목 차
들어가며
신문기사나 인터넷 자료를 보면 인공지능, 머신러닝, 딥러닝을 혼용하여 사용하는 경우가 많습니다. 그 차이와 유사점에 대해서 간단히 알아 보겠습니다.
1. 인공지능 AI
AI는 머러닝과 딥러닝을 포괄하는 넓은 의미를 갖고있습니다. 1950년대도 지금처럼 컴퓨터가 스스로 생각하여 최적의 결과가 나오는 것을 생각했습니다.
이 무렵 나온 것이 ‘Rule(룰)기반 처리’ 인데요. 예를 들어 배달음식을 주문할 때 가장 빨리 배달되는 음식은? 이라는 질문이 있을 때 이를 처리하는 과정을 IF / ELSE 로 구분하여 답을 찾는 방식이었습니다.
1. 주문시점 오픈한 음식점인가(Yes/No) 2. 조리에 걸리는 시간이 짧은가(Yes/No) 3. 배달 거리가 가장 가까운 음식인가(Yes/No) 로 정해두고 순서대로 답을 찾는 방식이었죠.
이러한 룰방식(Rule)은 현재에도 많이 사용되고 있으며 간단한 문제의 처리에는 효과적이기도 합니다. 하지만 새로운 조건이끼여들면 이 조건을 수정하는데 어려움이 있고 해당 업무전문가가 아니라면 Rule을 만드는 것도 한계가 있습니다.
이처럼 AI는 Rule 등 전통적인 프로그램을 포함하는 넓은 의미의 인공지는을 통칭합니다.
2. 머신러닝 Machine Learning
머신러닝은 이전 포스팅에서 설명드린 데이터를 학습하여 AI모델을 만드는 원리에 해당하는 기술입니다. 데이터를 알고리즘을 통해 학습시키고 AI모델이라는 뇌를 만드는 방식입니다.
머신러닝의 학습 방법은 1)지도학습 2)비지도학습 3)강화학습으로 구분됩니다.
1) 지도학습(Supervised Learning)
정답지를 주고 학습하는 것으로 예를 들어 고양이 사진을 반복학습시켜 처음보는 사진을 입력했을 때 고양이 인지 맞추는 학습방법입니다.
지도학습은 답을 예측하는 것, 비지도학습은 구분해주는 AI모델을 만듭니다.
2) 비지도학습(Unsupervised Learning)
데이터를 구분하여 분류하는 방식의 학습방법입니다. 사진을 입력했을 때 개와 고양이 사진을 분류해 주는 방식입니다.
머신러닝의 비지도학습으로 개와 고양이 사진을 구분할 수 있어요
3) 강화학습(Reinforcement Learning)
행동에 따른 환경변화와 보상값이 다시 행동을 결정하는 값으로 정의되는 학습방법입니다. 바둑의 알파고에서 사용되었고 바둑판에 어떤 수를 놓느냐에 따른 승률을 계산하여 최적의 의사결정을 처리하는 머신러닝 방법입니다.
강화학습은 게임에서 많이 사용됩니다. 학습시간이 지날 수록 스스로 최적의 방법을 찾아내요
3. 딥러닝 Deep Learning
딥러닝은 머신러닝을 처리하는 방법중 하나 입니다. 머신러닝을 계산하는 과정에서 여러단계(Deep) 거쳐 처리하면 정확도가 높아지는 것을 이용한 것입니다. 이미지, 텍스트 등 비정형 데이터를 처리할 때 많이 사용되고 있습니다.