충남대학교 컴퓨터융합학부의 김동일 교수님의 기계학습을 수강한 후 정리한 글입니다.
Early AI VS Modern AI
Early AI 는 사람이 수행하긴 어렵지만, 컴퓨터가 수행하기는 쉬운 일.
즉 컴퓨터를 통해 인간의 지능을 +a 해주는 역할이었다.
가령 예를 들어 수학적인 계산식 이 있다.라플라스 변환이라는데 뭔지 모르겠다.
아무튼 이런 식이 있을 때 사람은 이해하기 어렵고 이해를 했어도 수를 직접 대입하여 이를 사용하려면 계산하는데 많은 시간이 필요하다. 하지만 컴퓨터는 다르다. f(x)와 g(x)가 주어지고 적분을 수행하는 코드가 주어진다면 결과가 딱! 나올 것이다. 이렇게 컴퓨터의 도움을 통해서 인간의 지능을 향상시키는 역할이 과거의 AI였다.
그렇다면 Modern AI 는 무엇일까?
Modern AI 는 사람이 이해하기는 쉽지만, 컴퓨터가 이해하기는 어려운 일.
궁극적인 목표는 사람과 같은 생각을 할 수 있는 컴퓨터이다.
사람의 목소리 , 손으로 작성한 숫자들 은 사람이 한 눈에 파악할 수 있는 데이터이다. 하지만 컴퓨터는 그렇지 않다. 이러한 데이터는 직관적인 정보 나 형식이 없는 데이터 로써 컴퓨터가 판단하기 어렵다. 이러한 데이터 의 상관 관계를 분석해서 새로운 데이터 가 들어왔을 때 어떤 데이터 인지 판별하는 것, 즉 사람과 같은 생각을 할 수 있는 컴퓨터가 Modern AI 이다.
학습 방법의 차이
Early AI 와 Modern AI 는 학습 방법 에서도 차이가 난다. Early AI 는 하드 코딩된 AI이다. 위에서 설명한 라플라스 변환 처럼, 적분을 수행하는 코드를 통해 적분을 진행하고 지식을 습득한다. 다시 말하면 인간에 의해 형태를 갖춘 데이터로 지식을 습득한다고 할 수 있다. 이와 다르게 Modern AI 는 경험을 통해 학습 을 진행한다. 데이터에서 특정 패턴을 추출하고 이를 통해 지식을 습득한다. 오늘날의 머신러닝 이 여기에 해당한다.
예측을 통한 학습
컴퓨터는 시각, 음성, 텍스트 데이터를 이용하여 예측을 하고 값을 추출한다. 이러한 예측엔 크게 두 가지가 있는데 하나는 사람이 직접 규칙을 정의하는 Traditional Rule-Based한 방법이고 다른 하나는 추론 모델을 통해 두 데이터 간의 상관 관계를 분석하는 Data-Driven Machine Learnig한 방법이다.
우선 첫 번째 방법은 전통적인 방법이다. Rule-Based라고도 얘기한다. 예측을 위해 규칙들을 직접 다 프로그래밍 해주는 방법이다. 사진처럼 조건문을 활용하여 꺾이는 부분이 없고 한 줄로 이어져 있으면 1, 그렇지 않은 경우 다른 숫자, 이렇게 사람이 직접 짠 코드에 의해 이를 예측한다. 이 방식의 경우 Input이라는 하나의 데이터만 존재하면 된다.
두 번째는 학습 모델을 통한 예측 방법이다. Input으로 학습 데이터와 Target 데이터, 총 2개의 데이터가 필요하며, 학습 모델이 추가적으로 필요하다. 이을 통해 두 데이터 간의 상관 관계를 분석하고 이를 통해 새로운 데이터를 예측한다.
Rule-Based는 푸는 방식을 알려주고, Data-Driven은 문제와 정답을 알려주고 상관 관계를 찾아낸다고 생각하면 된다.
