728x90
- 인공지능의 종류
| 약한 인공지능 (Weak AI) |
|
| 강한 인공지능 (Strong AI) |
|
| 초 인공지능 (Super AI) |
|
- 인공지능(Artificial Intelligence) : 컴퓨터가 인간의 행동을 모방할 수 있게 해주는 기술
- 머신러닝(Machine Learning) : 통계 기법을 사용하여 기계가 학습을 통해 기능을 향상시킬 수 있는 AI의 하위 기술
- 딥러닝(Deep Learning) : 다층 인공신경망(DNN)을 이용하여 정보를 처리하는 머신 러닝의 한 방법
- 인공지능의 진화 과정
- 1950-1980 지배적인 패러다임 : 인간의 모든 지식을 기호화하는 '기호주의 인공지능'
- 1960년대 : 부족한 예산, 과도한 목표, 부족한 의사소통, 하드웨어의 한계
- 인공지능의 성장 원동력은 무한히 축적되는 데이터
- 2020년 : 하드웨어의 한계는 사라지고 구글에서 개발한 머신러닝 전용 하드웨어 'TPU(Tensor Processing Unit)' 등장
- 머신러닝에서 주로 사용되는 선형대수의 연산 가속화 → 신경망 모델 학습 시간 혁신적으로 단축
- 진단, 청취, 번영, 주행, 투자, 바둑, 법 포커 등 거의 모든 분야에서 활약
- Rule-based expert system(규칙 기반 전문가 시스템)
- 'if'와 'else'로 하드 코딩된 명령을 사용하는 시스템
- 하지만 많은 상황에 대한 규칙들을 모두 만들어 낼 수 없음
- 제작한 로직이 특정 작업에만 국한
- 작업이 조금만 변경되더라도 전체 시스템을 다시 만들어야 함
- 규칙을 설계하려면 해당 분야에 대해서 잘 알고 있어야함
- 머신러닝/딥러닝은 기존 데이터를 이용하여 아직 일어나지 않은 미지의 일을 예측하기 위해 만들어진 기법
- 요구 사항 분석 → 학습 → 추론
- 일반적인 컴퓨터 사이언스는 규칙을 사람이 찾아서 기계에게 알려주는 반면
- 머신러닝은 데이터와 결과를 많이 알려주고 기계에게 규칙을 찾도록 함
- 머신러닝
- 학습을 통해 기계가 스스로 규칙을 만들어냄
- 데이터와 결과를 이용하여 특성과 패턴(모델)을 찾아내고(학습) 찾아낸 모델을 이용하여 새로운 데이터에 대한 결과(값, 분포)를 예측(추론)하는 것
- 인간이 데이터뿐 아니라 데이터에서 예상되는 해답까지 입력한 후 규칙을 뽑아내는 구조
- 이러한 구조로 뽑아낸 규칙을 신규 데이터에 적용하여 인간이 아닌 컴퓨터가 정의한 규칙을 통해 해답 산출
- 머신러닝을 위한 3가지 : 입력 데이터(사람의 음성데이터, 이미지 데이터), 예상 출력값(원고형태 데이터, 태그 데이터), 알고리즘 정확도 측정법(알고리즘 작동 방식을 조정하는 피드백 신호)
- 1990년대에 번성하기 시작 → 고속처리 하드웨어, 대규모 데이터셋을 활용하게 되며 급격하게 인기를 끎
- 딥러닝
- 머신러닝의 특정 하위 분야
- 스냅샷성 데이터(정지 영상 등)
- CNN(Convolutional Neutral Network)
- 시퀀스성 데이터(음성, 영상, 주식. 텍스트열 등)
- RNN(Recurrent Neutral Network)
- LSTM(Long Short Term Memory)
- GRU(Gate Recurrent Unit)
- 딥러닝이 빠르게 발전하고 있음을 보여주는 예 : 언어 번역
- 번역 : 인공지능의 성배 (문장을 이해하는 능력을 좌우하기 때문)
- 과거의 번역 방식 : 단어의 조합으로 번역
- 딥러닝 방식 : 문장들 사이 상관성 탐색
- 머신러닝과 딥러닝
| 구분 | 머신러닝 | 딥러닝 |
| 훈련 데이터 크기 | 작음 | 큼 |
| 시스템 성능 | 저 사양 | 고 사양 |
| feature 선택 | 전문가(사람) | 알고리즘 |
| feature 수 | 많음 | 적음 |
| 문제 해결 접근법 | 문제 분리 → 각각 답을 얻음 → 결과 통합 | end-to-end (결과를 바로 얻음) |
| 실행 시간 | 짧음 | 김 |
| 해석력 | 해석 가능 | 해석 어려움 |
- 딥러닝은 데이터가 많으면 정확도가 우수하지만 데이터가 작다면 머신러닝 알고리즘이 더 우수
728x90
댓글