인공 지능, 기계 학습 및 딥 러닝의 차이점은 무엇입니까?
이것은 오랫동안 기술 저널리스트인 Michael Copeland가 딥 러닝의 기초를 설명하는 여러 부분으로 구성된 시리즈 중 첫 번째입니다.
인공 지능은 미래입니다. 인공 지능은 공상 과학입니다. 인공 지능은 이미 우리 일상의 일부입니다. 그 모든 진술은 사실이며, 당신이 언급하는 AI의 맛에 달려 있습니다.
예를 들어, 구글 딥마인드의 알파고 프로그램이 올해 초 보드게임 바둑에서 한국의 마스터 이세돌을 물리쳤을 때 미디어에서는 AI, 머신 러닝, 딥 러닝이라는 용어를 딥마인드가 어떻게 이겼는지 설명하는 데 사용했습니다. 그리고 이 세 가지 모두 알파고가 이세돌을 꺾은 이유 중 일부다. 그러나 그것들은 같은 것이 아닙니다.
그들의 관계를 생각하는 가장 쉬운 방법은 AI와 동심원으로 시각화하는 것입니다. 가장 먼저 떠오른 아이디어는 가장 크고 그 다음은 머신 러닝이 나중에 꽃을 피우고, 마지막으로 오늘날의 AI 폭발을 주도하는 딥 러닝이 두 가지 모두에 들어맞는 것입니다.
흉상에서 붐으로
AI는 1956년 Dartmouth Conferences에서 소수의 컴퓨터 과학자들이 이 용어를 중심으로 모여 AI 분야를 탄생시킨 이후로 우리 상상의 일부였으며 연구 실험실에서 끓어오르고 있습니다. 그 이후 수십 년 동안 AI는 우리 문명의 가장 밝은 미래의 열쇠로 교대로 예고되었으며 지나치게 도달하는 프로펠러 헤드에 대한 둔감한 개념으로 기술의 쓰레기 더미에 던져졌습니다. 솔직히 2012년까지는 둘 다 약간이었습니다.
지난 몇 년 동안 AI는 특히 2015년부터 폭발적으로 증가했습니다. 그 대부분은 병렬 처리를 더욱 빠르고 저렴하며 강력하게 만드는 GPU의 광범위한 가용성과 관련이 있습니다. 또한 사실상 무한한 스토리지의 동시 1-2 펀치와 모든 스트라이프(전체 빅 데이터 이동)의 데이터 홍수(이미지, 텍스트, 트랜잭션, 매핑 데이터 등)와 관련이 있습니다.
컴퓨터 과학자들이 불황기에서 2012년까지 매일 수억 명의 사람들이 사용하는 응용 프로그램을 촉발시킨 붐으로 어떻게 이동했는지 살펴보겠습니다.
인공 지능 - 기계가 보여주는 인간 지능
56년 여름 컨퍼런스에서 그 AI 개척자들의 꿈은 인간 지능과 동일한 특성을 지닌 컴퓨터로 구현되는 복잡한 기계를 만드는 것이었습니다. 이것은 우리가 "일반 AI"라고 생각하는 개념입니다. 우리의 모든 감각(아마도 그 이상)과 모든 이성을 갖고 우리와 똑같이 생각하는 멋진 기계입니다. 당신은 영화에서 이 기계들을 친구(C-3PO)로, 적으로는 터미네이터(The Terminator)로 끝없이 본 적이 있습니다. 일반 AI 기계가 영화와 공상과학 소설에 등장한 데에는 그럴만한 이유가 있습니다. 적어도 아직까지는 해낼 수 없습니다.
우리가 할 수 있는 것은 '협소한 AI'라는 개념에 속합니다. 특정 작업을 우리 인간과 같거나 더 잘 수행할 수 있는 기술입니다. 좁은 AI의 예로는 Pinterest와 같은 서비스의 이미지 분류 및 Facebook의 얼굴 인식이 있습니다.
이는 실제로 Narrow AI의 예입니다. 이러한 기술은 인간 지능의 일부 측면을 보여줍니다. 하지만 어떻게? 그 지능은 어디에서 오는가? 그것은 우리를 다음 서클인 머신 러닝으로 안내합니다.
기계 학습 — 인공 지능을 달성하기 위한 접근 방식
가장 기본적인 머신 러닝 은 알고리즘을 사용하여 데이터를 구문 분석하고, 데이터에서 학습한 다음, 세상에 있는 무언가에 대해 결정하거나 예측하는 방식입니다. 따라서 특정 작업을 수행하기 위해 특정 명령 세트로 소프트웨어 루틴을 수동으로 코딩하는 대신, 기계는 작업 수행 방법을 학습할 수 있는 기능을 제공하는 대량의 데이터와 알고리즘을 사용하여 "훈련"됩니다.
기계 학습은 초기 AI 군중의 마음에서 직접 나왔고 수년에 걸친 알고리즘 접근에는 의사 결정 트리 학습, 귀납적 논리 프로그래밍이 포함되었습니다. 클러스터링 , 강화 학습 및 베이지안 네트워크. 알다시피 일반 AI의 궁극적인 목표는 누구도 달성하지 못했고 심지어 내로우 AI조차도 초기 기계 학습 접근 방식으로는 대부분 도달할 수 없었습니다.
딥 러닝에 대해 자세히 알아보려면 NVIDIA의 Will Ramey와 함께 하는 AI 팟캐스트의 113번째 에피소드를 들어보십시오.
밝혀진 바와 같이, 수년 동안 머신 러닝을 위한 최고의 응용 분야 중 하나는 컴퓨터 비전이었습니다. 작업을 완료하려면 여전히 많은 수작업 코딩이 필요했습니다. 사람들은 에지 감지 필터와 같은 손으로 코딩한 분류기를 작성하여 프로그램이 개체가 시작되고 중지된 위치를 식별할 수 있도록 했습니다. 8면이 있는지 여부를 결정하는 모양 감지; "STOP" 문자를 인식하는 분류기. 손으로 코딩한 모든 분류기에서 이미지를 이해하고 정지 신호인지 여부를 결정하기 위해 "학습"하는 알고리즘을 개발했습니다.
좋긴 한데 정신이 없을 정도로 훌륭하지는 않습니다. 특히 안개가 자욱한 날에는 표지판이 완벽하게 보이지 않거나 나무가 표지판의 일부를 가립니다. 컴퓨터 비전과 이미지 감지가 아주 최근까지 인간과 경쟁하지 못한 데는 이유가 있습니다. 너무 부서지기 쉽고 오류가 발생하기 쉽습니다.
시간과 올바른 학습 알고리즘이 모든 차이를 만들었습니다.
딥 러닝 — 머신 러닝 구현을 위한 기술
고양이 무리: YouTube 동영상에서 고양이 이미지를 선택하는 것은 AI 및 기계 학습의 하위 집합인 딥 러닝의 획기적인 첫 번째 시연 중 하나였습니다.
고양이 무리: YouTube 동영상에서 고양이 이미지를 선택하는 것은 딥 러닝의 획기적인 첫 번째 시연 중 하나였습니다.
초기 기계 학습 군중의 또 다른 알고리즘 접근 방식인 인공 신경망이 수십 년에 걸쳐 등장했으며 대부분이 진행되었습니다. 신경망 은 뇌의 생물학, 즉 뉴런 간의 모든 상호 연결에 대한 이해에서 영감을 받았습니다. 그러나 특정 물리적 거리 내에서 모든 뉴런이 다른 뉴런과 연결할 수 있는 생물학적 뇌와 달리 이러한 인공 신경망에는 개별 레이어, 연결 및 데이터 전파 방향이 있습니다.
예를 들어 이미지를 가져와 신경망의 첫 번째 레이어에 입력되는 타일 묶음으로 잘라낼 수 있습니다. 첫 번째 계층에서 개별 뉴런은 데이터를 두 번째 계층으로 전달합니다. 뉴런의 두 번째 레이어는 최종 레이어와 최종 출력이 생성될 때까지 계속해서 작업을 수행합니다.
각 뉴런은 입력에 가중치를 할당합니다. 즉, 수행 중인 작업과 관련하여 얼마나 정확하거나 부정확한지입니다. 그런 다음 최종 출력은 해당 가중치의 총계에 의해 결정됩니다. 따라서 정지 신호의 예를 생각해 보십시오. 정지 신호 이미지의 속성은 8 각형 모양, 소방차 붉은색, 독특한 글자, 교통 표지 크기, 움직임 또는 부재 등 뉴런에 의해 잘리고 "검사"됩니다. 신경망의 임무는 이것이 정지 신호인지 아닌지를 결론짓는 것입니다. 가중치를 기반으로 실제로 고도로 교육받은 추측인 "확률 벡터"를 제공합니다. 이 예에서 시스템은 이미지가 정지 신호라고 확신하는 86%, 속도 제한 신호라고 확신하는 7%, 나무에 갇힌 연 5% 등입니다. 그러면 네트워크 아키텍처가 신경망에 알립니다. 그것이 옳은지 아닌지.
최근까지 인공지능 연구 커뮤니티에서 신경망을 거의 기피했기 때문에 이 예조차도 스스로 앞서고 있습니다. 그들은 AI의 초창기부터 존재했으며 "지능" 방식으로 거의 생산하지 못했습니다. 문제는 가장 기본적인 신경망조차도 매우 계산 집약적이어서 실용적인 접근 방식이 아니었다는 것입니다. 그럼에도 불구하고 토론토 대학의 Geoffrey Hinton이 이끄는 소규모 이단 연구 그룹은 이를 고수했고 마침내 슈퍼컴퓨터가 실행되는 알고리즘을 병렬화하고 개념을 입증했지만 GPU 가 배치되고 나서야 약속이 실현되었습니다..
정지 신호 예제로 다시 돌아가면 네트워크가 조정되거나 "훈련"됨에 따라 잘못된 답변이 나올 가능성이 매우 높습니다. 필요한 것은 훈련입니다. 수십만, 심지어 수백만 개의 이미지를 볼 필요가 있습니다. 뉴런 입력의 가중치가 너무 정확하게 조정되어 안개 또는 안개, 태양 또는 비 등 거의 모든 시간에 정답을 얻을 때까지입니다. 그 시점에서 신경망은 정지 신호가 어떻게 생겼는지 스스로 배웠습니다. 또는 Facebook의 경우 어머니의 얼굴; 또는 2012년 Google에서 Andrew Ng가 한 일입니다.
Ng의 돌파구는 이러한 신경망을 근본적으로 거대하게 만들고 계층과 뉴런을 증가시킨 다음 시스템을 통해 방대한 양의 데이터를 실행하여 훈련시키는 것이었습니다. Ng의 경우 천만 개의 YouTube 동영상에서 가져온 이미지였습니다. Ng는 이러한 신경망의 모든 계층을 설명하는 딥 러닝에 "딥"을 적용했습니다.
오늘날 일부 시나리오에서 딥 러닝을 통해 훈련된 기계의 이미지 인식은 인간보다 낫습니다. 그 범위는 고양이에서 MRI 스캔에서 혈액의 암 및 종양에 대한 지표 식별에 이르기까지 다양합니다. Google의 AlphaGo는 게임을 배웠고 바둑 경기를 위해 훈련했습니다(신경망을 조정했습니다).
딥 러닝 덕분에 AI는 밝은 미래를 갖게 되었습니다.
딥 러닝은 머신 러닝의 많은 실제 적용을 가능하게 했으며 확장하여 AI의 전체 분야를 가능하게 했습니다. 딥 러닝은 모든 종류의 기계 지원이 가능한 것처럼 보이도록 만드는 방식으로 작업을 세분화합니다. 무인 자동차 , 더 나은 예방 의료, 더 나은 영화 추천이 모두 오늘날 여기에 있거나 지평선에 있습니다. AI는 현재이자 미래입니다. 딥 러닝의 도움으로 AI는 우리가 오랫동안 상상해 왔던 공상 과학 상태에 도달할 수도 있습니다. 당신은 C-3PO를 가지고 있습니다. 터미네이터를 유지할 수 있습니다.
댓글