딥 러닝과 머신 러닝의 비교 차이점을 이해하는 간단한 방법
인공 지능(AI)의 최신 발전 기능을 이해하는 것은 매우 어려워 보일 수 있지만 관심 있는 기본 사항을 살펴보면 AI 혁신을 두 가지 개념, 즉 딥 러닝과 머신 러닝으로 요약할 수 있습니다. 이러한 용어는 의미가 같은 유행어처럼 보이는 경우가 많으므로, 차이점을 이해하는 것이 중요합니다.
그 둘의 차이점을 알아야 하며, 딥 러닝과 머신 러닝의 예는 어디에나 있습니다. 여기에는 Netflix에서 여러분이 다음에 보고 싶어 하는 프로그램을 파악하는 방법, Facebook에서 사진에 찍힌 사람을 인식하는 방법, 고객 서비스 담당자가 여러분이 고객 만족도(CSAT) 설문조사에 참여하기도 전에 지원에 대해 만족하는지 알아내는 것이 포함됩니다.
그렇다면 인공 지능에 대한 주된 개념은 무엇이며 그 둘은 정확히 어떻게 다를까요?
딥 러닝과 머신 러닝의 차이
머신 러닝과 딥 러닝의 차이를 이해하기에 가장 쉬운 요점은 딥 러닝이 머신 러닝에 해당함을 아는 것입니다.
구체적으로, 딥 러닝은 머신 러닝이 진화한 것으로 여겨집니다. 딥 러닝은 기계가 사람의 도움 없이도 정확한 결정을 내릴 수 있도록 해주는 프로그래밍 가능한 신경망을 사용합니다.
하지만 우선 머신 러닝을 정의해 보겠습니다.
머신 러닝이란 무엇인가요?
머신 러닝의 기본 정의는 다음과 같습니다.
"데이터를 구문 분석하고 해당 데이터를 통해 학습한 후 정보를 바탕으로 결정을 내리기 위해 학습한 내용을 적용하는 알고리즘"
머신 러닝 알고리즘의 쉬운 예는 주문형 음악 스트리밍 서비스입니다. 서비스에서 청취자에게 추천할 새 노래나 아티스트를 결정하기 위해 머신 러닝 알고리즘은 청취자의 선호 사항을 음악적 취향이 비슷한 다른 청취자와 연관시킵니다. 종종 간단히 AI라고 불리는 이 기술은 자동화된 추천을 제공하는 많은 서비스에서 사용됩니다.
머신 러닝은 모든 종류의 자동화된 작업을 부추기며, 악성 코드를 추적하는 데이터 보안 회사부터 유리한 거래에 대해 알림을 받고 싶어 하는 재무 전문가까지 여러 산업에 걸쳐 존재합니다. AI 알고리즘은 가상의 개인 비서처럼 끊임없이 학습하도록 프로그래밍되었으며, 이 작업을 상당히 잘 수행합니다.
머신 러닝은 결국 손전등, 자동차 또는 컴퓨터 화면이 작동하는 것과 같은 방식으로 기계적 기능을 수행하는 여러 복잡한 수학/코딩입니다. '머신 러닝'이 가능하다는 말은 주어진 데이터로 기능을 수행하고, 시간이 지남에 따라 그 기능이 점차 향상됨을 의미합니다. 예를 들어 "어두워"라고 말할 때마다 불이 켜지는 손전등이 '어둠'이라는 단어가 포함된 다른 구절을 인식하는 것입니다.
딥 러닝과 심층 신경망에 대한 이야기를 시작하면, 기계가 새로운 기술을 배우는 방법이 정말 재미(와 흥미)있어지기 시작합니다.
딥 러닝과 머신 러닝의 차이점
실질적으로 딥 러닝은 머신 러닝의 하위 개념입니다. 실제로 머신 러닝에 해당하며 비슷한 방식으로 작동합니다(두 용어가 때로 비슷하게 사용되는 이유이기도 함). 하지만 둘의 기능은 다릅니다.
기본 머신 러닝 모델은 그 기능이 무엇이든 점진적으로 향상되는데, 여전히 약간의 안내가 필요합니다. AI 알고리즘이 부정확한 예측을 반환하면 엔지니어가 개입하여 조정해야 합니다. 딥 러닝 모델을 사용하면 알고리즘이 자체 신경망을 통해 예측의 정확성 여부를 스스로 판단할 수 있습니다.
손전등의 예로 돌아가 보겠습니다. 누군가 '어둠'이라는 단어를 말하는 소리 신호를 인식할 때 불이 켜지도록 손전등을 프로그래밍할 수 있습니다. 이를 계속 학습하면서 그 단어가 포함된 구절을 인식하면 결국 불을 켤 수 있습니다. 손전등에 딥 러닝 모델이 있다면 안 보여 또는 스위치가 안 켜져라는 신호가 있을 때, 어쩌면 빛 센서와 함께 불을 켜야 한다는 것을 이해하게 될 수 있습니다. 딥 러닝 모델은 자체적인 컴퓨팅 방법, 즉 자체적인 두뇌가 있는 것처럼 보이는 기술을 통해 학습할 수 있습니다.
딥 러닝은 어떻게 작동하나요?
딥 러닝 모델은 인간이 결론을 내리는 방식과 유사한 논리 구조를 사용하여 데이터를 지속적으로 분석하도록 설계되었습니다. 이를 달성하기 위해 딥 러닝 애플리케이션은 인공 신경망이라는 계층화된 알고리즘 구조를 사용합니다. 인공 신경망의 설계는 인간 두뇌의 생물학적 신경망에서 영감을 얻어, 표준 머신 러닝 모델보다 훨씬 더 뛰어난 학습 프로세스를 제공합니다.
딥 러닝 모델이 잘못된 결론을 도출하지 않도록 보장하는 것은 까다롭습니다. AI의 다른 예시처럼, 학습의 프로세스를 정확하게 만들려면 많은 교육이 필요합니다. 하지만 의도대로 작동한다면, 기능적인 딥 러닝은 많은 사람들이 진정한 인공 지능의 중추라고 생각하는 것이자 과학의 경이로움으로 여겨집니다.
딥 러닝의 좋은 예는 Google의 AlphaGo입니다. Google은 날카로운 지능과 직관이 필요한 것으로 알려진 Go라는 이름의 추상적인 보드 게임을 배우는, 자체적인 신경망을 가진 컴퓨터 프로그램을 만들었습니다. AlphaGo의 딥 러닝 모델은 표준 머신 러닝 모델과는 달리 특정 동작을 수행해야 할 시점을 알려주지 않고도, 전문적인 Go 플레이어와 대결하여 인공 지능에서는 전혀 볼 수 없었던 수준에서 플레이하는 방법을 배웠습니다. AlphaGo가 게임에서 세계적으로 유명한 여러 "마스터"들을 상대로 이겼을 때 상당한 화제가 되었습니다. 기계가 게임의 복잡한 기술과 추상적인 측면을 파악했을 뿐만 아니라 게임에서 최고의 플레이어 중 하나가 된 것이었습니다.
둘 사이의 차이점을 요약하자면 다음과 같습니다.
머신 러닝은 알고리즘을 사용하여 데이터를 구문 분석하고 해당 데이터에서 학습하며, 학습한 내용에 따라 정보에 근거한 결정을 내립니다.
딥 러닝은 알고리즘을 계층으로 구성하여 자체적으로 배우고 지능적인 결정을 내릴 수 있는 "인공 신경망"을 만듭니다.
딥 러닝은 머신 러닝의 하위 개념입니다. 둘 다 광범위한 인공 지능의 카테고리에 속하지만 인간과 가장 유사한 인공 지능을 구동하는 것은 딥 러닝입니다.
미래의 연료로서의 데이터
현재의 "빅 데이터 시대"에서 방대한 양의 데이터가 생성됨에 따라, 우리는 아직 상상할 수도 없는 혁신을 어쩌면 앞으로 10년 안에 보게 될 것입니다. 전문가들에 따르면, 이러한 혁신 중 일부는 딥 러닝 애플리케이션일 가능성이 높습니다.
중국의 주요 검색 엔진인 Baidu의 수석 과학자이자 Google Brain Project의 리더 중 한 명인 Andrew Ng는 Wired Magazine에서 딥 러닝에 대한 멋진 비유를 공유했습니다. 그는 "AI는 로켓을 만드는 것과 비슷하다고 생각합니다. 거대한 엔진과 많은 연료가 필요합니다."라고 Wired의 기자 Caleb Garling에게 말했습니다. 엔진이 크지만 연료가 적다면 궤도에 오르지 못할 것입니다. 엔진이 작고 연료만 많다면 이륙하지도 못할 것입니다. 로켓을 만들려면 거대한 엔진과 많은 연료가 필요합니다. "딥 러닝에 비유하자면, 로켓 엔진은 딥 러닝 모델이고 연료는 이러한 알고리즘에 공급할 수 있는 엄청난 양의 데이터인 셈이지요."
그렇다면 딥 러닝과 머신 러닝은 고객 서비스에 어떤 의미가 있을까요?
오늘날 고객 서비스 분야의 AI 애플리케이션 중 다수는 머신 러닝 알고리즘을 활용합니다. 이들 애플리케이션은 셀프 서비스를 유도하고, 상담원 생산성을 높이며, 워크플로의 안정성을 향상시키는 데 사용됩니다.
이러한 알고리즘에 공급되는 데이터는 지속적으로 유입되는 고객 쿼리로부터 발생하며, 여기에는 고객이 직면한 문제에 대한 관련 컨텍스트가 포함됩니다. 그러한 콘텍스트를 AI 애플리케이션에 종합하면 결과적으로 더욱 빠르고 정확한 예측이 이루어집니다. 이는 많은 비즈니스에서 인공 지능에 큰 기대를 갖게 만들었으며, 업계 리더들은 비즈니스 관련 AI 애플리케이션 고객 서비스 부문에서 가장 실용적일 것으로 내다보고 있습니다.
그리고 딥 러닝과 머신 러닝이 개선되어 감에 따라, 고객 서비스 분야에서 인공 지능의 더욱 많은 고급 애플리케이션을 보게 될 것입니다. 좋은 예는 Zendesk의 자체적인 Answer Bot으로, 지원 티켓의 콘텍스트를 이해하고 고객에게 어떤 도움말 문서를 추천해야 하는지 학습할 수 있는 딥 러닝 모델이 통합되어 있습니다.
댓글