인공지능의 분류

---

1. 지적 수준에 따른 분류

기준: 인간과 같은 사고의 기능 여부

1) 약인공지능

• 특정 문제 해결에 전문화된 인공지능

• 어떠한 목적에 최적화된 알고리즘으로, 적당한 규칙에 의해 구현

ex1) 알파고는 바둑, 테슬라의 자율주행차는 자율주행에만 최적화

ex2) 스팸메일 필터링, 검색 서비스, 구글 번역 등

2) 강인공지능

• 모든 영역에서 인간과 같은 수준인 인공지능

• 지각력이 있고 스스로를 인식할 수 있는 존재

  SF 영화 속에서 스스로 생각하고 알아서 행동하는 로봇과 같은 것들.

  현시점에서는 로봇이 그렇게 행동하고 있지 못한 상황이기 때문에, 강인공지능은 현실적인 어려움으로 인해 현재까지는 큰 성과가 없는 상태이다.

3) 초인공지능

• 인류 전체의 지능을 초월하는 인공지능

---

2. 기능 발전(레벨)에 따른 분류

기준: 입력에 따른 출력이 변하는 에이전트 관점

레벨1> 단순 제어 프로그램

• On/Off, Yes/No와 같이 필요한 변수가 두 가지 뿐인 가장 기초적인 단계의 인공지능

  ex) 세탁기, 청소기 등

레벨2> 고전적 인공지능

• 단순 제어 프로그램과 크게 다르지 않은 알고리즘

• 단순 제어 프로그램과의 차이는 패턴이 다양해진 것뿐

• 경우의 수에 따라 행동하기 때문에 ‘학습’이 아닌 ‘정해진 규칙’에 따라 행동

  ex) 로봇 청소기, 바둑 게임 프로그램 등

레벨3> 머신러닝

• 머신러닝이 도입된 인공지능

• 적절한 판단을 위해 보유한 지식을 기반으로 추론 및 탐색하는 인공지능

  ex) 스마트폰의 얼굴인식, 유튜브의 맞춤 동영상 추천 시스템 등

레벨4> 딥러닝

• 딥러닝이 도입된 인공지능

• 머신러닝보다 발전하여 데이터 자체를 스스로 학습하는 수준의 인공지능

• 머신러닝을 이용한 학습 과정에는 인간이 개입하지만, 딥러닝을 이용한 학습 과정에서는 기계가 스스로 해답을 찾아 분류나 예측을 수행

  ex) 자율주행차, 지능형 CCTV 등

---

3. 구현 방식에 따른 분류

기준: 기적 기능 구현 방식

1) 지식 기반 방법론 (인지, 추론, 학습, 행동)

인지, 학습, 추론, 행동과 같은 인간의 지적 기능을 모방하기 위해 지적 기능들을 기호로 표현하고, 이를 논리적인 규칙에 근거하여 처리함으로써 문제를 해결하고자 하는 방법

• 인지 (Recognition)

  • 컴퓨터가 특정 대상을 보고 듣고 읽을 수 있게 하려는 것

  • 인지의 종류 : 자연어 처리, 통번역, 글씨/음성 인식, 이미지/동영상 인식 기술 등

• 학습(Learning), 추론(Mechanism)

  • 데이터를 이용하여 규칙(Rule)을 만들고 결론을 도출하는 영역

  • 머신러닝과 딥러닝이 여기에 속함

• 행동(Behavior)

  • 기계가 인간과 같이 사고하고 행동하는 영역으로, 매 순간 결정(Decision)을 내리고 행동할 수 있도록 전략(Policy)과 보상(Reward) 개념 사용

2) 데이터 기반 방법론 (머신러닝, 데이터마이닝)

• 데이터로부터 추출된 지식으로 의사결정 수행

---

인공지능의 진화

---

1. 규칙 기반 모델 (Rule-based Model)

• 사람이 하는 판단을 기계에 맡기는 모델

• 개발자가 조건분기를 이용하여 일일이 행동을 구현

  • 조건분기 : 특정 조건을 비교하여 처리할 일을 나누는 것

    • ‘If 조건(X) then 행동(Y) : 만일 X라면 Y를 한다.’ 형태

• 규칙 기반 모델을 구현하기 위해서는 규칙 엔진과 규칙 집합이 필요

  • 규칙 엔진 : 규칙에 대한 조건을 평가하고, 행동으로 실행

  • 규칙 집합 : 모든 상황에 대한 경우의 수, ‘IF-THEN’으로 표현

1.1 규칙 기반 모델의 장점

• 사용자의 입력(질의)에 대한 규칙을 검색하여 적절한 답변을 반환하는 식으로, 사용자와의 상호작용이 가능하다.

1.2 규칙 기반 모델의 한계점

• 규칙 간의 관계가 불분명하다.

  • 많은 규칙들로 이루어진 집합 안에서는 규칙의 논리적인 상호관계가 확실하지 않을 수 있다.

  • 개별적인 규칙이 전체 전략에 어떻게 기여하는지 관찰하기 어렵다.

• 규칙 수정이 빈번하다.

  • 개별적인 규칙 수정이 발생하면 이를 일일이 수정해야 하는 번거로움이 있다.

  • 수많은 규칙이 있는 규칙 집합 안에서 수정하고자 하는 규칙만 찾아내기도 어려울 뿐만 아니라, 매번 수동으로 수정하고 유지하는 데 많은 비용이 든다.

• 학습이 불가능하다.

  • 경험을 통해 배우는 능력이 없기 때문에, 이미 만들어진 규칙과 사용자 질의에 따라서만 정답을 출력한다.

  • 사용자 질의 내용이 규칙을 벗어나면 수정할 능력이 없으므로 오류가 발생한다.

---

2. 지식 기반 모델

• 모델의 규칙은 유사한 기능이 모듈별로 분할되어 있다.

  • 규칙 기반 모델은 수백, 수천 개의 규 칙이 하나의 집합으로 구성되어 있다.

• 해당 규칙이 포함된 모듈만 찾으면 규칙 기반 모델보다 수정이 편리

  

---

3. 전문가 시스템 (Expert System)

• 인간이 특정 분야에 대하여 가지고 있는 전문적인 지식을 정리하고 표현하여 컴퓨터에 기억시킴으로써 일반인도 전문지식을 이용할 수 있도록 하는 시스템

3.1 전문가 시스템의 4가지 조건

1) 문제 영역의 전문지식을 이용하여 추론할 것

2) 전문가로부터 획득된 지식일 것

3) 전문적으로 고도의 현실적 문제를 대상으로 할 것

4) 능력이 전문가와 동등할 것

3.2 전문가 시스템의 구성 요소

• 사용자 인터페이스 : 사용자와의 대화 창구

• 추론 엔진 : 사실과 규칙을 사용하여 새로운 사실과 결론을 추론

• 설명 모듈 : 추론 엔진이 어떻게 결론에 도달했는지 설명

• 지식획득 모듈 : 전문가와의 인터뷰를 통해 지식 획득

• 지식베이스

  • 규칙 : 전문가로부터 획득한 'IF-THEN' 규칙들

  • 사실 : 전문가나 사용자로부터 획득되거나, 규칙으로부터 추론된 사실들

---

4. 추천 시스템

• 콘텐츠의 내용에 기반하거나 사람들의 성향에 대한 정보를 취득한 후, 개인화된 맞춤 콘텐츠를 추천하는 시스템

  ex) 유튜브 영상 추천, 온라인 쇼핑몰이나 뉴스 추천, 금융상품 추천 등

추천 시스템의 구조

4.1 추천 시스템의 종류

• 협업 기반 추천 (Collaborative Filtering) : 유사한 성향의 사용자 정보를 기반으로 추천

• 콘텐츠 기반 추천 (Content-Based Filtering) : 개인의 누적된 데이터를 기반으로 추천

• 하이브리드 추천 (Hybrid Filtering) : 협업 필터링(Collaborative Filtering) 콘텐츠 기반 필터링(Content-based Filtering)을 조합한 새로운 알고리즘

협업 기반 추천 vs. 콘텐츠 기반 추천

4.2 협업 기반 추천 (Collaborative Filtering)

4.2.1 협업 기반 추천의 종류

• 사용자 기반 추천(User-based Filtering)

  • 나와 비슷한 성향을 지닌 사용자의 데이터를 기반으로 그 사람이 구매한 상품을 추천하는 방식

• 아이템 기반 추천(Item-based Filtering)

  • 이전에 구매했던 아이템을 기반으로 그 상품과 유사한 다른 상품을 추천하는 방식

  • 상품 간 유사도는 함께 구매되는 경우의 빈도를 분석하여 측정

• 모델 기반 추천(Model-based Filtering)

  • 메모리 기반 추천 방식의 단점을 보완하기 위해 등장

  • 머신러닝을 이용해 평점을 예측하는 방법

  • 모델 기반 추천은 과거의 사용자 평점 데이터를 이용해 모델을 만들기 때문에 평점 정보가 없더라도 특정 콘텐츠에 대한 사용자의 평점을 예측 가능

4.2.2 협업 기반 추천의 단점

• 콜드 스타트(Cold Start)

  • 협업 기반 추천 시스템을 사용할 때, 어느 정도의 데이터가 누적되어 있지 않다면 신규 사용자에게는 어떠한 콘텐츠도 추천할 수 없게 된다.

  • 콜드 스타트는 이러한 상황을 일컫는 말로 ‘새로 시작할 때의 곤란함’을 의미한다.

• 계산 효율성 저하

  • 협업 기반 추천은 사용자 수가 많을수록 추천을 위한 계산 시간이 길어지는데, 이로 인해 시간이 오래 걸려 효율성이 떨어지는 문제가 발생한다.

• 롱테일(Long Tail) 문제

  • 사용자들의 소수의 인기 콘텐츠에 많은 관심 보이는 경향

    → 소수 인기 콘텐츠가 전체 추천 콘텐츠의 상당 비율을 차지

    → 관심이 저조한 항목은 정보가 부족하여 추천되지 못하는 문제 발생

4.3 콘텐츠 기반 추천 (Content-based Filtering)

• 협업 기반 추천의 한계를 극복하기 위해 등장

• 콘텐츠에 대한 분석을 기반으로 추천 방법

• 음악을 추천하기 위해서는 음악 자체를 분석하고, 메뉴를 추천하기 위해서는 메뉴 자체를 분석

  → 콘텐츠 기반 추천은 많은 양의 사용자 행동 정보가 필요하지 않아 콜드 스타트 문제가 발생하지 않는다.

• 콘텐츠 기반 추천의 단점

  • 분석의 한계로 인해 다양한 형식의 항목 추천이 어렵다.

4.4 하이브리드 추천 (Hybrid Filtering))

• 협업 필터링의 콜드 스타트 문제를 해결하기 위해 등장

• 신규 콘텐츠들은 콘텐츠 기반 필터링으로 분석을 진행한 후 충분한 데이터가 쌓이게 되면 협업 필터링으로 정확성을 높이는 방식

• 넷플릭스가 대표적인 하이브리드 추천 시스템의 예시