AI 독학 - AI는 무엇일까? 인공지능? 그게 왜 뭐 어쩐다는데 요즘 난리야

어느 순간 부터 등장한 AI 

AI는 무엇일까? 과연 에이아이가 무엇이길래 어느 순간부터 우리 주위에서 난리 굿을 펼치는지 한번 개념을 독학해보자

인공지능 넌 뭐니

 

 

 AI는 "Artificial Intelligence"의 약자로 이를 한글로 번역하면 "인공지능"이라고 할 수 있다.

"인공"은 사람이 만든 것을 의미하고, "지능"은 지적 능력을 가리키는데, 따라서 AI는 사람이 만든 지능적인 시스템을 가리키는 용어다.

1. AI 기술의 역사적 배경 

어디서부터 인공지능이라는 기술이 시작되었을까? 인공지능 기술은 1950년대부터 연구되어 왔다.

초기에는 간단한 계산을 수행하는 컴퓨터 프로그램으로 시작했고, 시간이 지나면서 머신러닝과 딥러닝과 같은 고급 기술이 개발되었으며 이런 기술들은 인공지능을 더욱 똑똑하게 만들어 주었다.

그러면서 점차 자율주행 자동차 기술은 2000년대 초반부터 본격적으로 연구되기 시작했다.

레이더, 카메라, 센서 등을 사용하여 주행 환경을 인식하고 판단할 수 있는 기술이 발전되었다.

 

 

인공지능(AI)의 기술 배경

 

1. 기원과 초기 개념: 1950년대부터 인공지능에 대한 연구가 시작된다

앨런 튜링과 같은 컴퓨터 과학자들은 인간의 지능을 모방하려는 시도를 하였다.초기에는 기호 논리학을 중심으로 한 '심볼릭 AI'가 주류를 이루었다.

 

2. 머신러닝과 인공 신경망의 발전:

 

1980년대 이후, 머신러닝과 인공 신경망과 같은 새로운 기술이 등장한다. 이러한 기술들은 데이터를 기반으로 학습하여 문제를 해결하는 방식을 채택하였고 이로써 인공지능의 발전에 새로운 지평을 열게된다.

 

머신러닝이 뭐예요?

머신러닝은 컴퓨터가 데이터를 사용해 스스로 학습하는 방법이에요. 예를 들어, 고양이와 강아지를 구별하는 프로그램을 만들 때, 머신러닝을 사용해 컴퓨터가 스스로 어떤 이미지가 고양이이고 강아지인지 학습하게 됩니다.

 

그럼 인공신경망은요?

인공 신경망은 인간의 뇌를 모방한 컴퓨터 모델입니다. 이 신경망은 입력층, 은닉층, 출력층으로 구성돼요. 입력층에서는 정보를 받아들이고, 은닉층에서는 정보를 처리하고 다음 층으로 전달하며, 출력층에서는 결과를 내보냅니다. 이런 구조를 통해 인공 신경망은 패턴을 파악하고 문제를 해결할 수 있게 됩니다.

간단히 예를 들어보자면, 머신러닝은 수많은 사진을 보고 고양이와 강아지를 구분하는 법을 학습하는 것이고, 인공 신경망은 뇌처럼 정보를 받아들이고 처리하여 어떤 동물인지 판단하는 역할을 한다고 할 수 있어요.

 

 

 

3.딥러닝의 등장: 2000년대 이후, 딥러닝이라는 개념이 등장하면서 인공지능 분야에서 큰 변화가 있었다.

딥러닝은 다층 인공 신경망을 사용하여 복잡한 문제를 해결할 수 있게 되었다. 특히 이미지 인식, 음성 인식 등에서 뛰어난 성과를 보였다.

 

 

1. 인공 신경망의 부활: 딥러닝의 역사는 1980년대 초반에 거슬러 올라간다. 이때 다층 퍼셉트론(Multi-Layer Perceptron, MLP)과 역전파(Backpropagation) 알고리즘이 등장하여 인공 신경망의 부활을 이끌게된다. 하지만 당시에는 신경망이 깊어지면서 발생하는 문제들로 인해 한계를 보이며 연구가 멈추었다.
2. 제프리 힌턴의 기여: 2006년, 제프리 힌턴(Geoffrey Hinton)과 그의 학생들이 딥러닝 분야에 새로운 가능성을 열었다. 제프리 힌턴은 Restricted Boltzmann Machines(RBMs)과 Deep Belief Networks(DBNs)와 같은 새로운 아키텍처를 제안하여, 심층 신경망(Deep Neural Networks, DNNs)을 학습할 수 있는 방법을 개발했다.
3. GPU의 발전: 또한, GPU(Graphic Processing Unit)의 발전은 딥러닝 연구에 큰 도움을 주었다. GPU는 병렬 처리가 가능하여 대규모 데이터를 처리하고 복잡한 모델을 학습하는 데에 적합했고 이로 인해 딥러닝 연구자들은 더 깊고 복잡한 신경망을 구축할 수 있게 되었다.
4. 대규모 데이터셋과 업적: 마지막으로, 대규모 데이터셋의 확보와 그에 따른 딥러닝 모델의 성능 향상도 딥러닝 발전에 중요한 역할을 했다. 특히 이미지넷(ImageNet)과 같은 대규모 데이터셋을 활용한 대회에서 딥러닝 모델이 뛰어난 성능을 보이며 주목받았다.

이렇게 다층 신경망과 새로운 아키텍처의 제안, GPU의 발전, 대규모 데이터셋과 대회에서의 업적이 결합되어 딥러닝이 만들어지고 발전해왔다. 현재에 이르러서는 딥러닝이 컴퓨터 비전, 자연어 처리, 음성 인식 등 다양한 분야에서 높은 성능을 보이며 활발하게 연구되는 중이다.

 

 

 

 

2. AI 기술의 영역

인공 지능은 가장 간단하며 기계가 보여주는 지능이며 보통 인간의 지능이나 인간의 간섭이 필요한 작업을 수행할 수 있는 컴퓨터 시스템을 정의한다. 인공지능의 일부 영역과 몇 가지 사례를 살펴보자

 

 

위 자료에서 말하듯이 딥 러닝의 등장으로 우리 삶의 다양한 산업에서 인공지능이 사용되어지게 되었다.

 

 

그럼 어떤 기술들이 우리 어떤 삶의 분야에 도움을 줄 수 있을까요?

 

 

출처:https://suryamaddula.medium.com/domains-of-artificial-intelligence-8046d0778f1a

 

자연어 처리: 자연어 처리는 컴퓨터와 인간 언어 간의 상호 작용과 관련된 인공 지능의 하위 분야입니다.

가장 간단하게 말하면 자연어 처리는 인간이 의사소통하는 데 사용하는 자연어를 처리하는 것입니다.

자연어 처리에서는 인간의 언어를 조각으로 분리하여 문장의 문법 구조와 단어의 의미를 맥락에 맞게 분석하고 이해할 수 있습니다.

이는 컴퓨터가 인간과 동일한 방식으로 음성 또는 서면 텍스트를 읽고 이해하는 데 도움이 됩니다. 인간이 할 수 있는 것과 같은 방식으로 텍스트와 음성을 이해할 수 있는 능력을 컴퓨터에 부여하는 것과 관련된 컴퓨터 과학 및 인공 지능 분야를 말합니다.

NLP 훈련 모델의 목표는 속어, 풍자, 내부 의미, 텍스트가 작성된 언어의 문맥적 정의를 포함하여 문서의 내용을 "이해"할 수 있는 것입니다.

 

 NLP (Wikipedia)

• 텍스트 및 음성 처리
• 형태학적 분석
• 구문 분석
• 어휘 의미론(문맥에서 개별 단어의 의미)
• 관계형 의미론(개별 문장의 의미)
• 담화(개별 문장 이상의 의미)

일부 고급 NLP 애플리케이션 :

• 텍스트 요약
• 문법 및 오류 수정(Grammarly, Microsoft Editor)
• 텍스트 번역
• 대화 관리
• 질문 답변

Mystery Animal은 음성 입력을 기반으로 한 Google의 NLP 기반 게임입니다.

컴퓨터 비전: 컴퓨터 비전은 컴퓨터와 기계가 디지털 이미지, 비디오 및 기타 시각적 입력에서 의미 있는 정보를 추출하고 해당 정보를 기반으로 조치를 취하고 결정을 내리고 권장할 수 있도록 하는 인공 지능 분야입니다 .

AI가 컴퓨터와 기계의 두뇌라면 컴퓨터 비전은 컴퓨터와 기계의 눈과 같습니다.

컴퓨터 비전은 에너지 및 유틸리티부터 제조, 보안, 자동차, 개인 정보 보호에 이르기까지 다양한 산업에서 사용됩니다.

컴퓨터 비전은 단일 이미지 또는 일련의 이미지에서 유용한 정보를 자동으로 추출, 분석 및 이해하는 것과 관련이 있습니다.

Computer Vision에는 많은 데이터가 필요합니다. 차이점을 식별하고 이미지를 인식할 때까지 데이터 분석을 계속해서 실행합니다.

이미지 데이터는 비디오 시퀀스, 여러 카메라의 뷰, 3D 스캐너의 다차원 데이터, 의료용 스캐닝 장치 등과 같은 다양한 형태를 취할 수 있습니다.

컴퓨터 비전의 일부 사용 사례는 다음과 같습니다.

• 결함 감지
• 기상학
• 침입자 감지
• 보안
• 개인화
• 편집
• 조립 검증
• 스크린 리더
• iOS 기기 및 Google 렌즈의 실시간 텍스트 기능

그리고 더 많은! Emoji Scavenger Hunt 는 컴퓨터 비전 기반 게임입니다.

데이터 과학: 데이터 과학은 원시 데이터에서 실행 가능한 통찰력을 추출하는 것입니다.

데이터가 처리되지 않았습니다. 정보가 처리됩니다.

데이터는 21세기의 새로운 석유입니다.

전 세계 데이터의 90%가 지난 2년 동안 생성되었습니다. 즉, 전 세계 데이터의 90%가 지난 2년 동안 생성되었고, 나머지 10%는 인류의 600만 년 동안 생성되었다는 뜻입니다!

" 데이터 과학은 과학적 방법, 프로세스, 알고리즘 및 시스템을 사용하여 시끄러운 정형 및 비정형 데이터에서 지식과 통찰력을 추출하고 광범위한 응용 분야의 데이터에서 지식과 실행 가능한 통찰력을 적용하는 학제간 분야입니다." -위키피디아

“데이터 과학은 오늘날의 조직에서 수집하고 생성하는 점점 더 많은 양의 데이터에서 실행 가능한 통찰력을 추출하기 위한 다학제적 접근 방식입니다.” -IBM

이는 데이터 정제, 데이터 처리, 데이터 정리, 데이터 분석, 데이터 해석, 데이터 조작 등과 같은 데이터 작업에 포함됩니다. 분석에는 알고리즘, 분석 및 AI 모델의 개발과 사용이 필요합니다. 이러한 예측의 정확성은 과학적으로 설계된 테스트와 실험을 통해 검증되어야 합니다.

우리가 아는 모든 것은 데이터입니다. 귀하의 검색 추천은 귀하의 검색 기록인 데이터를 기반으로 합니다. 구글 지도의 '최근 검색' 기능은 귀하의 이전 방문 데이터 때문입니다. Amazon 'Recommended for You'는 귀하의 이전 쇼핑 동향, 선호도 및 선택 때문입니다. 개인화는 데이터 때문이다. 데이터는 우리를 돌아다닙니다. Twitter, Facebook, LinkedIn, WhatsApp, 클라우드, 기기 내 저장소, 교과서, 노트북, 테스트 결과, Google 양식, 리뷰, 피드백 등이 모두 데이터 형태입니다!

데이터 과학의 용도 중 일부는 다음과 같습니다.

• 의료: 이제 EMR부터 임상 데이터베이스, 개인 피트니스 추적기에 이르기까지 모든 것을 통해 사용할 수 있는 방대한 데이터 네트워크를 통해 의료 전문가는 질병을 이해하고, 예방 의학을 실천하고, 질병을 더 빠르게 진단하고, 새로운 치료 옵션을 탐색하는 새로운 방법을 찾고 있습니다.
• 자율 주행 자동차: Tesla, Ford 및 Volkswagen은 모두 새로운 자율 주행 차량에 예측 분석을 구현하고 있습니다. 이 자동차는 수천 개의 작은 카메라와 센서를 사용하여 실시간으로 정보를 전달합니다. 기계 학습, 예측 분석 및 데이터 과학을 사용하여 자율 주행 자동차는 속도 제한에 적응하고 위험한 차선 변경을 피하며 승객을 가장 빠른 경로로 태울 수도 있습니다.
• 조정: UPS는 내부적으로나 배송 경로에 따라 효율성을 극대화하기 위해 데이터 과학으로 전환합니다. 회사의 ORION(On-road Integrated Optimization and Navigation) 도구는 날씨, 교통, 건설 등을 기반으로 배달 운전자를 위한 최적의 경로를 생성하는 데이터 과학 기반 통계 모델링 및 알고리즘을 사용합니다. 데이터 과학이 물류/조정을 절약하는 것으로 추정됩니다. 회사는 매년 최대 3900만 갤런의 연료와 1억 마일 이상의 배송 마일을 제공합니다.
• 엔터테인먼트: Spotify가 어떻게 당신이 듣고 싶은 완벽한 노래를 추천하는지 궁금해하신 적이 있나요? 아니면 넷플릭스가 당신이 좋아할 만한 프로그램이 무엇인지 어떻게 알 수 있을까요? 음악 스트리밍 거대 기업은 데이터 과학을 사용하여 귀하가 현재 좋아하는 음악 장르나 밴드를 기반으로 노래 목록을 신중하게 선별할 수 있습니다. 요즘 요리에 푹 빠져 있나요? Netflix의 데이터 수집기는 요리 영감에 대한 귀하의 필요성을 인식하고 방대한 컬렉션에서 적절한 프로그램을 추천합니다.
• 금융: 기계 학습과 데이터 과학은 금융 업계에서 수백만 달러와 측정할 수 없는 시간을 절약해 주었습니다. 예를 들어, JP Morgan의 COiN(Contract Intelligence) 플랫폼은 자연어 처리(NLP)를 사용하여 연간 약 12,000개의 상업 신용 계약에서 중요한 데이터를 처리하고 추출합니다. 데이터 과학 덕분에 완료하는 데 약 360,000시간의 육체 노동 시간이 소요되었던 작업이 이제 몇 시간 만에 완료됩니다. 또한 Stripe 및 PayPal과 같은 핀테크 회사는 사기 활동을 신속하게 감지하고 예방하는 기계 학습 도구를 만들기 위해 데이터 과학에 막대한 투자를 하고 있습니다.
• 사이버 보안: 데이터 과학은 모든 산업에 유용하지만 사이버 보안에서는 가장 중요할 수 있습니다. 국제 사이버 보안 회사인 Kaspersky는 데이터 과학과 기계 학습을 사용하여 매일 360,000개 이상의 새로운 악성 코드 샘플을 탐지하고 있습니다. 데이터 과학을 통해 새로운 사이버 범죄 방법을 즉시 탐지하고 학습할 수 있는 능력은 미래의 안전과 보안에 필수적입니다.