Ai란 무엇인가? 2편 : 학습 방법, 사용 언어 , 기능

AI(인공 지능)의 학습 방법 ① 기계 학습

---

 

 

기계 학습에 대해서 학습합니다

 

기계 학습이란 AI(인공 지능)의 "학습"이다. 인간이 학습하도록"기계 자신이 학습할 "과 의미를 담고 있습니다.

즉, 프로그래머에 의해서 프로그래밍된 범위 이상을 실행할 수 있게 될 기준이 됩니다.

 

기계 학습은 크게 "교사 학습""자율 학습""강화 학습"의 3가지로 분류 됩니다. 여기에서는 각각의 구조에 대해서 해설하고 갑시다.

 

 

지도 학습

 

지도 학습은 예제와 모범답 세트 (교사 신호)을주는 인공 지능을 하나의 방향으로 학습 합니다. 일반적으로 대량의 데이터를 필요로 주어진 데이터를 기반으로 신경망 자체가 출력 결과의 옳고 그름을 판단합니다.

 

학습하지 않은 사례에 대해서도 예제에서 추측하여 판단 · 행동 할 수 있지만, "인간이 사전 지식을주지 않는 미지의 사건에 대응할 수 없다"는 단점 이 있습니다. 또한 "모범답 안을 준 인간보다 똑똑하지 않는다 '는 능력 인 한계 가 있습니다.

 

과거 데이터를 바탕으로 경향(함수)를 이끌어 내고 향후의 수치를 예측하는 "회귀"을 활용한 매출 예측, 미지의 데이터를 자동 분류하는 "분류"을 활용한 화상 분류 등의 용도로 사용되고 있습니다.

 

---

자율 학습

자율 학습은 모범 답안이 필요하지 않고 AI(인공 지능)가 자신의 활동을 바탕으로 데이터를 축적하고 스스로 학습합니다.

 

대량의 데이터를 필요로 하지 않는 학습 법입니다만, 대신 " 올바른 학습할 수 있는 환경"이 중요이 됩니다. 균형 잡힌 환경이라는 전제가 필요하고 시뮬레이션할 수 없는 현상에 대해서는 학습할 수 없습니다.

 

축적한 데이터를 분석하고 많은 중에서 유사한 것을 추출하고 그룹화하는 "크라스타링그"을 활용한 추천과 고객 분할 등의 용도로 사용되고 있습니다.

 

---

강화 학습

강화 학습은 AI(인공 지능)가 자신이 처한 환경 속에서 시행 착오를 반복하면서 최적의 행동과 가치를 찾아내학습 법. AI(인공 지능)이 자신의 행동한 결과를 인식하고 분석한다는 면에서는 자율 학습이라고 볼 수 있습니다.

 

강화 학습에서 중요한 요소를 담당하는 것이, AI(인공 지능)에 자신의 행동과 상황을 제대로 인식하는 것. 그리고 처한 환경 하에서의 결과에 대한 평가 값을 "보수"로서 학습의 단서로 갑니다.

 

예를 들어 한 게임을 하는 환경을 AI(인공 지능)에 줬다고 합니다. 교사가 없는 것도 있고 처음에는 힘을 발휘하지 않지만 경기마다 "더 많이 보수를 받으려면 어떻게 하면 좋을까"라고 AI(인공 지능)자신이 고찰. 경기를 거듭하다마다 데이터가 축적되어 가는 강해지고 갑니다.

 

이렇게 강화 학습은 응용 범위가 넓고 학습할 대상을 모델화 못할 때 큰 효과를 발휘 합니다.

---

AI(인공 지능)의 학습 방법 ② 딥 러닝(심층 학습)

 

딥-러닝은 다층화한 뉴럴 네트워크를 이용한 기계 학습 방법. 충분한 학습 데이터만 있으면 뉴럴 네트워크 자체가 데이터 군의 특징을 자동 추출이 가능합니다.

 

멀티 스케일의 중산층이 입력 데이터를 여러 크기로 잘라내고 특징을 찾아내서 주어진 데이터를 기초로 세부 패턴에서 큰 구조 전체의 윤곽까지 추출. 화상 같은 기호화 안 될 데이터 패턴 인식을 자랑으로 여기고 있습니다.

 

2016년, 딥-러닝을 코어 기술한 바둑 AI"알파 바둑(AlphaGo)"이 세계 최고 수준의 기사에 대승했다는 점에서 주목을 받았습니다.

 

 

---

GAN(적대적 생성 네트워크)

 

딥-러닝을 활용한 기술 중에서 특히 주목되는 것이 "적대적 생성 네트워크(Generative Adversarial Networks:이하, GAN)".

 

GAN은 생성 모델의 일종으로 생성 네트워크와 식별 네트워크의 2개의 네트워크로 구성됩니다. 생성 측은 식별 측을 속이려고 학습하고, 식별 측은 보다 정확하게 식별하는 학습하는 것이 큰 특징. 2개의 네트워크가 상반된 목적으로 학습하기 때문에 "적대적"이라는 명칭을 쓰고 있습니다.

 

화상 작성 시에 실재하지 않는 데이터를 생성하거나 존재하는 데이터의 특징에 맞게 변환할 수 있습니다. 예를 들면, NVIDIA가 공개하지" IMAGE INPAINTING"이라는 GAN를 활용한 도구를 사용하면, 인물이나 물건을 화상에서 지우고 배경만 가공할 수 있습니다.

 

 

 

예로서 화상 생성을 목적으로 한다면 생성 측이 이미지를 출력하고, 식별 측이 그 정부를 판정한다. 생성 측은 식별 측을 속이려고 학습하고, 식별 측은 보다 정확하게 식별하는 학습한다. 이렇게 2개의 네트워크가 상반된 목적 아래 학습하는 모습에서 적대적으로 호칭되고 있습니다.

 

상기의 화상처럼, 그림, 사진이 움직이고 대화하는 것처럼 보이기까지 가능합니다. 현재 여러 분야에서 적용이 시도되거나 응용 연구가 진행되는 향후의 발전이 기대되고 있는 기술의 1개입니다.

 

---

 

 

AI(인공 지능)개발에서 사용되는 프로그래밍 언어"Python"

 

 

AI(인공 지능)개발에서 사용하는 프로그래밍 언어의 기본이라고 하면"Python(파이썬)".

수많은 프로그래밍 언어 중에서도 코드가 다루기도 쉬워서 기계 학습에 필요한 빅 데이터 처리에 적합하다는 점이 큰 이유 입니다.

 

또 원래 과학 기술 계산을 실행하기 쉬운 데, 기계 학습용 라이브러리가 갖추어진 것부터 애용되고 있습니다.

다른 언어보다 프로그래밍 초심자라도 배우기 쉽다는 것도 있고 AI(인공 지능)붐도 함께 주목을 끌고 있습니다.

 

---

 

 

AI(인공 지능)을 활용한 기능

지금까지 소개하고 온 학습 방법을 사용하여 현재 다양한 분야에서 AI(인공 지능)가 활약하고 있습니다.

범주별로 AI(인공 지능)을 활용한 기능을 정리했으므로, 어떤 용도로 활용되고 있는지 체크하고 봅시다.

 

범주별 AI을 활용한 기능의 일례

 

카테고리활용 영역의 일례

컴퓨터 비전	화상 분류/화상 생성/객체 검출
자연 언어 처리	기계 번역/언어 모델링/질문에 응답
의료	의료 영상 분할
방법론	분산 표현(단어의 채택)/표현 학습
게임	비디오 게임, 보드 게임
그래프	링크 예측/노드 분류
연설	음성 인식/음성 합성
시계열	시계열 분류/대입
오디오	음악 생성/오디오 분류
로봇	검정/자기 위치 인식
음악	음악 정보 검색/음악 모델링
컴퓨터 코드	차원 삭감/프로그램 합성
추론	의사 결정/상식적 추론
지식 베이스	지식 그래프/인과 발견
적대성	공격/방어/적대 텍스트
기타	추천/주제 모델

(출처) Browse the State-of-the-Art in Machine Learning

 

위에서 소개한 것은 어디까지나 단 한 예입니다. 날마다, AI기술의 실용화가 진행되고 있어 앞으로 더 폭넓은 용도로 활용할 것으로 예상됩니다.

 

 

---

 

AI의 미래 ① 싱귤래리티(기술적 특이점)

싱규라리티은 AI의 미래를 생각하는 데 중요한 요소

 

싱귤래리티(기술적 특이점)과는 1980년대부터 AI연구가들 사이에서 사용되도록 된 말로, 인간과 인공 지능의 임계점을 가리키는 말입니다. 즉 인간의 뇌와 비슷한 수준의 AI(인공 지능)이 탄생하는 시점을 나타내고 있습니다.

 

일반적으로 인간과 같아진 AI(인공 지능)은 싱규라리티을 기점으로 가속도적으로 진화한다고 예측되고 있습니다. 여기서 주의하고 싶은 것이 단순히"AI(인공 지능)이 인간을 넘는다"이라고 생각하는 것은 아직은 경솔하다고 할 수 있습니다.

 

싱귤래리티다는 말이 주목을 끄는 계기를 만든 미국의 발명가 레이 커츠 와일은 "인공 지능이 인간의 지능과 융합하는 시점"이라고 정의 하고 있으며 AI(인공 지능)가 인간과 융화하는 형태로 진화하는 가능성이 지적되고 있습니다.

 

인간과 동등한 지능을 가진 AI(인공 지능)은 인간의 행동이나 사고를 대체하거나 어시스트하거나 혹은 인간과 협조하기로 사회가 크게 변화. AI(인공 지능)의 발전으로 DX이 일어나며 인간의 기본 방향도 AI(인공 지능)의 기본 방향도 본질적으로 변화할 것이라고 예측됩니다.

 

참고로, 위 레이 커츠 와일은 싱귤래리티로의 도달을 2045년과 예상 하고 있습니다.

---

AI의 미래 ② AI(인공 지능)의 진화에 없는 일, 없어지지 않는 일

 

최근 AI(인공 지능)을 활용한 테크놀로지가 가깝게 되고 편리한 세상이 되는 것을 환영하는 한편, "AI(인공 지능)이 발달함에서 인간의 일마저 빼앗는 것 아닌가"라는 우려가 있습니다.

 

각 종 미디어가 모두"이런 일은 어느 AI(인공 지능)에 도태되고 만다"라고 경종을 울리고 있기도 해서 어떻게 일을 선택해야 할지 불안하게 느끼는 사람도 많습니다.

 

그러나 사람들의 불안을 부추기게, 좀 지나친 표현이 이용되도록 느끼는 것도 많이 있습니다.

인간이 갖는 NI(자연 지능)과 컴퓨터 상에서 표현하는 AI(인공 지능)사이에는 아직 좁히지 못한 정도의 차이가 있는 것도 사실. 실제로, 현재 개발되고 있는 AI(인공 지능)의 대부분은 문제 특화형으로 1개의 모델화, 수학화한 문제의 해결에만 기능하고 있는 현실입니다.

 

"문제 특화형의 지능을 많이 모으면 좋지?"라고 생각하는 것도 있을지도 모르지만 작은 지능을 모은 곳에서 인간처럼 전체를 생각하는 지능에는 될 수 없습니다. 비록, 상술한 싱귤래리티에 도달하더라도 곧바로 AI(인공 지능)이 폭넓게 모든 문제에 대하여 생각하는 것은 아닙니다.

---

AI(인공 지능)현황

현재, 상용화가 진행되고 있는 AI기술의 대표격이라고 할 수 있는 것이 "예측". AI기술의 발전에 의한 예측의 비용이 낮아짐에 인간 사회 곳 곳에서 활용되고 있습니다.

 

예컨대 AI음성 어시스턴트도 인간이 이야기 말을 듣고, 어떤 정보를 찾는 거냐?"예측"응답을 도출하고 있습니다. 외에도 이전부터 예측을 필요로 하고 온 분야는 물론 지금까지 전망이 거의 불가능했던 분야에서도 활용되고 있습니다.

 

다만, 예측은 의사 결정에 이어지지만 어디까지나 결단하기 위한 요소의 1개에 불과합니다. 얼마나 AI(인공 지능)에 의한 예측의 정확도와 속도가 향상되더라도 현재로서는 인간의 판단이 뛰어난 경우가 많습니다.

---

AI(인공 지능)보다 인간이 뛰어남

예측은 데이터에 의존하기 때문에 사람이 AI(인공 지능)보다 뛰어나다는 점이 2개 있습니다.

 

★ 인간이 AI(인공 지능)보다 뛰어나다는 점

① AI(인공 지능)이 아직 모르는 일에 대한 지식이 있다

② 데이터가 불충분한 상태에서 결단이 뛰어나다

또 인간은 가지고 있지만 현재의 테크놀로지는 AI(인공 지능)이 가질 수 없는 3개의 데이터가 있습니다.

★ 인간은 갖고 있지만 AI(인공 지능)은 가질 수 없는 데이터

① 감각

인간의 시각·청각·후각·촉각의 대부분은 기계보다 능력이 뛰어나다.

② 인간의 취향

인간의 취향은 최종적으로 인간이 결정하기 때문에 어디까지나 데이터를 받는 신세가 된다.

③ 사생활

인간에게는 함부로 남에게 공개되지 않는 개인 정보가 있다.

상기는 예측하기 위한 충분한 데이터를 수집할 수 없어 AI(인공 지능)가 인간의 판단을 학습하고 예측할 수가 없습니다.

---

AI(인공 지능)의 진화에 따른 우려 사항

아직 AI(인공 지능)에서 해결할 수 없는 문제가 있음을 설명하고 왔지만 우려해야 할 사안도 많이 존재합니다. 특히 부의 분배가 불평등하게 될 큰 문제로 생각할 겁니다.

 

AI기술의 진화에 수반해서 사람들의 생활은 나아지고 생산성이 높아진다는 것은 많은 경제학자가 인정하는 바. 다만 부를 만들어 낼 수 있는가 하면, 소득 격차가 확산될 우려가 있습니다.

 

예컨대 AI(인공 지능)이 인간에서 일부 태스크를 빼앗더니 남은 태스크를 놓고 인간끼리의 경쟁이 격화. 결과로서 노동자의 임금은 저하합니다. 한편 자본을 소유하는 쪽에서는 생산성 향상으로 이익을 누릴 수 있고, 이전보다 격차가 커집니다.