인공지능
인공지능의 사전적 정의
: 인간의 학습능력, 추론능력, 지각능력 및 자연언어의 이해 능력을 컴퓨터 프로그램으로 실현한 기술
인공지능의 목적과 적용되는 기술의 발전 정도에 따라 강인공지능(Strong AI)과 약인공지능(Weak AI)로 구분
Strong AI
인간이 하는 일을 인간과 유사한 방법으로 수행하는 자동화 시스템으로,
인간과 같은 사고가 가능한 인공지능을 의미한다.
강인공지능을 만들기 위해서는 심리, 사고능력, 계획능력, 문제해결력 등이 요구되며
예술이나 이론 같은 고등 이해도 수행할 수 있어야 하기 때문에 현재의 기술력으로는 제작이 불가.
Weak AI
인간의 특정 행위 결과를 모방하는 시스템으로, 특정 분야에 특화되어 있는 인공지능을 의미한다.
예를 들면, 자율주행 자동차에 내장된 기술, 알파고, 시리 등이 있다.
인공지능, 머신러닝, 딥러닝의 정의 및 관계
인공지능: 기계가 인간처럼 생각하고 학습할 수 있게 하는 기술의 넓은 분야
머신러닝(Machine Learning) : 인공지능의 한 분야로서, 데이터로부터 패턴을 학습하고 예측/분류를 수행할 수 있도록 설계된 알고리즘의 집합
딥러닝(Deep Learning): 머신러닝의 한 분류로, 인공 신경망을 기반으로 하는 알고리즘의 집합
머신러닝과 딥러닝 방법은 모델이 데이터로부터 패턴을 학습한다는 점은 같지만
모델이 신경망의 형태가 갖느냐가 큰 차이점이다.
인공지능의 학습 방식
인공지능의 학습 방식은 어떤 데이터를 사용해서 어떠한 목적으로 학습하는가에 따라 4가지로 분류된다.
1) 지도 학습 (Supervised Learning)
: 지도학습을 통해서 해결할 수 있는 문제는 크게 Classification과 Regression으로 나뉨.
Classification : 전형적인 지도학습으로 주어진 데이터를 정해진 카테고리에 따라 분류하는 문제
Regression : 어떤 데이터들의 예측 변수라 불리는 특성을 기준으로 연속된 값을 예측하는 문제
2) 비지도 학습(Unsupervised Learning)
: 정답 라벨이 없는 데이터를 비슷한 특징을 갖는 것들끼이 묶은 후, 새로운 데이터에 대하여 추론하는 것
라벨링이 되어있지 않은 데이터로부터 패턴이나 형태를 찾아야 하기 때문에 지도학습보다는 난이도 있음
3) 준지도 학습(Semi-Supervised Learning)
: 정답 라벨이 있는 데이터와 정답 라벨이 없는 데이터를 모두 학습에 사용하는 방법
정답 데이터를 수집하는 데이터 라벨링 작업에 소요되는 많은 자원과 비용 때문에 많은 주목을 받고 있음.
ex) 구글 포토: 라벨링이 되어있는 인물 사진이 존재한다면,
라벨링이 되어있지 않은 인물사진을 추가하였을 때,
자동적으로 라벨링을 수행하여 같은 인물의 사진을 쉽게 그룹화할 수 있음
4) 강화 학습(Reinforcement Learning)
: 목표 값이 주어지지만, 지도학습과는 다른 형태이다.
환경으로부터의 피드백을 기반으로 행위자의 행동을 분석하고 최적화한다.
그후, 최적의 보상을 산출하는 액션을 발견하기 위해 서로 다른 시나리오를 시도한다.
시행 착오와 지연 보상 등을 통하여 최적의 행동을 발견한다.