인공지능이 널리 알려지면서 유사한 개념도 많이 소개되었다. 대표적인 예로 머신 러닝과 딥 러닝이 있습니다. 많이 들어봤지만 뭐가 뭔지 구분이 안 될 정도로 굉장히 어려운 개념이다. 하나씩 소개하겠습니다. 먼저 인공지능은 인간처럼 생각하는 지능을 말한다. 가장 큰 컨셉입니다. 그리고 기계 학습과 같은 인공 지능 구현에 대한 구체적인 접근 방식이 있습니다. 기계 학습은 빅 데이터와 알고리즘을 통해 컴퓨터를 훈련시켜 결과를 생성합니다. 또한 기계 학습에 대한 많은 기술적 접근 방식이 있습니다. 컨볼루션 신경망 CNN이나 순환 신경망 RNN과 같은 지도 학습 기반의 딥러닝 기술은 구글, 아마존 등 글로벌 IT 기업에서 사용하고 있다. 많은 돈을 벌고 있습니다. 조금 더 쉽게 설명하겠습니다. 단계별로 살펴보면 인공 지능이 가장 포괄적이고 그 안에 기계 학습이 있고 기계 학습 안에 딥 러닝이 있습니다. 따라서 딥 러닝은 물론 머신 러닝이자 인공 지능입니다. 그러나 모든 인공지능이 딥러닝인 것은 아닙니다. 그리고 지도 학습은 지금까지 수행된 기계 학습의 주류 학습 방법입니다. 객체(데이터)와 이름(레이블)의 쌍을 매칭하여 집중 학습하는 방식으로, 객체 X와 이름 Y의 쌍을 지속적으로 학습하는 방식입니다. | 예를 들어 설명하겠습니다. ‘알파고 리는 경기 전 7개월 동안 16만 개의 악보를 공부했다. 이번 배움을 통해 바둑을 두는 법을 배웠다. AlphaGo는 딥 러닝 기술을 사용합니다. 특히 CNN 방식의 지도 학습 방식을 사용했으며, CNN의 특징은 매트릭스 형태의 이미지를 쉽게 인식할 수 있다는 점이다. 즉, 알파고는 바둑판을 그대로 인식해 더 빠르게 처리할 수 있다. | 기계 학습과 딥 러닝 모두 학습을 기반으로 데이터를 분류하고 처리합니다. 예를 들어 보겠습니다. 인간은 자연스럽게 개와 고양이를 구별합니다. 우리 뇌 속의 개와 고양이를 살펴보고 각각의 특징을 파악한 후, 다년간 축적된 지식과 경험을 통해 분류합니다. 오랫동안 거쳐온 과정이라 빠르고 쉽게 판단할 수 있습니다. 기계 학습과 딥 러닝은 이런 종류의 처리를 컴퓨터로 뇌에서 합니다. 이미지 분류에 관한 것입니다. 자율주행차의 경우 물체가 사람인지, 그림자인지, 빨간색인지 초록색인지 판단해야 한다. 머신러닝의 가장 큰 특징은 귀납적 학습 시스템으로 만들어진다는 것입니다. 즉, 통계적 학습을 통해 패턴을 찾아 학습하는 것입니다. 인덕션을 아시나요? 개별 사례의 관찰 및 경험에서 일반적인 결론을 도출하는 추론 방법입니다. 기계 학습은 수십만 또는 수백만 개의 데이터를 통해 개와 고양이의 특성을 발견합니다. 개와 고양이는 각자의 특징이 있습니다. 우리는 그것을 패턴이라고 부릅니다. 기계 학습은 데이터에서 바로 이러한 패턴을 찾아 일반화합니다. 이를 귀납적 학습 또는 통계적 학습이라고 합니다. 기계 학습은 통계와 마찬가지로 주어진 알고리즘에 따라 많은 데이터를 분석하여 판단이나 예측을 합니다. 생각해보자. 이런 식으로 우리 삶에 적용하면 어떤 서비스가 좋을까요? 여러분에게 친숙한 파파고와 카카오 번역기는 머신러닝을 활용한 대표적인 서비스입니다. 문장을 입력했는데 원하는 결과가 나오지 않으면 최적의 번역이 나올 때까지 사용자가 문장을 조금씩 수정합니다. 이 과정에서 번역 알고리즘이 학습하고 이 횟수가 누적될수록 더 나은 번역을 제공할 수 있습니다. 페이스북에서 사진 속 인물을 한두 번 태그하면 사진 속 인물을 추천하기 시작한다. 이것도 기계 학습 결과입니다. 머신 러닝은 빅 데이터와 클라우드 컴퓨팅을 활용하는 데 매우 중요한 접근 방식입니다. 문자인식, 문서인식, 생체인식, 자연어처리, 금융데이터분석, 의료정보 등 거의 모든 분야에서 활용되는 융합기술로 발전하고 있다. 출처: 당신의 인공지능 시대에
