인공지능(AI) vs. 머신 러닝 vs. 딥 러닝 | Skymind

A.I. Wiki

뉴스레터 구독 신청

인공지능(AI) vs. 머신 러닝 vs. 딥 러닝

딥 러닝, 머신 러닝, 인공지능의 관계는 큰 인형 안에 작은 인형이 차곡차곡 쌓여있는 형태의 러시아 인형을 연상해보면 쉽게 이해할 수 있을 것이다. 딥 러닝은 머신 러닝의 부분 집합이며, 머신러닝은 스마트한 일을 하는 모든 컴퓨터 프로그램을 포괄하는 용어인 인공지능의 부분 집합이다. 다시 말해서, 모든 머신 러닝은 인공지능이지만 모든 인공지능이 머신 러닝인 것은 아니라는 의미이다.

Learn to build AI apps now »

인공지능, Symbolic AI와 GOFAI

john mccarthy

인공지능의 대부 John McCarthy는 인공지능을 “지능형 기계를 만드는 과학 및 공학”으로 정의했다.

인공지능의 다른 정의들을 살펴 보면,

  • 컴퓨터에서 지능적인 행동을 시뮬레이션하는 컴퓨터 과학 분야
  • 지능적인 인간의 행동을 모방하는 기계의 능력
  • 일반적으로 사람의 지능을 필요로 하는 작업을 수행할 수 있는 컴퓨터 시스템(ex. 시각적 인식, 음성 인식, 의사결정, 언어 간의 번역)

인간의 지능을 시뮬레이션하는 방법은 여러 가지가 있으며 그 중 몇몇 방법들은 사람들 보다 더욱 지능적이다.

여기에서 AI는 if-then 구문의 더미이거나 미가공 센서 데이터를 symbolic 카테고리로 매핑하는 복잡한 통계 모델이 될 수 있다. if-then 구문은 간단히 말하자면 사람이 직접 정의한 명시적인 규칙이다. 종합하면 이러한 if-then 구문들은 룰 엔진, 전문가 시스템, 지식 그래프, 또는 심볼릭 AI라고 불리며 이것들을 통틀어서 Good Old-Fashion AI(GOFAI)라고 한다.

룰 엔진이 모방하려는 지능은 세법에 관한 지식을 가진 회계사의 지능(당신이 입력한 데이터에서 정보를 수집하고 몇 가지 정적인 규칙을 통해 추출된 정보를 다루어 결과적으로 고객이 내야 하는 세금의 양을 알려주는)이 될 수도 있다.

일반적으로 AI 연구자들에 의해 설계된 컴퓨터 프로그램이 실제로 성공할 때(ex. 체스 게임에서 이기는 것), 많은 사람들은 프로그램의 알고리즘 내부가 잘 이해되기 때문에 “그다지 지능적이지 않다”라고 말한다. 이를 비판하는 사람들은 지능이란 무형의 존재이어야 하며, 오로지 인간의 것이라고 생각한다. 어떤 이들은 컴퓨터가 아직 할 수 없는 영역의 일을 진정한 AI라고 말할지 모른다.

머신러닝: 스스로 변화하는 프로그램

머신 러닝은 인공지능의 부분 집합이다. 즉, 모든 머신 러닝은 인공지능으로 간주되지만, 모든 인공지능이 머신 러닝으로 여겨지는 것은 아니다. 예를 들면, 룰 엔진, 전문가 시스템, 지식 그래프와 같은 심볼릭 로직은 모두 인공지능이라고 말할 수 있지만 이것들을 머신 러닝이라고 할 수는 없다.

머신 러닝을 지식 그래프 및 전문가 시스템과 구분하는 특징 중 하나는 더 많은 데이터를 접했을 때 스스로를 수정하는 능력이다. 다시 말해서 머신러닝은 동적으로 동작하며 특정한 변화를 하기 위해 인간의 개입이 필요하지 않다. 이 점이 머신 러닝 시스템의 불안정성을 줄여주고 전문가에 대한 의존성을 줄여준다.

만약 작업(T)에 대해 성능 지표(P)에 의해 측정된 성능이 경험(E)에 따라 향상되었다면, 그 컴퓨터 프로그램은 작업(T)와 성능 지표(P)에 대해 경험(E)으로부터 학습했다고 말할 수 있다. -Tom Michell

즉, 어떠한 작업(T)에 대해 꾸준한 경험(E)을 통하여 그 작업(T)에 대한 성능(P)을 높이는 것, 이것이 머신 러닝이라고 할 수 있다. 정의에서 알 수 있듯이, 머신 러닝에서 가장 중요한 것은 E에 해당하는 데이터이며 양질의 데이터를 많이 가지고 있을수록 보다 높은 성능을 끌어낼 수 있다.

1959년 머신 러닝의 선구자 중의 한 명인 Arthur Samuel은 머신 러닝을 “컴퓨터에게 명시적으로 프로그래밍 하지 않고 학습을 할수 있는 능력을 주는 연구 분야”라고 정의하였다. 다시 말하면 머신 러닝 프로그램은 앞서 언급했던 if-then과 같은 구문을 명시적으로 컴퓨터에 프로그래밍하는 것이 아니라 머신 러닝 프로그램이 경험한 데이터에 대한 반응으로 스스로를 변경하는 것이다(이것은 마치 아이가 아무것도 모르는 채 세상에 태어나서 그들이 경험한 것을 바탕으로 세상을 이해하게 되는 것과 같은 이치이다).

arthur samuel

Samuel은 컴퓨터 프로그램이 체커 게임을 하도록 학습시켰다. 그의 목표는 컴퓨터가 체커를 자신보다 더 잘하도록 학습시키는 것이었는데, 이것은 분명히 그가 명시적으로 프로그래밍할 수 있는 것이 아니었다. 그럼에도 불구하고 마침내 그는 성공했고 1962년에 Samuel의 프로그램은 코네티컷 주의 체커 챔피언을 상대로 승리하였다.

머신 러닝의 “러닝” 파트는 ML알고리즘이 특정 차원에 따라 최적화를 시도하는 것이라고 할 수 있다. 즉 오류를 최소화하거나 예측이 사실일 가능성을 극대화하려는 것이다. 이것을 오차 함수(error function), 손실 함수(loss function)나 목적을 가진 알고리즘이라는 뜻의 목적 함수(objective function)라고 부른다. 누군가가 머신 러닝 알고리즘을 가지고 작업하고 있다고 말하면 당신은 이 질문을 함으로써 핵심을 파악할 수 있다.-“목적 함수는 무엇인가?”

그렇다면 어떻게 오류를 최소화할까? 일반적으로 초기의 추측 값은 정답과는 상당한 거리가 있는데, 추측 값과 실제 정답 값(Ground Truth 레이블)을 대조하여 오류 값을 측정할 수 있다. 그러고 나서 해당 오류 값을 사용하여 알고리즘을 수정한다. 이것이 바로 신경망이 학습을 하는 방법이다.

이것들을 간단히 말하면 최적화 알고리즘이다. 최적화 알고리즘을 올바르게 설정하면 위 과정을 반복하여 오류를 최소화 한다.

딥 러닝: 정확도, 수학 및 컴퓨팅 기능 향상

딥 러닝은 머신 러닝의 부분 집합이다. 일반적으로 사람들이 딥 러닝 용어를 사용할 때, 심층 강화 학습보다는 심층 인공 신경망을 의미하는 경우가 많다.

심층 인공 신경망(Deep artificial neural networks)은 이미지 인식, 음성 인식, 추천 시스템, 자연어 처리와 같은 여러 가지 중요한 문제들에 대한 정확도에 새로운 기록을 세운 알고리즘이다. 예를 들어, 딥러닝은 전 세계 바둑 챔피언이었던 Lee Sedol(2016년 초)과 현 세계 챔피언인 Ke Jie(2017년 초)를 이긴 DeepMind의 유명한 알파고(AlphaGo) 알고리즘의 일부이다. 신경망에 대한 더 자세한 설명은 여기에서 볼 수 있다.

여기에서 Deep이란 신경망에서 레이어의 수를 일컫는 기술 용어이다. shallow 네트워크는 하나의 히든 레이어를 가지고 있고, deep 네트워크는 한 개 이상의 히든 레이어를 가지고 있다. 다수의 히든 레이어는 심층 신경망이 소위 피쳐 계층이라고 불리는 데이터의 피쳐를 학습할 수 있도록 해준다. 단순 피쳐들(ex. 두 개의 픽셀)은 하나의 레이어와 다음 레이어를 재결합하여 더욱 복잡한 피쳐(ex. 라인)를 형성한다. 여러 개의 레이어로 이루어진 네트워크는 더 적은 수의 레이어를 가진 네트워크보다 더 많은 수학적 연산을 통해 입력 데이터(피쳐)를 전달하게 된다. 그러므로 학습을 하는데 더욱 복잡한 계산이 필요하다. 이러한 계산 복잡도는 딥 러닝의 전형적인 특징 중 하나이며, 이는 딥 러닝 모델 학습에 GPU가 필요한 이유이기도 하다.

Arthur Samuel이 머신 러닝을 “컴퓨터에게 명시적으로 프로그래밍 하지 않고 학습을 할수 있는 능력을 주는 연구 분야”로 정의했던 것처럼 딥 러닝에도 동일하게 적용할 수 있다. 딥 러닝은 더욱 높은 정확도를 도출하지만 더 많은 하드웨어와 학습시간을 필요로 한다. 또한 픽셀이나 텍스트 blob과 같은 비정형 데이터를 포함하는 기계 인식 작업을 훨씬 더 잘 수행한다.

AI의 다음 단계는 무엇인가?

DeepMind, Google Brain, OpenAI와 여러 대학의 연구원들에 의해 만들어진 AI의 발전은 점점 더 가속화 되고 있다. AI는 인간이 할 수 있는것보다 힘들고 어려운 문제들을 더욱 잘 해결할 수 있게 되었다.

이것은 AI의 발전이 기록되기도 전에 더 빠르게 변화하고 있으며 미래의 AI에 대한 대부분의 예측 또한 쓸모없어진다는 의미이다. 우리는 핵분열(가능성) 같은 엄청난 결과를 추구하는 것일까? 아니면 납을 금으로 바꾸려는 것처럼 실리콘에서 지능을 만들어내기 위해 애쓰는 것일까? 1

AI의 미래에 관하여 예측하는 학계 또는 종교계의 다양한 그룹들이 있다.

AI의 발전이 앞으로도 계속될 것이라고 믿는 사람들은 강력한 인공지능이 인류에게 유익한 것인지 아닌지에 대해 많은 생각을 하고 있다. 지속적인 발전을 예상한 사람들 중 한쪽은 현재의 어리석음으로부터 인류를 구할 수 있는 보다 지능적인 소프트웨어의 이점을 강조했고, 다른 한쪽은 초지능의 실존적 위험에 대해 걱정한다.

인공 지능의 힘이 하드웨어의 힘과 함께 발전함에 따라, 더욱 향상된 하드웨어 또는 양자 컴퓨팅과 같은 계산 능력의 발전은 인공 지능의 진보를 위한 발판을 마련하게 될 것이다. 순전히 알고리즘 수준에서, DeepMind와 같은 연구소에서 만들어진 대부분의 놀라운 성과들은 알파고가 심층 학습과 강화 학습을 결합한 것과 마찬가지로 AI에 대한 다양한 접근 방식을 결합한 것이다. 딥러닝과 symbolic reasoning, analogical reasoning, 베이즈 이론, evolutionary 방법들의 결합은 성공적인 결과를 가져올 수 있다.

인공지능이 인간 지능에 비해 크게 발전하고 있지 않다고 생각하는 사람들은 과거에 일어났던 것처럼 실망스러운 결과로 인해 자금이 고갈되는 또 다른 인공지능 겨울을 예측하고 있다. 이러한 사람들은 딥러닝과 경쟁하는 또 다른 자신만의 알고리즘이나 접근방식을 가지고 있다.

마지막으로, 수학을 비롯한 이론은 탄탄하지만 정제되지 않은 데이터, 부족한 AI 능력, 사용자 만족에 시달리는 실무자들이 있다. 그들은 AI에 대한 예언을 하는 그룹들 중 가장 덜 종교적인 그룹이다. 그들은 단지 그것이 어렵다는 것을 알고 있을 뿐이다.

Footnotes

1) 어떤 기술이 물리적으로 불가능하더라도 여전히 규제될 수 있다는 점은 흥미로운 사실이다. 1404 년 헨리 4 세 통치 기간 동안 영국 의회는 다른 물질로부터 금과 은을 만드는 것을 금지하는 “증식금지법”이라는 법을 통과 시켰다. 그 이유는 그것이 왕위의 통화 통제에 위협이되기 때문이었다. 이 법은 나중에 특정 사람들만 연금술 과정을 통해 금과은을 만들 수 있도록 수정되었고 17세기에 마침내 폐지되었다. 이론적 토대가 존재하지 않는 기술인 강력한 AI를 불법화하는 규제도 이와 유사하게 불합리할 것이다..

Ask an Expert

Schedule a 30-minute demo and Q&A with our enterprise Machine Learning experts.

Talk to a Machine Learning Solutions Expert