딥러닝 인공지능

딥러닝 인공지능

딥러닝 인공지능은 인간의 두뇌를 모방하려고 시도하지만 그 능력에 미치지는 못하지만 시스템이 데이터를 클러스터링 하고 놀라운 정확도로 예측할 수 있도록 합니다.

딥러닝이란?

딥 러닝은 기본적으로 3개 이상의 레이어가 있는 신경망 인 기계 학습 의 하위 집합입니다. 이러한 신경망은 인간 두뇌의 행동을 시뮬레이션하려고 시도합니다. 비록 능력과는 거리가 멀긴 하지만, 이를 통해 많은 양의 데이터에서 "학습"할 수 있습니다. 단일 레이어가 있는 신경망은 여전히 ​​대략적인 예측을 할 수 있지만 추가 은닉 레이어는 정확도를 최적화하고 개선하는 데 도움이 될 수 있습니다.

딥 러닝은 자동화를 개선하고 사람의 개입 없이 분석 및 물리적 작업을 수행하는 많은 인공 지능(AI) 애플리케이션 및 서비스를 구동합니다. 딥 러닝 기술은 일상적인 제품 및 서비스(예: 디지털 비서, 음성 지원 TV 리모컨, 신용 카드 사기 탐지)와 새로운 기술(예: 자율 주행 자동차) 뒤에 있습니다.

딥 러닝 대 머신 러닝

딥 러닝이 머신 러닝의 하위 집합이라면 어떻게 다릅니까? 딥 러닝은 작동하는 데이터 유형과 학습 방법에 따라 기존 머신 러닝과 구별됩니다.

기계 학습 알고리즘은 구조화되고 레이블이 지정된 데이터를 활용하여 예측을 수행합니다. 즉, 특정 기능이 모델의 입력 데이터에서 정의되고 테이블로 구성됩니다. 이것이 반드시 비정형 데이터를 사용하지 않는다는 것을 의미하지는 않습니다. 그렇다면 일반적으로 구조화된 형식으로 구성하기 위해 일부 사전 처리를 거칩니다.

딥 러닝은 일반적으로 머신 러닝과 관련된 일부 데이터 사전 처리를 제거합니다. 이러한 알고리즘은 텍스트 및 이미지와 같은 비정형 데이터를 수집 및 처리할 수 있으며 기능 추출을 자동화하여 인간 전문가에 대한 의존도를 일부 제거합니다. 예를 들어 다양한 애완동물의 사진 세트가 있고 "고양이", "개", "햄스터" 등으로 분류하려고 한다고 가정해 보겠습니다. 딥 러닝 알고리즘은 각 동물을 다른 동물과 구별하는 데 가장 중요한 특징(예: 귀)을 결정할 수 있습니다. 기계 학습에서 이러한 기능 계층 구조는 전문가가 수동으로 설정합니다.

그런 다음 경사 하강 및 역전파 과정을 통해 딥 러닝 알고리즘이 자체적으로 정확도를 조정하고 맞춤으로써 더 높은 정확도로 동물의 새로운 사진을 예측할 수 있습니다.

머신 러닝 및 딥 러닝 모델은 일반적으로 지도 학습, 비지도 학습 및 강화 학습으로 분류되는 다양한 유형의 학습도 가능합니다. 지도 학습은 레이블이 지정된 데이터 세트를 사용하여 예측을 분류하거나 만듭니다. 이것은 입력 데이터에 올바르게 레이블을 지정하기 위해 일종의 인간 개입이 필요합니다. 대조적으로, 비지도 학습은 레이블이 지정된 데이터 세트가 필요하지 않으며 대신 데이터의 패턴을 감지하여 구별되는 특성으로 클러스터링 합니다. 강화 학습은 보상을 최대화하기 위해 피드백을 기반으로 환경에서 행동을 수행하는 모델이 더 정확해지도록 학습하는 과정입니다.

서로 다른 기술 간의 미묘한 차이에 대한 자세한 내용은 " AI 대 기계 학습 대 딥 러닝 대 신경망: 차이점은 무엇입니까? " 를 참조하십시오.

지도 학습과 비지도 학습의 구체적인 차이점에 대해 자세히 알아보려면 " 지도 학습 vs. 비지도 학습: 차이점이 무엇인가요? " 를 참조하세요.

딥 러닝의 작동 원리

딥러닝 인공지능 신경망 또는 인공 신경망은 데이터 입력, 가중치 및 편향의 조합을 통해 인간의 두뇌를 모방하려고 시도합니다. 이러한 요소는 함께 작동하여 데이터 내의 개체를 정확하게 인식, 분류 및 설명합니다.

심층 신경망은 상호 연결된 노드의 여러 레이어로 구성되며, 각 레이어는 이전 레이어를 기반으로 구축되어 예측 또는 분류를 개선하고 최적화합니다. 네트워크를 통한 이러한 계산의 진행을 순방향 전파라고 합니다. 심층 신경망의 입력 및 출력 레이어를 가시 레이어라고 합니다. 입력 레이어는 딥 러닝 모델이 처리를 위해 데이터를 수집하는 곳이고 출력 레이어는 최종 예측 또는 분류가 이루어지는 곳입니다.

역전 파라고 하는 또 다른 프로세스는 기울기 하강법과 같은 알고리즘을 사용하여 예측의 오류를 계산한 다음 모델을 훈련시키기 위해 레이어를 뒤로 이동하여 함수의 가중치와 편향을 조정합니다. 순방향 전파와 역전파를 함께 ​​사용하면 신경망이 예측을 수행하고 그에 따라 오류를 수정할 수 있습니다. 시간이 지남에 따라 알고리즘은 점차 더 정확해집니다.

위의 내용은 가장 단순한 유형의 심층 신경망을 가장 간단한 용어로 설명합니다. 그러나 딥 러닝 알고리즘은 엄청나게 복잡하고 특정 문제나 데이터 세트를 해결하기 위한 다양한 유형의 신경망이 있습니다. 예를 들어,

주로 컴퓨터 비전 및 이미지 분류 애플리케이션에 사용되는 CNN(Convolutional Neural Networks) 은 이미지 내의 특징과 패턴을 감지하여 객체 감지 또는 인식과 같은 작업을 수행할 수 있습니다. 2015년 CNN은 물체 인식 챌린지에서 처음으로 인간을 이겼습니다. 순환 신경망(RNN) 은 일반적으로 순차 또는 시계열 데이터를 활용하므로 자연어 및 음성 인식 애플리케이션에 사용됩니다.

딥 러닝 애플리케이션

실제 딥러닝 인공지능 응용 프로그램은 일상생활의 일부이지만 대부분의 경우 제품 및 서비스에 너무 잘 통합되어 사용자가 백그라운드에서 발생하는 복잡한 데이터 처리를 인식하지 못합니다. 이러한 예에는 다음이 포함됩니다.

법 집행

딥 러닝 알고리즘은 거래 데이터를 분석하고 학습하여 사기 또는 범죄 활동 가능성을 나타내는 위험한 패턴을 식별할 수 있습니다. 음성 인식, 컴퓨터 비전 및 기타 딥 러닝 애플리케이션은 음성 및 비디오 녹음, 이미지 및 문서에서 패턴과 증거를 추출하여 수사 분석의 효율성과 효과를 향상할 수 있으며, 이는 법 집행 기관이 많은 양의 데이터를 보다 빠르고 정확하게 분석하는 데 도움이 됩니다.

금융 서비스

금융 기관은 정기적으로 예측 분석을 사용하여 주식의 알고리즘 거래를 추진하고, 대출 승인을 위한 비즈니스 위험을 평가하고, 사기를 감지하고, 고객을 위한 신용 및 투자 포트폴리오 관리를 돕습니다.

고객 서비스

많은 조직에서 딥러닝 인공지능 기술을 고객 서비스 프로세스에 통합합니다. 다양한 애플리케이션, 서비스 및 고객 서비스 포털에서 사용되는 챗봇 은 단순한 형태의 AI입니다. 전통적인 챗봇은 자연어와 시각적 인식을 사용하며, 이는 일반적으로 콜센터와 유사한 메뉴에서 볼 수 있습니다. 그러나 보다 정교한 챗봇 솔루션 은 학습을 통해 모호한 질문에 여러 응답이 있는지 확인하려고 시도합니다. 수신한 응답을 기반으로 챗봇은 이러한 질문에 직접 응답하거나 대화를 인간 사용자에게 라우팅 하려고 시도합니다.

Apple의 Siri, Amazon Alexa 또는 Google Assistant와 같은 가상 비서는 음성 인식 기능을 활성화하여 챗봇의 개념을 확장합니다. 이것은 개인화된 방식으로 사용자를 참여시키는 새로운 방법을 만듭니다.

보건 의료

의료 산업은 병원 기록 및 이미지의 디지털화 이후로 딥 러닝 기능의 이점을 크게 누리고 있습니다. 이미지 인식 응용 프로그램은 의료 영상 전문가와 방사선 전문의를 지원하여 더 짧은 시간에 더 많은 이미지를 분석하고 평가할 수 있습니다.

딥 러닝 하드웨어 요구

사항 딥 러닝에는 엄청난 양의 컴퓨팅 파워가 필요합니다. 고성능 그래픽 처리 장치(GPU) 는 사용 가능한 메모리가 많은 다중 코어에서 대량의 계산을 처리할 수 있기 때문에 이상적입니다. 그러나 온프레미스에서 여러 GPU를 관리하면 내부 리소스에 대한 수요가 많고 확장하는 데 막대한 비용이 소요될 수 있습니다. 딥 러닝과 IBM 수십 년 동안 IBM은 IBM의 AI 챗봇 인 IBM Watson의 개발로 강조되는 AI 기술 및 딥 러닝 개발의 개척자였습니다. 딥 러닝 기술의 가장 초기 성과 중 하나인 Watson은 이제 AI 채택 및 구현에 대한 검증된 계층적 접근 방식을 사용하여 시스템에 고급 자연어 처리 및 기계 학습 기술을 적용하려는 기업을 위한 신뢰할 수 있는 솔루션입니다.

Watson은 Apache UIMA(Unstructured Information Management Architecture) 프레임워크와 IBM의 DeepQA 소프트웨어를 사용하여 애플리케이션에서 강력한 딥러닝 인공지능 기능을 사용할 수 있도록 합니다. 기업은 IBM Watson Studio 와 같은 도구를 활용하여 빅 데이터를 활용하고 데이터 과학 프로젝트를 프로덕션 환경으로 가져오는 동시에 모든 클라우드에서 모델을 배포 및 실행할 수 있습니다.