 학습은 일련의 시행착오 실험을 통해 '실습하여 학습'하는 것으로 설명할 수 있는 머신러닝 모델이다.

'에이전트'(AI)는 성능이 원하는 범위 내에 있을 때까지 피드백 루프를 통해 정의된 작업을 수행하는 방법을 학습한다.

에이전트는 작업을 잘 수행할 때 긍정적인 강화를 받고 제대로 수행하지 않을 때는 부정적인 강화를 받는다.

강화 학습의 한 예는 Google 연구자들이 바둑 게임을 플레이하도록 강화 학습 알고리즘을 학습시킨 경우이다.

이 모델은 바둑 규칙에 대한 사전 지식이 없었고, 알고리즘이 학습됨에 따라 바둑돌을 무작위로 이동하고 '학습'하여 게임에서 인간 플레이어를 이길 수 있는 지점까지 알고리즘을 학습시켰다.

 

 

결론 : 인공지능, 머신러닝, 딥 러닝 비교

 

AI를 논의할 때 인공지능, 머신러닝, 딥 러닝이 동의어로 사용되는 경우가 많다.

이들 용어는 서로 상관 관계가 있으나 서로 혼용되어서는 안 된다.

AI는 광범위한 분야인 반면, 머신러닝은 특별히 프로그래밍하지 않고도 머신이 학습할 수 있도록 하는

AI 응용 기술이다. 머신러닝은 의사 결정 트리나 선형 회귀와 같은 더 간단한 방법을 통해 데이터에서 지식을 추출하는

수단으로서 더 명시적으로 사용되는 반면, 딥 러닝은 인공 신경망에서 볼 수 있는 고급 방법을 사용한다.

딥 러닝은 데이터 세트의 특성을 자동으로 추출하므로 사람의 개입이 덜 필요하지만, 단순한 머신러닝 기법은

보통 엔지니어가 데이터의 특성과 분류자를 수동으로 식별하고 그에 따라 알고리즘을 조정해야 하는 경우가 많다.

본질적으로 딥 러닝은 자체 오류를 통해 학습할 수 있지만 머신러닝은 개입할 수 있는 인간이 필요하다.

또한 딥 러닝에는 머신러닝보다 훨씬 더 많은 데이터가 필요하기 때문에 훨씬 더 많은 연산 능력이 요구된다.

머신러닝은 일반적으로 CPU를 실행하는 서버에서 수행할 수 있지만 딥 러닝에는 GPU와 같이 더 강력한 칩이 필요한 경우가 많다.

 

출처 - 구글 클라우드