인공지능과 딥 러닝

<인공지능이란?>

인공지능(artificial intelligence)이란 인간성이나 지성, 지능을 갖춘 만들어진 존재를 말합니다. 또한 이와 같은 지능을 만드는 방법론이나 실현 여부를 연구하는 학문 분야를 지칭합니다. 인공지능 안에서도 두 가지 관점으로 볼 수 있는데 영화나 소설로 흔히 접할 수 있는 강 인공지능(범용인공지능)과 약 인공지능이 있습니다. 강 인공지능은 문제를 실제로 사고하고 해결하는 지각력이 있고 스스로를 인식하는 지능에 관한 연구입니다. 이에 반해 약 인공지능은 스스로 문제를 사고하고 해결할 수는 없지만 일정 규칙 안에선 지능을 흉내내며 행동을 보여주는 지능을 연구하는 분야입니다. 인공지능 분야는 1950년대 다양한 영역의 과학자들이 인공적인 두뇌의 가능성을 논의하였고 56년에 학문 분야로 들어섰습니

다. 70년대 중반까진 AI에 대한 낙관론이 펼쳐지며 많은 자본이 투입 되었습니다 . 하지만 약속된 결과가 나오지 않자 자금이 끊어지고 인공지능에 대한 많은 비판들이 쏟아져 나오며 80년대 까지 침체기에 들어갑니다. 이후 전문가 시스템으로 다시 인공지능에 대한 붐이 일어났습니다. 이 시기에 70년 이후로 버려졌던 신경망 이론이 존 핫필드의 새로운 신경만 형태와 역전파법에 의해 다시 부활하게 됐습니다.

<인공신경망>

인공 신경망은 기계학습 알고리즘 모형의 하나로 생물학의 신경망에서 영감을 얻은 통계학적 학습 알고리즘입니다. 여기서 기계학습이란 인공지능의 한 분야로 학습하는 알고리즘과 기술을 이용해 학습을 통해 지능을 가지

게 하는 분야입니다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스 결합 세기를 변화시켜 문제를 해결하는 모델입니다. 학습 방법은 정답 신호를 알려줘 문제에 최적화 시키는 교사학습과 비교사 학습이 있습니다. 인공신경망은 많은 입력들에 의존하며 정의되지 않은 함수를 추측하고 근사치를 낼 경우 유용한데 패턴 인식 분야에서 유리합니다. 인공신경망의 단점을 개선한 분야가 딥 러닝입니다. 기존 인공신경망이 가진 과적응 문제를 극복하고 하드웨어의 발전으로 복잡한 메트릭스와 벡터 계산에 대한 성능이 향상됐습니다. 또한 빅데이터로 인해 SNS에서 생성되는 레이블이 달린 데이터로 대용량의 학습이 가능하게 됐다는 것입니다. 과적응 문제를 극복은 앞먹임 신경망의 각층을 효과적으로 사전훈련하여 과적응을 방지하는 초기 값을 잡고 다시 오류역전파법을 반복하여 학습하는 형태로 극복합니다. 또한 2013년 신호처리학회에서 위 방법을 대체하여 과적응을 방지하는 Drop-out이라는 개념이 소개되어 사전훈련보다 간단하고 효과적인 형태로 과적응을 방지 할 수 있게 됐습니다. 응용분야는 음성인식 분야와 영상인식 분야 외에도 자연어 처리, 약의 독성을 예측하는 분자 계산, 마케팅 기획 및 고객 관계 관리 자동화 등 여러 분야에서 응용되고