인공지능의 이해

1. 개념

---

• 인공지능(AI : Artificial Intelligence) : 기계가 사람의 행동을 모방하게 하는 기술로써 최상위 개념에 있습니다.
•  기계학습(ML : Machine Learning) : 기계가 일일이 코드로 명시하지 않은 동작을 데이터로부터 학습하여 실행할 수 있도록 하는 알고리즘을 개발하는 연구분야이며, 인공지능 카테고리 내에 포함되어 있습니다.
• 딥러닝(DL : Deep Learning) : 기계학습의 한 분야인 인공 신경망에 기반하여, 많은 양의 데이터를 학습해 뛰어난 성능을 이끌어내는 연구 분야이며, 기계학습 카테고리 내에 포함되어 있습니다.

AI, ML, DL

2. 딥 러닝과 머신러닝의 차이점

---

기본 머신러닝 모델은 그 기능이 점진적으로 향상이 되는데, 여전히 안내가 필요합니다. AI알고리즘이 부정확한 예측을 반환하면 엔지니어가 개입하여 조정해야 합니다. 딥 러닝 모델을 사용하면 알고리즘이 자체 신경망을 통해 예측의 정확성 여부를 스스로 판단할 수 있습니다.

Ex) 손뼉을 쳤을 때 불이 켜지도록 전등을 프로그래밍 할 수 있습니다. 이를 계속 학습하면서 특정 소리가 들리는 것을 인식하면 결국 불을 켤 수 있습니다. 전등에 딥러닝 모델이 있다면 손뼉이 아닌 발로도 치는 소리를 인식하고 불을 켜야 된다는 것으로 이해하게 될 수 있습니다. 

딥 러닝 모델은 자체적인 컴퓨팅 방법 , 즉 자체적인 두뇌가 있는 것처럼 보이는 기술을 통해 학습할 수 있습니다.

3. 딥 러닝으로 할 수 있는 것

---

Classification

첫번째로는 영상이나 데이터가 들어 왔을 경우에 이게 어떠한 것인지 분류해주는 것이 가능합니다.

Regression

다음은 어떠한 데이터의 추세선을 긋는 것입니다. 예를 들어 x축이 해당 위치의 집값이라고 가정하고, y축이 해당 위치의 범죄율이라고 가정한다면 범죄율에 따른 집값이 계산되어 있을 것입니다. 그 선들에 가장 맞는 선을 하나 그린 후, 예측하고 싶은 위치의 집값을 확인 할 수 있는 것이 가능합니다.

Object Detection

위의 사진과 같이 해당 물체의 이름을 찾아줄 수 있는 것이 가능합니다.

Image Segmentation

영상 분할이라는 것을 할 수 있습니다. 영상 분할은 영상에서 각 픽셀이 어떠한 것으로 채워져 있는지 구분하는 것이 가능합니다.(자동차나, MRI 등에 사용이 되고 있습니다.)

Image Super Resolution

흐린 영상을 키우게 되면 해상도를 키울 수 있는 것도 가능합니다.

Generative Adversarial Network

GAN이라는 모델을 이용해서 실제 화가의 그림들 또는 이미지들을 컴퓨터가 그리게 할 수 있습니다.

Reinforcement Learning

제가 가장 좋아하는 강화학습입니다. 강화학습의 대표적인 예로는 알파고가 있고, 최근에는 자율주행 등 다양한 분야에서 많이 사용되고 있습니다.

4. 딥러닝의 구성 요소

---

Suprevised Learning

위의 학습단계는 지도학습(Suprevised Learning)이라고 불립니다. 정답을 가지고 있는 상태로 예측을 수행한 후 그 값이 맞는지 확인하는 방법입니다. 위와 같이 학습단계에서는 학습 입력 후 모델을 짜고 그걸 통해서 손실함수를 계산하여 답(Feature)과의 차이를 최대한으로 줄이는 것입니다. 

Test

테스트 시에는 테스트 데이터를 가지고 학습된 모델에 삽입하여 이 모델의 예측값을 확인해 이 모델이 얼마나 정확한지 평가하는 단계입니다.