Artificial Intelligence Theory : 인공 지능이란?

인공 지능(Artificial Intelligence)

인공지능이란 학습, 추론, 인식 등 인간과 관계된 인지 문제를 컴퓨터 프로그램으로 구현한 기술입니다. 인공지능 용어의 첫 등장은 1956년 미국 다트머스 대학교에서 열린 학회에서 처음 사용됐습니다. 이 학회를 제안한 존 매카시(John McCarthy)가 인공지능이란 용어를 처음 사용하였습니다. 매카시는 당시 다트머스 대학교에 재직 중이었으며, 1962년 스탠퍼드 대학교로 자리를 옮겨 인공지능 연구소(SAIL)를 설립했습니다.

기존에 인간만이 실현할 수 있다고 생각한 역할을 컴퓨터가 수행할 수 있도록 구현하여 인위적으로 만들어진 지능을 뜻합니다. 즉, 인간의 지능을 기계나 프로그램 등에 인공적으로 구현한 것을 의미합니다. 인공지능을 크게 두 가지로 나누자면 강인공지능(Strong Artificial Intelligence)과 약인공지능(Weak Artificial Intelligence)이 있습니다.

강인공지능은 스스로 학습과 인식 등이 가능하며, 지능 또는 지성의 수준이 인간과 근사한 수준까지 이른 경우를 뜻합니다. 주로 SF 영화 등에 나타나는 휴머노이드나 안드로이드를 생각할 수 있습니다. 약인공지능은 인간이 해결할 수 있으나, 기존의 컴퓨터로 처리하기 힘든 작업들을 처리하기 위한 일련의 알고리즘을 의미합니다.

현재 많은 곳에서 활용되고 있는 A.I. 서비스라고 볼 수 있습니다. 다시 말해, 주어진 시스템에서 입력을 조절해 출력을 원하는 대로 조절하는 제어기로부터 측정가능한 경험적(heuristic) 속성을 학습해 스스로 판단하는 심층 학습까지의 전반을 의미합니다. 인공지능은 인간과 비슷하거나 합리적 행동을 통해 특정한 문제를 해결하는데 중점을 두고 있습니다.

인공 지능 분야에서 파생된 컴퓨터 과학 분야로는 머신 러닝(기계 학습, Machine Learning)과 딥 러닝(심층 학습, Deep Learning) 등이 있습니다.

머신 러닝(Machine Learning)

머신 러닝(Machine Learning)이란 데이터를 기반으로 컴퓨터를 프로그래밍하는 연구 분야입니다. 기존 프로그래밍은 명시적인 프로그래밍을 통해서 시스템을 구축하였지만, 머신 러닝은 데이터를 기반으로 학습하거나 시스템의 성능을 개선하는 데 중점을 두고 있습니다. 즉, 기존의 프로그래밍은 규칙과 데이터를 기반으로 결괏값을 예측했지만 머신 러닝은 데이터와 결괏값으로 규칙을 찾아내는 분야입니다.

머신 러닝은 학습 데이터를 분석하여 일정한 규칙이나 패턴을 찾아 예측 알고리즘을 생성합니다. 이 예측 알고리즘을 모델(Model)이라 하며, 모델에 새로운 데이터가 입력되었을 때 모델의 예측값으로 결과를 추론할 수 있습니다. 데이터를 기반으로 알고리즘을 구성하므로, 통계적인 접근 방법을 사용한다 볼 수 있습니다.

머신 러닝 알고리즘에는 지도 학습 (Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement learning), 심층 학습(Deep Learning) 등이 있습니다.

딥 러닝(Deep Learning)

딥 러닝(Deep Learning)은 머신 러닝의 기법 중 하나로, 모델이 스스로 데이터의 관계를 파악해 학습합니다. 여러 층(Layer)을 가진 인공 신경망(Artificial Neural Network, ANN)을 사용하여 머신 러닝 학습을 수행합니다.

여기서 인공 신경망은 인간의 뇌에서 있는 뉴런의 네트워크에서 영감을 얻은 통계학적 학습 알고리즘입니다. 생물학적 뉴런은 단순하게 다른 뉴런에게 신호를 받아 또 다른 뉴런에게 신호를 전달합니다. 뉴런은 수십억 개 이상 구성된 네트워크로 이뤄져 있어 신호의 흐름으로 복잡하고 다양한 활동을 할 수 있게합니다.

결국, 신경망은 서로 연결된 노드(Node)의 집합으로 구성되어 있으며 여러 층으로 이뤄집니다. 층(Layer)은 크게 입력층(Input Layer), 은닉층(Hidden Layer), 출력층(Output Layer)이 존재합니다. 입력층으로 학습하고자 하는 데이터를 받고, 여러 개의 은닉층을 지나 단계를 거쳐 출력층에서 결과를 반환합니다.

인공 신경망에 학습 알고리즘과 데이터를 지속적으로 제공함으로써, 학습 능력과 사고 능력이 지속적으로 개선됩니다. 딥러닝 알고리즘에는 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), 심층 신경망(Deep Neural Network, DNN) 등이 있습니다.

• Tip : 딥(Deep)이란, 신경망의 은닉층(Hidden Layer)이 여러 개로 깊게 쌓여 있는 구조를 의미합니다.

세 분야의 관계

인공 지능(Artificial Intelligence), 머신 러닝(Machine Learning), 딥 러닝(Deep Learning)은 서로 대등한 분야가 아니라 포함 관계에 있습니다. 가장 넓은 개념인 인공 지능 안에 머신 러닝이 있고, 머신 러닝의 한 갈래로 딥 러닝이 있는 구조입니다. 그러므로 모든 딥 러닝은 머신 러닝이지만, 모든 머신 러닝이 딥 러닝인 것은 아닙니다.

머신 러닝과 딥 러닝을 가르는 결정적인 차이는 특성(Feature)을 누가 설계하는가에 있습니다. 전통적인 머신 러닝은 어떤 값을 입력으로 사용할지 사람이 직접 고르고 가공하는 특성 공학(Feature Engineering) 과정을 거쳐야 하지만, 딥 러닝은 원본 데이터에서 필요한 특성을 모델이 스스로 찾아냅니다.

예를 들어 고양이 사진을 분류한다면, 머신 러닝에서는 귀의 각도나 털의 질감 같은 특성을 사람이 정의해 수치로 만들어야 합니다. 반면 딥 러닝에서는 픽셀값을 그대로 입력하면 앞쪽 계층이 선이나 모서리를, 뒤쪽 계층이 눈이나 귀와 같은 형태를 단계적으로 학습합니다. 이를 표현 학습(Representation Learning)이라 합니다.

딥 러닝은 1980년대에 이미 이론이 정립돼 있었지만 2010년대에 들어서야 본격적으로 활용되기 시작했습니다. 대규모 데이터의 축적, GPU를 활용한 병렬 연산, 그리고 ReLU나 배치 정규화(Batch Normalization)와 같은 학습 기법의 개선이 함께 갖춰지면서 깊은 신경망을 실제로 학습시킬 수 있게 됐기 때문입니다.

• Tip : 딥 러닝이 항상 우월한 것은 아닙니다. 데이터의 양이 적거나 표(Table) 형태의 정형 데이터라면 그래디언트 부스팅(Gradient Boosting)과 같은 전통적인 머신 러닝 알고리즘이 더 좋은 성능을 내는 경우가 많습니다.

• Writer by : 윤대희