딥 러닝이라는 심층 학습은 인간이 자연스럽게 하는 작업을 컴퓨터에 학습시키는 기계 학습 방법 중 하나입니다. 인공지능(AI) 의 급속한 발전을 지지하는 기술이며 그 진보에 의해 다양한 분야에의 실용화가 진행되고 있습니다. 최근 개발이 진행되고 있는 자율주행차에서도 열쇠가 되고 있는 것은 딥 러닝입니다. 정지표지를 인식하거나 전주와 인간을 구별하는 것도 딥러닝이 가능하게 하는 기술이라고 할 수 있습니다. 또한 전화, 태블릿, TV, 핸즈프리 스피커 등의 음성 인식에도 중요한 역할을 합니다. 최근 딥러닝이 주목을 받고 있는 이유가 있습니다. 이는 딥 러닝이 기존 기술에서는 불가능했던 수준의 성능을 달성할 수 있게 되었기 때문입니다. 딥러닝 기술은 인간 신경세포(뉴런)의 구조를 본뜬 시스템인 신경망 이 베이스로 되어 있습니다. 신경망을 다층으로 하여 이용하는 것으로 데이터에 포함되는 특징을 단계적으로 보다 깊게 학습하는 것이 가능하게 됩니다. 다층 구조의 신경망에 대량의 이미지, 텍스트, 음성 데이터 등을 입력함으로써 컴퓨터 모델은 데이터에 포함된 특징을 각 계층에서 자동으로 학습해 갑니다. 이 구조와 학습 기법은 딥 러닝 특유이며 이에 따라 딥 러닝 모델은 매우 높은 정밀도를 자랑하며 때로는 인간의 인식 정밀도를 초과하는 경우도 있습니다. 어떻게 딥러닝은 이렇게 뛰어난 성과를 거두고 있는 것일까요? 딥 러닝은 한때 높은 수준의 인식 정확도에 도달했습니다. 높은 인식 정확도는 가정용 전기 장비 분야에서 사용자의 기대에 부응할 수 있습니다. 또한 자율주행차와 같이 안전성이 최우선되어야 하는 분야에서는 인식 정밀도가 무엇보다 중요한 요소라고 할 수 있습니다. 딥 러닝은 최근의 진보로 이미지 인식 등의 태스크에 있어서 인간의 인식 능력을 넘어서고 있습니다. 딥러닝이 최초로 이론으로 등장한 것은 1980년대이지만 최근 몇 년 동안 주목을 받게 된 데는 두 가지 이유가 있습니다. 딥 러닝에는 많은 양의 레이블이 지정된 데이터 가 필요한데 자율주행 차량 개발에는 수백만 개의 정지 영상과 수천 시간의 동영상이 필요합니다. 지금까지는 최근처럼 대규모 데이터를 얻기가 쉽지 않았기 때문에 지금까지 높은 수준의 인식 정확도를 실현할 수 없었습니다. 딥 러닝에는 고급 컴퓨터 처리 능력 이 필수적인데 고성능 GPU는 딥 러닝에 효율적인 병렬 구성으로 되어 있습니다. GPU를 클러스터와 클라우드와 결합함으로써 몇 주가 걸린 네트워크 학습 시간을 몇 시간 이하로 단축할 수 있었습니다. 딥러닝은 자율주행 부터 의료기기 까지 폭넓은 분야에 활용되고 있다고합니다. 자동 운전 분야의 자동차 연구원은 딥 러닝을 사용하여 일시 정지 표지 및 신호등과 같은 것을 자동으로 인식한다고하는데 보행자 감지에도 사용되며 사고 감소에 도움이 된다고합니다. 항공우주 방위 분야 딥러닝은 위성으로부터 물체인식과 물체 검출을 하여 지상부대가 안전한 지역에 있는지 여부를 판단하는데 사용되고있다고합니다. 의료 연구 분야의 암 연구자는 딥 러닝을 사용하여 자동으로 암세포를 감지한다고하는데 UCLA의 연구팀은 딥 러닝 학습에 필요한 고차원 데이터 세트를 만드는 고정밀 현미경을 구축하여 암세포를 정확히 찾아내고 다고합니다. 산업 자동화 딥 러닝은 중장비 주변에서 업무를 수행하는 작업자의 안전성을 향상시키는 데 도움이 된다고하는데 사람이나 물건이 기계의 위험 영역 내에 침입하면 이를 자동으로 감지할 수 있는 수준이라합니다. 전자 영역의 딥 러닝은 자동 음성 번역에 사용 된다고하는데 사람의 목소리에 반응하는 홈 어시스턴트 장치에는 딥 러닝 기술이 활용되고 있습니다. 다음은 딥 러닝의 메커니즘에 대해 알아보겠습니다. 딥 러닝의 많은 기술은 신경망 의 구조를 사용하며 이러한 배경에서 딥 러닝 모델은 딥 뉴럴 네트워크 라고도 한다합니다. 딥 러닝 모델은 대규모 라벨링된 데이터와 신경망 구조를 활용하여 학습 한다고하는데 이렇게 하면 데이터에서 직접 특징적인 부분을 학습할 수 있어 지금까지와 같이 수작업으로 추출이 필요 없게 되었다고하네요. 딥 뉴럴 네트워크에서 가장 많이 사용되는 것은 컨벌루션 뉴럴 네트워크 라는 네트워크하고하는데 이 2차원 컨볼루션 레이어는 이 아키텍처를 이미지와 같은 2차원 데이터 처리에 적합하게 만든다고하네요. 컨벌루션 뉴럴 네트워크는 첫 번째 숨겨진 레이어는 가장자리 감지 와 같은 간단한 특징으로 시작하여 마지막 레이어에서는 더 복잡한 특징 특히 인식하고 싶은 물체의 모양을 학습 한다고 합니다. 기계 학습과 딥 러닝의 차이점을 알아보면 딥 러닝은 기계 학습 의 하나의 특수한 형태라고 말할 수 있는 거라합니다. 일반적인 기계 학습 워크플로는 이미지에서 수동으로 특징량을 추출하여 시작하여 추출한 특징을 사용하여 이미지의 물체를 분류하는 모델을 만든다고하네요. 딥 러닝의 큰 장점은 데이터가 늘어남에 따라 종종 정확도를 향상시킬 수 있다는 것이라는데 기계 학습에는 다양한 방법과 모델이 있어서 용도나 처리하는 데이터 사이즈나 해결하고 싶은 과제의 타입에 맞게 선택할 수 있다고합니다. 딥 러닝을 성공하려면 데이터를 빠르게 처리하기 위한 GPU 뿐만 아니라 모델을 학습시키기 위한 대량의 데이터가 필요하다고하는데 기계 학습 또는 딥 러닝을 선택전 고성능 GPU와 대량의 데이터를 확인하고 시작해야하며 만약 두가지중 어느 한쪽이 없어진 경우는 딥 러닝이 아닌 기계 학습이 우수하다고 말할 수 있을 것입니다. 딥 러닝은 일반적으로 기계 학습보다 복잡하기 때문에 신뢰할 수 있는 결과를 얻으려면 최소한 수천 개의 이미지가 필요하지만 보다 고성능인 GPU가 있으면 그러한 대량의 화상의 학습에 필요한 시간은 한층 더 단축해 갈 수 있습니다.
댓글