전문가 시스템은 인간의 사고 방식을 모델로 한 AI와 다른 AI 모델과 다른 점은 스스로 배우는 메커니즘이 없다는 것입니다. 우선, 특정 전문가로부터 생각할 수 있는 상황과 그에 대한 대처방법과 판단 예측을 청취하고 그에 근거해 룰을 정의합니다. 거기서 정한 룰에 근거해 유저로부터의 문의가 어느 상황에 들어맞는가를 판단해 정의되고 있는 판단이나 예상을 실시합니다. 아래에 열거하는 예와 같이 특히 의료 분야의 병의 진단으로 활약하고 있습니다. 사용자의 답변에 맞게 사전에 준비한 진단을 내립니다. 룰의 수가 많을수록 정확해지지만 룰이 너무 많으면 각 룰의 일관성이 취하기 어려워지는 경우가 있습니다. 게다가 중요한 룰에 빠져 누출이 있으면 올바른 판단을 할 수 없게 되어 버립니다. 또한 규칙을 설정하는 데 전문가의 도움이 필요하거나 규칙을 올바르게 설정해도 전문가 이상의 응답을 도출 할 수없는 것도 전문가 시스템의 우려 사항입니다.
인공지능학습방법
기계 학습이란 AI에서의 학습을 말합니다. 인간이 학습하도록 기계 자신이 학습한다라는 의미가 담겨 있습니다. 즉, 프로그래머에 의해 프로그래밍된 범위 이상의 것을 실행할 수 있게 되는 것이 기준 이 됩니다. 기계 학습은 크게 나누어, 교사가 있는 학습과 교사가 없는 학습 그리고 강화 학습의 3가지로 분류 된다고합니다. 딥러닝은 다층화된 신경망을 이용한 기계 학습의 기법은 충분한 학습 데이터만 있으면 신경망 자체가 데이터군의 특징을 자동 추출할 수 있습니다. 싱귤러리티(기술적 특이점)이란 1980년대부터 AI 연구가 사이에서 사용되게 된 말로, 인간과 인공지능의 임계점을 가리키는 말로 인간의 뇌와 같은 수준의 AI가 탄생하는 시점을 나타냅니다. 최근, AI를 활용한 기술이 친밀한 것이 되어 편리한 세상이 되는 것을 환영하는 한편 AI가 발달하는 것으로 인간의 일이 빼앗기는 것이 아닐까라고 우려하는 목소리를 접할 기회가 늘었습니다. 그러나, 현재로서는 인간이 가지는 NI라는자연 지능과 컴퓨터상에서 표현하는 AI의 사이에는 아직도 많은 격차가 있는것이 사실입니다. 실제로, 현재 개발되고 있는 AI의 대부분은 문제 특화형으로 1개의 모델화 수학화한 문제의 해결에만 기능하고 있는 것이 현상 입니다. 지금까지 소개해 온 학습 기법을 이용하여 현재 다양한 분야에서 AI가 활약하고 있습니다. 카테고리별로 AI를 활용한 기능을 정리한 표는 다음 포스팅에 올려드리고 어떤 용도로 활용되고 있는지 확인해보도록 하겠습니다. 매일 AI 기술의 실용화가 진행되고 있기 때문에 앞으로는 더욱 폭넓은 용도로 활용할 것으로 예상됩니다.
몬스터랩의 AI개발사례
몬스터 랩에서는 AI를 활용한 디지털 제품을 기획, 설계, 디자인, 개발, 운용의 각 단계부터 서포트하고 있습니다. 여기에서 몬스터 랩의 AI 개발 사례를 소개합니다. 렌탈 유니폼 사업을 주축으로 각종 유니폼의 기획, 생산, 판매나 클리닝까지를 다루는 유니메이트사가 제공하는 AI 화상 인식을 활용한 자동 잼 PWA 에어 테일러는기획 단계부터 참가하여 제품 개발의 전 공정을 담당했습니다. 본 프로젝트에 있어서 해결해야 할 과제가 되고 있던 것은 사이즈 계측시의 휴먼 에러에 의한 반품및 교환의 코스트를 억제하는 것으로 최대 실적으로 반품율 40% 초과로 큰 비용이 발생하는것을 막는것입니다. 또, 사이즈 교환에 대비해 필요수 이상의 재고를 안고 있던 배경도 있어 폐기품의 발생이라고 하는 환경면에의 배려라는 관점에서도 과제를 안고 있었습니다. 몬스터 랩은 종래의 업무에 관한 철저한 리서치를 실시해 치수재기 노하우도 살린 대상자의 적절한 옷의 사이즈를 도출하는 매칭 로직을 창출하여 요구사항 정의부터 상세 설계까지 실시해 조건에 맞는 AI 엔진을 개발했습니다. 서비스 릴리스 후에도 실증 실험을 지속적으로 실시해 사이즈의 판단이나 적합 로직의 개선 AI의 정밀도 향상이라고 하는 관점에서 서비스의 가치 향상을 목표로 한 지원을 계속하고 있습니다. 이렇게 인공지능은 우리 생활속에 깊숙하게 관여하고 있는것이 현시점의 상황입니다. 다음 시간에도 좀더 흥미진진한 주제로 다뤄보도록 하겠습니다. 하루 마무리들 잘하시고 가족들과 행복한 시간들 되시기 바랍니다.
댓글