AI/ML/DL
많은 사람들이 위의 세가지를 같은 것으로 알고있지만, 실은 명확한 차이가 있다. 먼저, AI(Artificial Intelligence)는 쉽게 컴퓨터 및 기계가 인간의 사고를 따라하는 것이라 생각하면 된다. 인간의 지능과 관련된 학습,문제해결, 패턴인식과 같은 문제를 해결하는데 주력하는 컴퓨터 공학 분야이다. 즉, 제일 우리가 평소에 생각하던 AI의 개념이 제일 큰 포괄적인 의미이다. 그렇다면, ML과 Deep Learning은 무엇일까? 먼저, ML(Machine Learning)은 인간이 학습하려는 대상의 특성을 추려서 사전에 정의된 알고리즘과 규칙에 적용하는 방법이다. DL(Deep Learning)은 알고리즘을 layer로 구성해, 인간의 신경망 구조와 흡사하게 만들어, 스스로 인공지능 모델이 배우고, 결정을 내리고, 특성을 판단할 수 있게끔 하는 학습방법이다.
Learning Tasks
더 자세한 learning task에 대해서 알아보자.
- Supervised learning
Supervised learning은 지도학습. 즉, 답이 정해져있고 그 답에 맞게끔 기계는 학습하는 것이다.
ex) 모델에 사진을 보여준 뒤, 이게 강아지야! 혹은 이게 고양이야! 이런식으로 답(target)이 있게끔 학습을 시킨다면, 기계는 새로운 사진이 주어졌을때, 이전에 받았던 강아지 사진과 유사한 사진이라면 강아지로, 고양이 사진과 유사하다면 고양이로 분류를 할것이다. (classification)
ex) 기계에게 과거의 주식 가격, 거래량, 경제 지표 등을 입력하면 주식의 다음 시간 단위의 가격을 예측하는것을 예시로 들 수 있다.(regression)
💡classification과 굳이 구별하자면 regression은 보통 연속적인 값이다.
- Unsupervised learning
Unsupervised learning은 비지도 학습. 즉, 답이 말그대로 정해져있지않은 학습방법이다. 따라서 그저 input으로 들어간 값들을 clustering(그룹화) 하는 학습방법이다.
- Reinforcement learning
Reinforcement learning은 앞선 두 case와 살짝 다르다. agent가 동적인 환경과 상호작용한다. 자세히 설명하자면, agent는 동적인 환경에서 어떠한 목표를 달성하기 위한 action을 수행하고, 목표에 도달할 때까지 agent는 학습해나가며 더 좋은 action을 선택해 나가는 것이다. Reinforcement learning의 대표적인 예시는 Q-learning이 있다.
AI가 발전한 이유
Hardware
AI 중에서도 딥러닝은 수 많은 파라미터를 학습해야한다. 많은 양의 데이터가 입력되고, 신경망 구조를 통과하면서, 각 특성에 대한 모델의 가중치를 연산할때 특히 loss를 줄이기 위한 미분이 사용된다. 많은 학습 파라미터를 병렬로 연산처리할 수 있는 GPU가 발전하면서, 이전에 있었던 이론적인 개념을 수행가능한 computer 환경이 구축되었다. 따라서 AI가 지수적으로 발전하게 된 경향이 있다.
Software
하드웨어 이외에도 실제 인공지능 신경망을 구현할 수 있는 소프트웨어가 개발되면서, 딥러닝에 필요한 수학적인 기능(activation func, back propagation,등) 을 수행할 수 있게 해주는 프레임워크가 활발하게 사용되며 발전중이다.
Big Data
마지막으로 인공지능 모델을 학습할 때는, 가상환경을 설정하는 강화학습외에는 기본적으로 input data가 필요하다. 인터넷 자체가 발전하면서, 그동안 수많은 사진, 오디오, 영상, 언어 데이터가 쌓여왔고 이를 정제하는 과정을 거치며 순도 높은 좋은 data가 많아지며 인공지능 모델에 좋은 input이 들어가 좋은 output이 나오는 case가 많아지며 발전에 기여를 하고 있다.
