AI와 딥러닝
인공 지능(AI)과 딥 러닝(DL)의 하위 분야로 인해 컴퓨터가 대체할 수 있는 반복 작업의 지평은 계속 확장되고 있습니다.
인공 지능은 장치에 일종의 인간과 같은 지능을 제공합니다.
딥 러닝은 인간 두뇌의 측면을 모방하는 AI 기술로, 상황 분석 및 조치를 위해 정보를 처리할 수 있는 기능을 장치에 제공합니다.
연구원들은 챗봇과 같은 딥 러닝 AI 애플리케이션을 가능하게 하는 자가 학습 알고리즘을 계속 개발하고 있습니다.
딥 러닝을 더 잘 이해하려면 AI 진화의 일부로 딥 러닝을 이해해야 합니다.
딥 러닝과 완전한 AI에 도달하는 길
머신 러닝의 발전
인공 지능 내에서 머신 러닝(ML) 은 하위 분야이며 딥 러닝은 머신 러닝의 고급 하위 분야입니다. 기계 학습에서 장치는 콘텍스트를 기반으로 프로그래밍을 넘어 정보를 처리하고 평가할 수 있습니다. 오염된 데이터 세트에서 비롯된 ML 약점은 ML 알고리즘이 데이터를 제공하기 위해 사람에 의존한다는 사실에서 비롯됩니다. 사람은 알고리즘을 훈련하기 전에 정보를 분류하거나 알고리즘에 훈련 피드백을 제공합니다. 인간의 주관성과 편견이 알고리즘에 침투합니다.
신경망은 딥 러닝을 주도합니다.
기계 학습의 인간 기반 결점을 부분적으로 제거하기 위해 연구원들은 더 스마트한 ML 알고리즘을 만들기 위해 계속 노력하고 있습니다. 분류되지 않은 원시 데이터에서 스스로 학습할 수 있는 ML 내 신경망을 설계합니다. 딥 러닝의 핵심인 신경망은 결정을 생성하기 위해 가중 변수를 더하는 수학 공식을 기반으로 하는 알고리즘을 통합합니다.
신경망 알고리즘의 한 가지 예는 자율주행차가 앞으로 나아가야 하는지 결정할 때 고려하는 가능한 모든 변수입니다. 가중치는 자동차 안전보다 승객 안전을 우선시하는 것과 같이 변수의 중요성을 우선시합니다.
딥 러닝은 ML 알고리즘을 신경망의 여러 계층으로 확장하여 연결된 변수 및 관련 결정의 여러 계층으로 구성된 의사 결정 트리를 만듭니다. 자율 주행 자동차의 예에서 앞으로 나아가면 속도, 장애물 탐색 필요성, 목적지 탐색 등에 관한 결정으로 이어집니다. 그러나 이러한 후속 결정은 AI가 이전 결정을 재고하고 변경하도록 하는 피드백을 생성할 수 있습니다. 딥 러닝은 학습을 통해 그리고 거의 동시적인 의사 결정의 여러 계층을 통해 학습할 수 있다는 점에서 인간의 두뇌를 모방하려고 합니다.
딥 러닝이 포함된 AI 사용 사례
딥 러닝은 컴퓨터 데이터의 바다에서 인간의 두뇌에 숨겨진 정보와 패턴을 밝힐 것을 약속합니다.
딥 러닝이 포함된 AI가 우리를 둘러싸고 있습니다. Apple의 Siri와 Amazon의 Alexa는 우리의 말을 해석하고 개인 비서 역할을 하려고 합니다. Amazon과 Netflix는 AI를 사용하여 우리가 즐기고 싶은 다음 제품, 영화 또는 TV 프로그램을 예측합니다. 은행, 의료 및 전자 상거래를 위해 방문하는 많은 웹 사이트는 AI 챗봇을 사용하여 고객 서비스의 초기 단계를 처리합니다.
딥 러닝 알고리즘은 다음에 적용되었습니다.
고객 서비스
대화형 AI는 자연어 처리(NLP) , 콜 센터 스타일 의사 결정 트리 및 기타 리소스를 통합하여 챗봇 및 음성 메일 의사 결정 트리와 같은 첫 번째 수준의 고객 서비스를 제공합니다.
사이버 보안
AI는 로그 파일, 네트워크 정보 등을 분석하여 IT 시스템에 대한 맬웨어 및 인간의 공격을 감지, 보고 및 수정합니다.
금융 서비스
예측 분석은 주식을 거래하고, 대출을 승인하고, 잠재적인 사기를 표시하고, 포트폴리오를 관리합니다.
건강 관리
이미지 인식 AI는 의료 분석을 돕기 위해 의료 영상을 검토합니다 .
법 집행
사기, 자금 세탁 및 기타 범죄의 징후가 있는지 확인하기 위해 지불 및 기타 금융 거래를 추적합니다.
음성, 비디오, 이메일 및 기타 증거에서 패턴 추출
많은 양의 데이터를 빠르게 분석
오늘날 인공 지능
우리는 현재 인간 수준에서 생각할 수 있는 AI를 갖고 있지 않지만 기술자들은 AI가 할 수 있는 것의 한계를 계속해서 밀어붙이고 있습니다. 자율주행차 및 의료 진단을 위한 알고리즘은 계속해서 개발되고 개선됩니다.
지금까지 AI의 주요 과제는 예측 불가능성과 잘못된 훈련 데이터에서 비롯됩니다.
편향된 인공지능 판사(2019) : 인공지능을 편파적이지 않다고 홍보하려는 사람들에게 큰 실망을 안겨준 것은 양형의 핵심 요소인 재범률을 추정하도록 설계된 인공지능 알고리즘이 편향된 양형 권고를 내놓은 것이다. 불행히도 AI는 데이터에 인종 및 경제적 편견이 포함된 역사적 데이터에서 학습했습니다. 따라서 유사한 편견을 계속 통합했습니다.
Balls vs. Bald Heads (2020) : Caledonian Thistle FC는 축구장에서 공을 따라가는 자동카메라 시스템을 위해 AI를 훈련했습니다. 이것은 심판이 빛나는 대머리로 나타날 때까지 잘 작동했고 AI는 대신 경기장 주변에서 심판을 따랐습니다.
AI는 세 가지 일반적인 범주로 구성됩니다. ANI(인공 협소 지능)는 체스를 하거나 조립 라인에서 자동차를 그리는 것과 같은 특정 작업을 완료하는 데 중점을 둡니다. 인공 일반 지능(AGI)은 인간의 지능 수준에 도달하기 위해 노력합니다. 그리고 인공 슈퍼 지능(ASI)은 인간을 능가하려고 합니다. 이 마지막 두 범주 중 어느 것도 존재하지 않으므로 모든 기능적 AI는 ANI로 분류됩니다.
단계로서의 딥 러닝
딥 러닝은 계속해서 개선되고 일부 결과를 제공하지만 현재로서는 좁은 인공 지능 범주를 벗어나는 데 필요한 더 높은 정교함 수준에 도달할 수 없습니다. 개발자가 알고리즘에 계층을 계속 추가함에 따라 AI는 점점 더 복잡해지는 작업을 계속 지원하고 그 유용성을 확장할 것입니다. AI를 통한 인간과 유사하고 초인간적인 지능이 우리를 벗어나더라도 딥 러닝은 계속해서 증가하는 AI의 힘을 보여줍니다.
댓글