인공지능(AI), 머신러닝(ML), 딥러닝(DL)의 차이에 관하여

인공지능(AI), 머신러닝(ML), 딥러닝(DL)의 차이에 관하여

2020년, 사람들은 매일 인공지능의 혜택을 받는다: 음악 추천 시스템, 구글 지도, 우버, 그리고 더 많은 어플리케이션들이 AI로 작동된다. 하지만 인공지능과 머신러닝, 딥러닝이라는 용어의 혼선은 여전하다. 구글의 인기 있는 검색어 중 하나가 "인공지능(AI)과 머신러닝(Machine Learning)의 차이" 일 정도이다. 결론부터 말하자면, 인공지능(AI), 머신러닝(ML), 딥러닝(DL)은 각각 다른 개념이다. 인공지능은 수학이나 생물학과 같은 과학이다. 항상 인간의 특권으로 여겨졌던 문제를 창의적으로 해결할 수 있는 지능적인 프로그램과 기계를 구축하는 방법을 연구한다. 머신러닝(machine learning)은 인공지능(AI)의 부분 집합으로 시스템이 명시적으로 프로그래밍되지 않고 자동으로 학습하고 경험에서 개선할 수 있는 기능을 제공한다. ML에는 신경망 같이 문제 해결에 도움이 되는 다른 알고리즘이 있다. 딥러닝은 머신러닝의 부분 집합으로, 신경망을 이용하여 인간의 신경계와 유사한 구조로 다른 요소들을 분석한다. 인공지능이라는 용어는 1956년 다트머스에서 열린 컴퓨터 과학 회의에서 처음 사용되었다. AI는 인간의 뇌가 어떻게 작동하는지 모델링하고, 이러한 지식을 바탕으로 더 발전된 컴퓨터를 만들려는 시도를 설명했다. 과학자들은 인간의 마음이 어떻게 작용하는지 이해하고 디지털화하는 데 너무 오래 걸리지 않을 것이라고 기대했다. 결국, 그 회의는 2개월간의 집중적인 브레인스토밍 세션을 위해 그 당시 가장 명석한 사람들 중 몇 명을 모았다. 확실히, 연구원들은 다트머스에서 그 여름 동안 즐거운 시간을 보냈지만 결과는 약간 충격적이었다. 프로그래밍 수단으로 뇌를 모방하는 것은 복잡한 것으로 밝혀졌다. 그럼에도 불구하고, 일부 결과는 달성되었다. 예를 들어, 연구원들은 지능적인 기계의 주요 요소들이 학습(변화와 자발적인 환경과 상호작용하는 것), 자연 언어 처리(인간과 기계의 상호작용을 위한 것), 그리고 창의성(인류를 많은 문제로부터 해방시키는 것)이라고 이해했다. 인공지능이 어디에나 있는 오늘날에도 컴퓨터는 인간의 지능을 모델링하는 것과는 거리가 멀다. AI는 강한 AI와 약한 AI로 나눌 수 있다. 두 버전의 AI는 서로 다른 목표를 달성하기 위해 노력하고 있다. '강한' AI는 인공적인 사람, 즉 경이로운 의식을 포함해 우리가 가진 모든 정신력을 가진 기계들을 창조하려고 한다. 반면 '약한' AI는 인간의 정신적 레퍼토리를 충분히 갖춘 것으로 보이는 정보처리기 구축을 추구한다. 약한 AI, 즉 좁은 AI는 특정 업무는 잘 수행하지만, 정해진 능력 밖의 다른 분야에서는 인간을 능가하지 못한다. 여러분은 아마도 체스에서 인간을 이긴 최초의 컴퓨터인 딥 블루에 대해 들어본 적이 있을 것이다. 딥 블루는 초당 약 2억 개의 체스 위치를 생성하고 평가할 수 있다. 솔직히 말해서 어떤 사람들은 그것을 완전한 의미로 AI라고 부를 준비가 되어 있지 않은 반면, 어떤 사람들은 그것이 약한 AI의 초기 사례 중 하나라고 주장했다. 게임에서 AI가 인간을 이긴 또 다른 유명한 예는 알파고다. 이 프로그램은 지금까지 발명된 게임 중 가장 복잡한 게임 중 하나에서 승리한 것으로, 단순히 가능한 모든 동작을 계산하는 것(이는 불가능하다)이 아니라 어떻게 플레이 하는지를 배웠다. 요즘 과학, 비즈니스, 헬스케어 분야에서는 좁은 인공지능이 널리 사용되고 있다. 예를 들어, 2017년 DOMO라는 회사가 미스터 로보토의 출시를 선언했다. 이 AI 소프트웨어 시스템은 강력한 분석 툴을 포함하고 있으며 사업주에게 사업개발을 위한 권고사항과 통찰력을 제공할 수 있다. 리스크 관리 및 자원화 계획에 유용할 수 있는 이상 징후와 스폿 패턴을 검출할 수 있다. 다른 산업에도 비슷한 프로그램이 존재하며 구글이나 아마존 같은 대기업들이 개발에 돈을 투자한다. 강한 AI는 기계가 인간처럼 되는 미래의 포인트다. 그들은 스스로 결정을 내리고 인간의 개입 없이 배운다. 논리적인 과제 해결 능력뿐만 아니라 감정도 있다. 문제는 어떻게 살아있는 기계를 만들 것인가이다. 자극에 반응하여 감정적인 언어 반응을 일으키도록 기계를 프로그래밍할 수 있다. 챗봇과 가상 조수들은 이미 대화를 유지하는데 꽤 능숙하다. 또한, 인간의 감정을 읽는 로봇을 가르치는 실험도 이미 실행 중이다. 하지만 감정적인 반응을 재현하는 것이 기계를 진정으로 감정적으로 만드는 것은 아니지 않은가? 초지능은 AI에 대해 읽을 때 모두가 보통 기대하는 내용이다. 기계는 인간보다 훨씬 앞서 있어 똑똑하고, 현명하고, 창의적이고, 뛰어난 사교 기술을 가지고 있다. 그것의 목표는 인간의 삶을 더 좋게 만들거나 그들을 모두 파괴하는 것이다. 오늘날의 과학자들은 바이센티니얼 맨과 같은 자율적인 감정 기계의 창조는 꿈도 꾸지 않는다. 데이터 과학자가 지금 중점적으로 다루고 있는 과제(일반적이고 초지능을 창출하는 데 도움이 될 수 있는 과제)는 다음과 같다. 기계 추론(Machine Reasoning, MR) 시스템은 데이터베이스나 도서관 같은 일부 정보를 가지고 있다. 그들은 추론과 유도 기법을 사용하여 이 정보를 바탕으로 몇 가지 귀중한 통찰력을 형성할 수 있다. 여기에는 AI 시스템의 계획 수립, 데이터 표현, 검색 및 최적화가 포함될 수 있다. 로봇공학. 이 과학 분야는 룸바에서 지능형 안드로이드에 이르는 로봇을 제작, 개발 및 제어하는 데 집중한다. 머신러닝(Machine Learning)은 주어진 업무를 수행하기 위해 기계가 사용하는 알고리즘과 컴퓨터 모델을 연구하는 학문이다. 이것들은 AI를 만드는 방법이라고 할 수 있다. 하나만 사용할 수도 있고 여러 가지를 결합하는 것도 가능하다. 머신러닝은 인공지능(AI)이라는 더 큰 분야의 일부 부분 집합으로서 "특정 작업에 대해 프로그래밍할 필요 없이 컴퓨터에게 학습법을 가르치는데 초점을 맞추고 있다"고 케라스와 함께 딥러닝에서 수짓 팔과 안토니오 굴리는 지적했다. 실제로 ML의 핵심 아이디어는 데이터에서 배우고 예측하는 알고리즘을 만드는 것이 가능하다는 것이다. 기계를 "교육"하기 위해서는 데이터 집합, 특징, 알고리즘의 세 가지 구성 요소가 필요하다. 머신러닝 시스템은 데이터 집합 이라고 불리는 특별한 샘플 모음에서 훈련된다. 샘플에는 숫자, 이미지, 텍스트 또는 다른 종류의 데이터가 포함될 수 있다. 좋은 데이터 집합을 만드는 데는 보통 많은 시간과 노력이 필요하다. 특징은 과제 해결의 열쇠로 작용하는 중요한 데이터 조각이다. 그들은 기계에 주의를 기울여야 할 것을 시연한다. 특징을 어떻게 선택해야 할까? 예를 들어, 당신은 아파트의 가격을 예측하고 싶어한다면, 길이와 너비의 조합에 근거하여 그 장소가 얼마의 비용이 들 수 있는지를 선형 회귀로 예측하기는 어렵다. 그 대신 가격과 건물이 위치한 면적의 상관관계를 찾는 것이 훨씬 쉬울 것이다. 알고리즘은 문제를 해결하는데 어떤 방법을 쓸 것인가에 대한 문제이다. 다른 알고리즘을 이용해 같은 과제를 해결할 수 있다. 알고리즘에 따라 결과를 얻는 정확도나 속도가 달라질 수 있다. 때로는 더 나은 성과를 얻기 위해 앙상블 학습에서처럼 다른 알고리즘을 결합한다.