채용담당자가 알려주는 랜선 면접 가이드(by. 이수그룹 채용담당자)
2020년 11월 10일
2020년 귀속 온라인 연말정산 교육 및 HR 세미나 VOD 안내
2021년 1월 7일키워드로 알아보는 인공지능
[출처 : https://m.etnews.com/20200320000082, 게티이미지]
인공지능(AI)
최근에 인공지능(AI)이 전 세계적으로 관심 받고 있는 분야이자 큰 화두로 떠오르고 있는데요. 많은 분들이 인공지능에 대해서 들어보셨고, 기사 또는 실생활에서 접해보셨으리라 생각됩니다. 인공지능이 정확히 무엇인지, 어떻게 우리들 생활에 활용되고 있는지 궁금하신 분들도 많으실 텐데요. 이번 글을 통해 인공지능에 대해 조금이나마 쉽게 알려드리고자 합니다.
인공지능(Artificial Intelligence)이란?
인공지능은 ‘기계로 구현한 지능’을 의미합니다. 인간이 지니고 있는 인식, 판단 등의 지적 능력을 모델링하여 컴퓨터로 구현하고자 하는 것이죠. 인공지능이라는 학문은 최근에 인기를 얻고 있지만, 사실 엄청 오래 전에 등장한 학문입니다. 1956년 미국 다트머스 대학교에서 마빈 민스키와 클로드 섀넌 등과 함께 모인 연구가들이 인공지능이라는 명칭 하에 ‘인간의 지적 기능을 모방한 기계의 연구’를 적극적으로 개시하였습니다. 이때 인공지능의 명칭을 사용하기 시작했습니다. 즉, 현재 우리가 부르는 인공지능이라는 용어를 정립한 때입니다.
인공지능에는 다양한 기술들이 있는데, 이 기술들의 관계를 도식화하면 다음과 같습니다.
[출처 : https://live.lge.co.kr/live_with_ai_01/]
인공지능, 머신러닝, 딥러닝을 전부 다른 것으로 생각하시는 분들도 계실 텐데요. 위에서처럼 이들은 집합관계를 가지고 있습니다. 머신러닝은 인공지능을 구현하는 방법의 하나이고, 딥러닝은 머신러닝의 한 방법입니다.
머신러닝(Machine Learning)이란?
‘머신러닝(Machine Learning)’은 2000년대에 들어서 시작된 인공지능을 구현하는 방법의 하나로 빅데이터를 스스로 분석하고, 그 내용을 바탕으로 결론을 도출하는 기술입니다. 여기서 빅데이터란, 기존 데이터베이스 관리도구의 능력을 넘어서는 대량(수십 테라바이트)의 정형 또는 비정형의 데이터를 뜻합니다. 컴퓨터 시스템이 꾸준히 발전하면서 이와 같은 빅데이터가 쌓이기 시작했고, 수많은 인공지능 개발자들에 의해 데이터로부터 가치를 추출하고 결과를 분석하는 기술들이 만들어진 것이죠.
이처럼 머신러닝은 빅데이터를 활용해 컴퓨터를 학습시키고, 학습 결과로 얻어진 지능을 실제 응용에 적용하는 기술이라고 보면 됩니다. 여기서 학습이라는 용어가 등장하는데요. 컴퓨터가 오류를 줄여가는 방법으로 파라미터들을 조정하고, 이러한 과정을 반복함으로써 모델의 정확도를 높이고 인간이 지니고 있는 인식, 판단 등의 지적 능력과 유사한 결과를 기대하는 것이죠.
<머신러닝의 2단계 방법>
일반적으로 머신러닝의 방법은 2가지로 나눠집니다.
1단계 – 사람이 정답을 판단하기 위해서 봤던 트레이닝 데이터의 특징들을 추출
2단계 – 다양한 특징들을 기반으로 판단
[출처 : https://live.lge.co.kr/live_with_ai_01/]
예를 들어, 고양이를 판단하는 경우에 1단계에서 얼굴 모양, 다리의 개수, 눈의 개수, 눈⦁코⦁입의 구조, 귀의 모양 등의 특징을 추출하고 나서, 2단계에서 얼굴의 둥근 모양, 다리가 4개, 눈이 2개, 눈⦁코⦁입이 삼각형 모양, 귀는 삼각형 모양 등의 특징을 기준으로 ‘고양이’라고 판단하는 것입니다.
딥러닝(Deep Learning)이란?
2010년 이후부터 급성장을 하는 ‘딥러닝(Deep Learning)’은 컴퓨터 지능을 한 차원 더 높인 개념으로 머신러닝의 한 방법입니다. 딥러닝의 기본 원리는 1980년대에 이미 나왔습니다. 딥러닝의 기본은 머신러닝의 많은 방법 중 인간의 뇌세포 구조와 유사한 방법인 뉴럴 네트워크 구조(ANN, Artificial Neural Network)를 이용하는 방법입니다.
[출처 : 알파고에서 사용된 뉴럴 네트워크 구조, 출처 : deepmind 웹페이지 https://bit.ly/37C3IIt]
감각 기관으로부터 받아들여진 정보들이 서로 연결된 세포들을 통해서 최종 판단을 내리는 것처럼, 센서들로부터 받아진 정보들을 세포처럼 서로 연결된 네트워크 구조를 통해서 학습하고 판단하는 것입니다.
그러나 이러한 학습을 위해서는 무수히 많은 양의 데이터가 필요하고, 그 데이터를 처리할 수 있는 많은 계산이 필요하기 때문에 당시에는 적용이 어려웠습니다. 그런데 2010년대에 들어와 게임 산업이 발전하게 되면서 원활한 게임을 위한 단순 계산을 빠르게 할 수 있는 하드웨어인 GPU가 출시되면서 인공지능 분야에서도 이를 이용해 복잡한 계산을 할 수 있게 되었습니다. 이와 더불어 기술 관점에서도 성능을 높일 수 있는 새로운 계산 방법들이 연구되어 한층 더 빠르게 발전했습니다.
<머신러닝의 3가지 학습 방법>
인지과학 분야에서 사람의 학습을 몇 가지 방법으로 구분하고 있습니다. 머신러닝에서도 이러한 방법론을 적용하여 크게 3가지 학습 방법으로 구분해서 이야기하고 있습니다.
[출처 : https://live.lge.co.kr/live_with_ai_01/]
- 지도 학습(Supervised Learning)이란?
지도 학습은 정답을 알고 있는 엄마가 아이에게 말을 가르치는 것처럼, 정답을 기반으로 오류를 줄여서 학습하는 방법입니다. 아이가 2만 번을 반복하고 엄마가 정답을 알려주면서 언어가 학습된다는 말이 있는 것처럼, 반복 학습을 통해 오류를 줄여가면서 점점 더 정답에 가까워지게 됩니다.
- 비지도 학습(Unsupervised Learning)이란?
비지도 학습은 정답을 모르더라도 유사한 것들과 서로 다른 것들을 구분해서 군집을 만들 수 있도록 학습하는 방법입니다. 사람이 성장하게 되면 정답을 모르더라도 서로 유사한 데이터들끼리 모아서 군집을 만드는 지능이 생기는 것과 같은 방법입니다. 최근에는 지도 학습과 비지도 학습을 섞어서 데이터에 정답을 유추해 나가는 방법의 기술들도 많이 나오고 있으며, 이를 반지도 학습(Semi-Supervised Learning)이라고 합니다. 군집을 학습한 후에, 군집의 일부 데이터만 사람이 정답을 매겨주면, 그 군집 전체를 사람이 매긴 정답으로 볼 수 있다는 원리입니다.
- 강화 학습(Reinforcement Learning)
보상 및 벌칙과 함께 여러 번의 시행착오를 거쳐 스스로 학습하는 방법입니다. 아무리 엄마가 있더라도 정답을 알려주기가 어려운 것들이 있습니다. 아이가 스스로 일어서는 방법, 스스로 걷는 방법 등이 그 예가 될 것입니다. 스스로 넘어져 가면서 여러 번의 시행착오 끝에 자기에게 맞는 방법을 습득하게 되는 것입니다. 기존의 지도학습, 비지도 학습과 달리 보상과 벌칙이 반영된 다음 데이터가 필요하기 때문에 반복 시행을 통해서 데이터를 스스로 만들어가면서 학습해야 합니다. 따라서 일반적으로 많은 학습 시간이 필요해 컴퓨터 시뮬레이션 기반으로 빠르게 반복함으로써 이러한 학습시간의 한계점을 극복해 가고 있습니다.
우리나라의 바둑기사 이세돌을 이긴 딥마인드의 알파고가 강화학습을 적용한 대표적인 사례입니다. 시뮬레이션으로 서로 바둑을 두고, 이긴 쪽의 학습 결과를 복사해서 다시 바둑을 두는 과정을 반복함으로써 인간보다 훨씬 더 많은 경험을 통해서 실력을 높여나가는 방법입니다. 이번 글을 통해 인공지능에 대한 내용과 머신러닝, 딥러닝에 대한 내용까지 살펴봤는데요. 앞으로 이 기술들이 얼마나 더 발전하고, 우리들 삶에 얼마나 많은 부분을 차지하고 활용될 지 궁금하네요.
– 출처 및 참고
위키백과 – 빅데이터
https://ko.wikipedia.org/wiki/%EB%B9%85_%EB%8D%B0%EC%9D%B4%ED%84%B0
[AI] 인공지능의 기원과 역사 (history of artificial intelligence )AI랑 산다 #1 인공지능 역사로 알아보는 핵쉬운 용어사전
https://live.lge.co.kr/live_with_ai_01/
[함께 읽어보면 좋은 글]
MWC 2018에서 확인한 AI, 그리고 채용관리시스템
