1. 인공지능이란?#

인공지능(AI, Artificial Intelligence)이란 사람의 학습, 추론, 문제 해결, 언어 이해, 인식과 같은 지능적인 능력을 컴퓨터가 수행하도록 만드는 기술을 말합니다.

2. 인공지능의 포함 관계#

(1) 인공지능: 인간의 지능을 모방하는 기술

(2) 머신러닝: 데이터로부터 규칙을 스스로 학습하는 기술

(3) 딥러닝: 인공 신경망을 기반으로 하여, 비정형 데이터부터 특징 추출 및 판단까지 수행하는 기술

3. AI의 역사#

인공지능(AI)은 1950년대부터 본격적으로 연구되기 시작했습니다. 초기에는 컴퓨터가 사람처럼 생각하고 문제를 해결할 수 있을지에 대한 연구가 중심이었으며, 규칙을 사람이 직접 입력하는 방식의 기호적 인공지능이 주로 사용되었습니다.

이후 1980~1990년대에는 데이터를 이용해 컴퓨터가 스스로 규칙을 찾아가는 머신러닝이 발전하기 시작했습니다. 하지만 당시에는 데이터와 컴퓨터의 성능이 부족해 지금과 같은 높은 수준의 AI를 구현하기에는 한계가 있었습니다.

그리고 2000년대 이후 세 가지 혁신이 만나면서 AI가 급격하게 발전했습니다.

• Big Data: 인터넷과 스마트폰 등의 발전으로 AI가 학습할 수 있는 방대한 디지털 데이터가 만들어졌습니다.

• Computing Power: GPU와 같은 하드웨어의 발전으로 대량의 데이터를 빠르게 처리하고 복잡한 계산을 수행할 수 있게 되었습니다.

• Algorithm: 신경망 구조와 학습 방법이 발전하면서 AI가 데이터를 더욱 효율적으로 학습할 수 있게 되었습니다.

특히 이러한 세 가지 요소가 결합하면서 딥러닝이 크게 발전했고, 이미지 인식·음성 인식·자연어 처리 등 다양한 분야에서 AI의 성능이 급격히 향상되었습니다. 이후 생성형 AI와 대규모 언어 모델까지 발전하면서 오늘날에는 AI가 글, 이미지, 음성, 영상 등을 생성하는 단계에 이르렀습니다.

4. 인공지능의 모티브#

인공지능은 인간의 뇌가 정보를 처리하고 판단하는 방식에서 큰 영감을 받았습니다.

우리 뇌에는 약 1000억 개의 뉴런(Neuron)이 존재하며, 뉴런들은 서로 연결되어 전기·화학적 신호를 주고받습니다. 뉴런은 전달받은 신호가 일정 수준을 넘으면 다음 뉴런으로 신호를 전달하는 방식으로 정보를 처리합니다.

이러한 생물학적 뉴런의 구조와 정보 처리 방식을 수학적으로 모방한 것이 인공 신경망(Artificial Neural Network)입니다.

인공 신경망에서는 실제 뉴런 대신 인공 뉴런을 사용하고, 여러 입력값에 가중치를 적용하여 신호를 계산합니다.

이렇게 여러 인공 뉴런을 연결하고 여러 층으로 구성한 것이 딥러닝의 기본 구조가 됐습니다.

5. 퍼셉트론#

퍼셉트론(Perceptron)은 인공 신경망의 가장 기본적인 형태로, 사람의 뉴런이 여러 신호를 받아 하나의 판단을 내리는 과정을 수학적으로 표현한 모델입니다.

퍼셉트론에는 가중치, 편향등이 사용됩니다.

(1) 가중치

각 입력 정보가 정답을 맞히는 데 얼마나 중요한지 나타내는 수치입니다. 학습의 목표는 바로 이 가중치를 찾는 것입니다.

(2) 편향

뉴런이 얼마나 쉽게 활성화될지 결정하는 민감도입니다.

모델이 데이터의 편향성을 조절하도록 돕습니다.

6. 딥러닝의 구조#

(1) 딥러닝의 층(Layer)

딥러닝은 인공 뉴런들이 여러 층으로 연결되어 있는 구조입니다. 하나의 층에서 처리한 정보가 다음 층으로 전달되면서 점점 더 복잡한 특징을 학습합니다.

• 입력층(Input Layer): 학습에 사용할 데이터가 들어오는 층 -> 야구 선수라면 타율, 홈런 수, 출루율, 타점 등의 데이터가 입력됨

• 은닉층(Hidden Layer): 입력된 데이터를 바탕으로 특징과 패턴을 학습하는 층 -> 앞쪽 층에서는 타율이나 홈런 같은 개별적인 특징을 분석하고, 뒤쪽 층에서는 여러 데이터를 조합하여 선수의 타격 성향이나 특징을 학습할 수 있음 -> 은닉층이 여러 겹으로 깊게 쌓여 있기 때문에 ‘Deep Learning’이라고 부름

• 출력층(Output Layer): 은닉층에서 학습한 특징을 종합하여 최종 결과를 출력하는 층 -> 예를 들어 선수의 데이터를 분석하여 장타형 선수일 확률 85%와 같은 결과를 출력할 수 있음

7. 딥러닝의 학습#

(1) 1단계 순전파

입력 데이터를 입력층에서 출력층까지 전달하여 예측값을 계산합니다.

(2) 2단계 손실 함수 (오차)

모델의 예측값과 실제 정답을 비교하여 얼마나 틀렸는지 계산합니다.

(3) 3단계 역전파

계산된 오차를 출력층에서 입력층 방향으로 전달하면서 각 가중치와 편향이 오차에 미친 영향을 계산합니다.

(4) 무한 반복 에포크

Epoch:전체 데이터를 한 번 학습

반복할수록 손실값(Loss)은 감소 정확도(Accuracy)는 점점 상승하여 완벽해집니다.

너무 많이 학습하면 과적합(Overfitting)이 발생합니다.

8. 딥러닝의 이용 분야#

• 컴퓨터 비전 자율주행, 얼굴 인식, 의료 영상 분석 등 시각적 이해

• 자연어 처리 챗GPT, 자동 번역기, 감성 분석 등 언어 이해

• 생성형 AI 이미지 생성, 음악 작곡, 코드 작성 등 창작 영역

9. 딥러닝의 한계와 미래#

강력한 기술이지만 아직 풀어야 할 숙제들이 남아 있습니다.

(1) 블랙박스 현상

딥러닝은 수많은 뉴런과 가중치를 이용해 결과를 만들어내기 때문에, 왜 특정한 결과를 내렸는지 사람이 정확하게 이해하기 어려운 경우가 있습니다. 예를 들어 AI가 어떤 사진을 보고 “고양이”라고 판단했을 때, 정확히 어떤 특징을 근거로 판단했는지 설명하기 어려울 수 있습니다.

(2) 자원 소모

대규모 딥러닝 모델을 학습시키기 위해서는 많은 데이터와 높은 컴퓨팅 성능이 필요합니다. 특히 GPU와 같은 고성능 하드웨어를 장시간 사용하면서 상당한 전력과 비용이 발생할 수 있습니다.

(3) 미래

이러한 문제를 해결하기 위해 설명 가능한 AI(XAI)와 효율적인 AI 모델이 연구되고 있습니다. XAI는 AI가 어떤 근거로 결과를 판단했는지 사람이 이해할 수 있도록 설명하는 것을 목표로 하며, 효율적인 학습 모델은 더 적은 데이터와 컴퓨팅 자원으로도 높은 성능을 내는 것을 목표로 합니다.

즉, 앞으로의 AI는 단순히 성능이 높은 것을 넘어, 왜 그런 판단을 했는지 설명할 수 있고 적은 자원으로 효율적으로 작동하는 방향으로 발전할 필요가 있습니다.

Original post on Tistory