인공지능 AI 기술의 이해

인공지능 AI 기술의 이해

 

인공지능 AI(Artificial Intelligence)이란?

인공지능은 인간의 추론능력과 학습능력 그리고 언어이해능력을 컴퓨터 프로그램으로 실현할 수 있는 기술입니다. 사람의 지능과 마찬가지로 학습, 문제해결능력, 범용성의 세 가지의 특징을 가지고 있습니다.

 

1. 학습

과거에는 지능을 구현하기 위해 사람이 직접 프로그램을 모두 작성하였으나, 문제가 복잡해질 수록 사람이 설계하는 것이 불가능했습니다. 이를 해결하기 위해 입력과 출력 데이터가 주어지면 규치를 자동으로 파악하는 모델을 만들었는데요. 이것이 바로 머신러닝과 딥러닝입니다.

 

2. 문제해결능력

사진 속 대상 판단과 수식 계산, 알파고의 바둑판을 이해하고 다음 수를 결정하는 것 등 문제를 해결하기 위한 지능적인 행동을 의마합니다.

 

3. 범용성

딥러닝 모델을 수정하여 다양한 분야에서 응용이 가능한 인공지능의 특징중 하나입니다.

 

인공지능 AI가 중요한 이유

. 인공지능(AI)은 반복적 학습과 데이터를 인사이트 통한 발견을 자동화합니다. 인공지능(AI)은 하드웨어에 기반을 둔 로봇 자동화와는 다른 개념으로, 수작업을 자동화 하는것을 넘어서서 반복적인 대량의 전산 작업을 간단하게 수행합니다. 이러한 유형의 자동화를 위해서는 지속적으로 시스템 설정하고 올바른 질문을 전달하는 인력의 노력이 필요합니다.

 

. 인공지능(AI)은 기존 제품에 지능을 더합니다. 인공지능(AI)이 개별 애플리케이션으로 판매되는 경우는 거의 없을 것입니다. 대신 Siri가 Apple의 신제품에 새로운 기능으로 추가된 것처럼 이미 사용 중인 제품에 인공지능(AI) 기능을 탑재해 제품 개선이 이루어질 것입니다. 자동화, 대화 플랫폼, 봇, 스마트 머신이 대량의 데이터와 결합되면서 보안 인텔리전스와 투자 분석 등 직장과 가정에서 이용하는 많은 기술들을 개선할 수 있습니다.

 

. 인공지능(AI)은 점진적인 학습 알고리즘을 통해 스스로를 개선하고 데이터가 프로그래밍을 수행하도록 지원합니다. 인공지능(AI)은 데이터의 구조와 규칙성을 찾아내고 알고리즘이 이를 학습하도록 지원하여 알고리즘을 분류 도구 호는 조건자로 만듭니다. 이러한 알고리즘은 체스를 두는 방법을 스스로 학습할 수 있는 것과 마찬가지로 사용자의 온라인 구매 제품 추천을 찾아낼 수 있습니다. 또한, 새로운 데이터가 입력됨에 따라 학습하고 그 성능이 개선됩니다. 역전파는 첫 번째 대답이 적절하지 않은 경우 새로운 학습과 추가 데이터 분석을 통해 모델이 스스로 개선할 수 있는 인공지능(AI) 기법입니다.

 

. 인공지능(AI)은 보다 많은 데이터를 깊이 있게 분석하기 위해 숨겨진 다양한 레이어를 가진 신경망을 활용합니다. 몇 년 전만해도 다섯 개의 숨겨진 레이어를 가진 사기 감지 시스템을 개발하는 일은 불가능에 가까웠지만 이제는 엄청난 컴퓨팅 파워와 빅데이터 덕분에 가능해졌습니다. 딥러닝 모델은 데이터를 이용해 직접 학습하기 때문에 많은 양의 데이터가 필요한데, 입력하는 데이터가 많을수록 정확도가 더욱 높아집니다.

 

. 인공지능(AI)은 이전에는 불가능했던 딥 신경망 분석을 통해 놀랍도록 향상된 정확도를 제공합니다. 예를 들어 Alexa, Google Search, Google Photos와 사용자의 인터랙션은 모두 딥러닝 기술을 활용하고 있으며, 더 많은 사용자들이 이러한 서비스를 이용할 수록 더 높은 정확도로 원하는 결과를 획득할 수 있습니다. 의료 분야에서는 딥러닝, 이미지 분류, 개체 인식 등 인공지능(AI) 기술들을 MRI 이미지 분석을 활용하고 있으며 숙련된 방사선 기술자 만큼이나 정확한 결과를 얻고 있습니다.

 

.인공지능(AI)은 데이터의 활용도를 극대화 합니다. 알고리즘이 셀프 러닝을 수행할 때 데이터 자체가 지적 재산이 될 수 있습니다. 모든 문제의 해답은 데이터에 있으므로 인공지능(AI)을 데이터에 적용하여 해답을 찾을 수 있습니다. 데이터의 역할이 어느때보다 중요해진 요즘에는 데이터로 경쟁 우위를 점할 수 있으며, 경쟁이 치열한 산업이라면 유사한 기술을 보유하고 있다고 하더라도 최상의 데이터를 보유한 기업이 이기게 됩니다.

 

 

그렇다면 인공지능과 딥러닝, 머신러닝은 어떻게 다를까?

대부분 인공지느(AI), 딥러닝(DeepLearning), 머신러닝(MachineLearning)을 비슷한 의미로 이해하고 있습니다. 하지만 인공지능은 가장 넓은 포괄적인 개념이며, 인공지능을 구현하는 대표적인 방법 중 하나가 머신러닝입니다. 딥러닝은 머신러닝의 여러 방법 중 하나의 방법론으로써 인공신경만(Artificial Neural Network)의 한 종류입니다.

 

딥러닝(Deep Learning)

딥러닝은 머신러닝과 비슷한 개념이며, 머신러닝은 학습에 필요한 데이터를 수동으로 제공해야 하지만, 딥러닝은 분류에 사용할 데이터를 스스로 학습할 수 있습니다. 딥러닝은 머신러닝에 속하는 대표적인 방법론 중 하나로 아래 설명드릴 3가지 머신러닝 방법론(지도학습, 비지도학습, 강화학습) 모두에 이용 될 수 있습니다.

 

머신러닝(Machine Learning)

머신러닝은 사람이 할 수 있거나 또는 하기 어려운 작업을 대신 수행할 기계를 학습을 통해 만들어내는 일련의 작업을 의마합니다. 사람이 직접 프로그래밍할 필요 없이 대량의 데이터를 접하였을 때 스스로 수정하여 원하는 결과를 얻기 위한 기술입니다. 머신러닝은 지도학습과 비지도학습, 강화학습의 세 가지 종류로 나눌 수 있습니다.

 

지도학습(Supervised Learning)

지도학습은 입력값과 결과값(정답 레이블)을 함께 주고 학습을 시키는 방법으로써 회귀,분류 등 여러 방법에 활용되니다. 주로 과거 데이터를 기반으로 앞으로 있을 이벤트를 예측합니다. 예를 들어 신용카드 거래의 사기성이라던지 보험가입자의 보험금 청구 가능성 여부 등 예측에 효과적입니다.

 

비지도학습(Unsupervised Learning)

비지도학습은  결과값 없이 입력값만 주고 학습시키는 방법으로, 데이터를 탐색하여 내부 구조와 유사한 속성을 파악합니다. 유사한 속성의 고객을 분류하고, 유사성을 근거로 마케팅 캠페인에서 고객 세크먼트를 관리합니다. 또는 고객 세그먼트를 구분 기준이 되는 주요 속성을 파악하는데 효과적입니다.

 

강화학습(Reinforcement Learning)

강화학습은 결과값이 아닌 어떤 일을 잘하였을 때 보상(Reward)을 주는 방식으로 어떤 행동(Action)이 최선인지를 학습시킵니다. 로봇과 게임 및 내비게이션 등에 이용되며 일정한 시간 내에 예상되는 보상을 극대화할 수 있는 동장을 선택하도록 합니다.