인공지능 (Artificial Intelligence, AI), 머신러닝 (Machine Learing, ML), 딥러닝 (Deep Learning, DL)의 정의에 대해 찾아본 내용을 정리한다. 시간이 좀 걸리더라도 용어에 대한 정의를 제대로 확인한 후에 더 깊게 들어 가는것이 결국 가장 빠른 방법이다. 여기에는 용어별 정의와 적용/활용 되는 범위와 공부하는데 좋았던 사이트, 자료들 출처도 함께 정리한다.
다른 포스팅에 간단한 수학과 Python 프로그래밍 예제 정리할 계획이다.
1. Artificial Intelligence
1.1. Definition
일단 Google에 검색을 해본다. DataRobot이란 곳에서 아래와 같이 말한다.
“An AI is a computer system that is able to perform tasks that ordinarily require human intelligence. These artificial intelligence systems are powered by machine learning. Many of them are powered by machine learning, some of them are powered by specifically deep learning, some of them are powered by very boring things like just rules.”
좀 애매한 부분이 있어도 간단하고 직관적이다. 인간이 해결할만한 지능이 필요한 문제를 해결해주는 컴퓨터 시스템을 AI라고 부르자 하고 말한다. 실은 대부분의 이쪽분야 분들은 위처럼 얘기하는 것 같았다. 이 페이지에서도 AI는 사람의 행동을 흉내내는 모든 컴퓨터 기술을 말한다고 한다.
그 유명한 Andrew NG 교수님의 Coursera 강의에서는 AI를 적용 범위에 따라 두 개로 분류하기도 한다.
- AGI (Artificial General Intelligence)
- Do Anything a human can do
- ANI (Artificial Narrow Intelligence)
- E.g., smart speaker, self-driving car, web search, AI in farming and factories
AGI는 그냥 사람복사본이고 ANI는 하나의 기능만 가지는 것으로 말하는 것 같다.
여기까지 정리해보면
AI는
인간이 할만한 지능이 필요한 일을 해주는 컴퓨터 시스템이다.
1.2. Hierachy
Google에서 검색해보면 아래 그림같은 다이어그램 많이 볼 수 있다.
여기서는 AI는 사람의 행동을 흉내내는 기술로 설명한다. AI가 가장 넓은 범주이고 그 안에 머신러닝과 딥러닝이 보인다.
2. Machine Learning
AI분야의 처음은 인간이 할 만한 복잡한 일을 컴퓨터가 해결하도록 하기 위해 많은 규칙을 집어넣는 과정이었던 것 같다. 즉 사람이 직접 모든 행동 규칙들을 코드로 짜고 컴퓨터는 주어진 코드대로 행동하는 것이다. 하지만 사진에서 글자를 인식하거나 고양이와 개를 구분하거나 하는 일에 대한 규칙을 정하는 것은 매우 어렵고 어쩌면 불가능하다.
이와 반대로 수많은 데이터를 입력해주고 컴퓨터가 직접 그 규칙을 찾도록 하는 방식이 제안되었고 보통 이런 방식을 머신러닝이라고 부른다.
2.1. Definition
이 책에서는 머신러닝을 아래와 같이 설명한다.
Machine learning, as the name suggest, are a group of algorithms that try to enable the learning capability of the computers, so that they can learn from the data or past experiences. The idea is that, as a kid, we gain many skills from learning. One example is that we learned how to recognize cats and dogs from a few cases that our parents showed to us. We may just see a few cats and dogs pictures, and next time on the street when we see a cat, even though it may be different from the pictures we saw, we know it is a cat. This ability to learn from the data that presented to us and later can be used to generalize to recognize new data is one of the things we want to teach our computers to do.
과거 경험이나 데이터로부터 배우는 행동을 할 수 있는 알고리즘을 머신러닝이라고 정의한다.
Laurence의 Coursera 강의에서는 이를 조금 틀어서 아래와 같이 설명한다.
즉 전통적인 AI분야에서는 미리 하드코딩된 Rule과 Input을 주면 답이 나오는 방식이었지만 현재의 머신러닝은 Data와 답을 주어주면 이를 위한 방법을 결과로 주는 알고리즘을 말한다.
여기까지 정리해보면
Machine Learning은 AI의 한 분야로
Data로 부터 학습하는(답을 주는 Rule을 찾는) 알고리즘이다.
학습을 한다고 표현을 하니 막연하게 느껴질 수도 있지만, 예시를 한 번 보면 그냥 결국 Fitting 하는거구나 생각이 든다. 추상적이고 막연한 느낌을 가지는 것보다는 그냥 수학이구나 하는 생각을 가지는 게 거리감도 덜 들고 처음에 그냥 해보기에 좋다고 생각한다.
넓게 보면 Linear Regression도 Machine Learning이다.
2.2. Hierachy
이 책에 소개된 것처럼 머신러닝은 보통 아래 그림과 같이 분류된다.
예를 들어 개와 고양이를 구분하는 머신러닝 모델을 만들기 위해 데이터를 모은다고 상상해보자. 컴퓨터에게 어떤 사진이 개인지 또는 고양이인지 알려주기 위해 각 사진 파일이름을 개 혹은 고양이라고 작성한다. (이를 Labeling한다고 한다.) 이렇게 정리된 데이터를 특정 알고리즘을 통해 학습시키면 개와 고양이를 구분하는 머신러닝 모델이 만들어진다.
이처럼 답이 함깨 정리된 data를 학습에 사용하는 경우는 Supervised Learning이라고 부르며 ‘개 or 고양이’ 또는 ‘참 or 거짓’처럼 이산값이 결과값인 경우는 Classification에 해당하고 내일의 기온을 예측하는 경우와 같이 연속적인 값이 결과값인 경우 Regression이다. 수학에서 말하는 정의와 약간씩 다를 수는 있지만 어쨌든 이쪽분야에서는 이런 느낌으로 얘기하는 것 같다.
답이 함께 정리되지 않은 data를 학습에 사용하는 경우는 Unsupervised Learning이라고 부르며 그림에서는 크게 Clustering과 Dimensionality reduction으로 구분하지만 실은 이분야는 이런식으로 구분하기는 쉽지 않고 그냥 이런 분야가 있다 정도로 생각하면 좋을 것 같다.
참고로 Andrew NG교수의 위 모든 분야와 하나하나의 모델을 겪어볼 수 있는 범위의 Coursera 강의가 있다. 긴말 필요없이 강추.
3. Deep Learning
위에 Machine Learning 분류표를 보면 맨 아래 네개의 분류가 있다. 이 중 Classification과 Regression을 보면 Neural Network라는 것이 보인다. Artificial Nerual Network, 인공신경망으로 불리는 이것은 머신러닝 기법 중의 하나로 IBM에서 잘 설명한 문서가 있다.
위 그림처럼 인공신경망은 입력층, 은닉층, 출력층 등의 여러 층으로 이루어진 시스템이다. 이들중 중간에 은닉층이 2개이상 층으로 이루어진 복잡하고 거대한 인공신경망을 Deep Neural Network라고 부르며 이를 활용한 머신러닝을 Deep Learning이라고 부른다.
여기까지 정리해보면
Deel Learning은 Machine Learning의 한 분야로
2개 이상의 은닉계층을 가지는 인공신경망을 활용한 머신러닝기법 중 하나이다.
컴퓨터 기능 향상과 함께 거대한 인공신경망을 활용한 무거운 계산들이 가능해지면서 이미지인식이나 자연어 처리 등의 분야에서 Deel Learning이 많이 활용되었고 실제로 잘 작동하는 것이 최근의 인공지능에 대한 관심을 설명하는 여러 요인 중에 하나일 것 같다.
Summary
나름 여기저기서 긁어모은 자료들을 정리하고 엮어보았는데 잘못된 정보가 있을 수도 있고 이쪽 분야에서 충분히 합의되지 않은 내용이 들어가 있을 수도 있다.
따라서 관련 책이나 강의를 보는 것을 추천드린다. 직접 코드짜보고 머신러닝을 해보면 훨씬 더 체감이 되고 이해하기 쉽다. 여기서는 그냥 개괄적인 내용만 다루고 자세한 내용은 다른 포스팅에 하나씩 풀어갈 예정이다.
특히 Coursera에 있는 Andrew NG교수 강의를 추천드린다. 관련 포스팅의 주된 부분도 이 수업에서 배운 내용을 정리할 예정이다.