인공지능 개념 정리

인공지능 vs 머신러닝 vs 딥러닝

---

 

인공지능(Artificial Intelligence)

인간의 인지, 추론, 학습의 사고과정에 필요한 능력을 컴퓨터 시스템을 통해 구현함으로써 문제를 해결할 수 있는 기술

머신러닝(Machine Learning)

컴퓨터가 수많은 데이터를 스스로 학습하고 알고리즘을 통해 학습의 결과를 도출하는 인공지능의 한 분야의 학습법

딥러닝(Deep Learning)

고도화된 신경망 알고리즘을 적용하여 보다 빠르고 인간과 유사하게 행동하는 컴퓨터 프로그램을 구현한 학습방법

• 인공지능이 가장 큰 개념으로 머신러닝과 딥러닝을 포함하는 개념이지만, 실제로 요새 '인공지능한다'하면 '딥러닝한다'와 거의 동일한 개념으로 사용될 정도로, 인공지능 연구에서 딥러닝이 차지하는 비중이 커짐
• 딥러닝이 아닌 머신러닝 분야에는 수학/통계기반의 머신러닝 기법이 있으며, 여전히 많이 사용됨

 

 

 

인공지능 활용 분야

---

• 어디 이뿐만이겠느냐만은.. 모든 비즈니스 영역에서 인공지능을 도입해서 업무 효율을 높이려고 하고 있고 특히 사람의 자연어처리 부분과 이미지처리에 대한 연구가 많이 되고 있음
• 사람이 자극을 수용할 수 있는 모든 감각과 행동 영역, 그리고 판단까지 기계가 수행하도록 연구 진행
  • 눈(시각), 입/귀(언어), 손/발(로봇, 제어) , 사고(판단)

 

 

 

인공지능 연대표

---

하드웨어의 발달, 다수 은닉층으로 구성된 인공신경망 구조를 발견함에 따라, AI Winter를 극복하고 인공지능이 비약적으로 발전되기 시작함

 

 

 

 

인공지능 학습 방법

---

•인공지능 학습방법은 학습데이터의 정답(Label)이 있는지 여부에 따라 지도학습, 비지도학습으로 분류

(이미지 출처: https://www.samsungsds.com/global/ko/support/insights/Generative-adversarial-network-AI.html)

• 일부 데이터에만 정답이 있는 경우를 준지도학습(semi-supervised)으로 분류하기도 함(예: GAN)
• 지도학습의 학습 데이터의 Label을 설정하는 것에 리소스 투입이 많이 되고 있어, 이를 해결하려는 연구 진행

 

지도학습(Supervised Learning)

• 모든 입력패턴에 대해 정확한 답을 가지고 신경망을 학습하는 방법.
• 입력이 주어짐에 따라 원하는 출력값이 활성화되도록 가중치를 조절
• 각 입력자료에 대해 원하는 목표 출력값을 대응시켜 학습자료 구성

이미치 출처: https://medium.com/datadriveninvestor/supervised-and-unsupervised-learning-7281050992a0

 

 

비지도학습(Unsupervised Learning)

• 목표값없이 학습 데이터만 입력, 스스로 연결 가중치들을 학습(미리 결정된 해가 불필요)
• 주어진 입력패턴 자체를 기억시키거나**,** 유사한 패턴을 군집화 시키는데 사용
• 입력에 대한 정확한 답을 알 필요가 없으며**,** 입력 데이터에 내재된 구조나 그 사이의 관계를 파악하여 패턴들을 분류

이미치 출처: https://medium.com/datadriveninvestor/supervised-and-unsupervised-learning-7281050992a0

 

 

 

강화학습(Reinforcement Learning)

• 데이터의 상태(State)을 인식하고 이에 반응한 행위(Action)에 대하여 환경으로부터 받는 포상(Reward)을 학습하여 행위에 대한 포상을 최적화하는 정책(Model)을 찾는 기계학습
• 반복적인 결정 및 착오와 경험에 기반하여 상태의 최적의 행동을 조금씩 학습하는 알고리즘

이미지출처: https://www.kdnuggets.com/2018/03/5-things-reinforcement-learning.html

• 구성요소

  • Agent : 어떤 Environment에서 Action을 수행하는 주체
  • Environment : Agent가 Action을 수행하는 환경상태 집합
  • State : Environment의 상태 집합
  • Reward : 보상 집합
  • Action : 행동집합

• 절차

  1) Agent와 환경과의 상호 작용을 통해서 행동을 결정

  2) 반복적인 결정의 반복으로 최적의 행동으로 개선

  3) 최적 행동을 통한 Action 결정

• 대표적인 강화학습 알고리즘으로는 MTCS, DQN, A3C 등이 있으며 게임분야에서 많이 사용

 

 

인공지능 성능에 따른 분류

---

분류	상세분류	사례
약 인공지능 (Weak AI / Artificial Narrow Intelligence: ANI)	주어진 조건 아래에서만 작동 가능	구글맵스, 자율자동차, 구글번역, 페이스북 추천
강 인공지능 (Strong AI / Artificial General Intelligence : AGI)	인간과 같은 사고가 가능한 인공지능	터미네이터, 비서로봇, 공장 로봇 등
초 인공지능 (Artificial Super Intelligence : ASI)	모든 영역에서 인간을 훨씬 뛰어넘는 인공지능	“인류가 앞으로 1,000년 동안 쓸 수 있는 신 에너지원을 만들어 내 봐.” 와 같은 고차원의 명령도 가능

 

인공지능 특이점 (AI Singularity)

이미지 출처: https://www.futuristgerd.com/2018/05/new-podcast-riveting-audio-conversation-with-futurists-calum-chace-and-gerd-leonhard-ai-the-singularity-the-future-of-humans-and-machines/

• 인공지능이 비약적으로 발전해 인간의 지능을 초월하는 시점
• AI의 용도와 규제에 대한 법규 필요