『⼈⼯ = 사람이 만든 , 知能 = 지적능력 』 , 『 AI = artificial intelligence 』
인공지능에 대한 관심이 많은 걸 넘어 열풍이 불고 있습니다.
최근에 나온 AI 기술 덕분에 사람만이 할 수 있다고 생각했던 글쓰기, 음악/사진/동영상만들기 같은 것들을
컴퓨터도 할 수 있게 되었습니다.
이런 기술들은 머신러닝이나 딥러닝이라는 용어와 함께 설명되고, 여러가지 정보가 많이 나오고 있습니다.
하지만 , 이 모든 정보 속에서도 ' 아 , 이게 바로 인공지능이구나 !' 하는 확실한 느낌을 받기는 어려운 것 같아
이 글에서는 복잡한 전문지식 대신, 현재의 AI를 좀 더 쉽게 이해 할 수 있도록 설명해 보려고 합니다 .
개념적으로 인공지능은 가장 큰 범위를 가지고 그 안에서 머신러닝이 좀 더 구체적인 범위를,
딥러닝은 머신러닝 중에서도 더 세분화된 분야라고 합니다.
각각의 정의를 찾아보면
라고 나오는데, 쉽게 생각해서
인공지능은 컴퓨터가 사람처럼 생각하고 학습 할 수 있는 능력을 만드는 것,
머신러닝은 그런 능력을 컴퓨터에게 가르치는 방법,
딥러닝은 그 방법 중 하나로 볼 수 있을 것 같습니다.
머신러닝부터 살펴보겠습니다 .
머신러닝은 컴퓨터나 기계에게 일종의 문제집과 그 문제의 답을 함께 제공하고
기계는 이 문제와 답을 보면서, 어떤 문제에 어떤 답이 맞는지 학습을 해서
문제를 해결하기 위한 '규칙'이나 '패턴'을 찾아내게 되는데, 이것을 매개변수(파라미터) 라고 합니다.
이렇게 학습을 통해 찾아낸 매개변수 값은 컴퓨터가 새로운 문제를 만났을 때, 그 문제의 답을 예측하는데 사용됩니다 .
이런 방식으로 기계가 스스로 학습하고 , 자기만의 방식으로 문제를 해결하는 능력을 키워 나가는 것이죠.
머신러닝에는 '문제와 답'을 함께 제공하는 지도 학습(Supervised Learning) 외에도,
문제만 주고 답을 제공하지 않는 비지도 학습(Unsupervised Learning),
컴퓨터가 스스로 시행착오를 겪으며 최적의 해결책을 찾아가는 강화 학습(Reinforcement Learning) 등
다양한 방법이 있으며 이렇게 다양한 방법을 통해 컴퓨터는 더 많은 것을 학습하고, 점점 더 똑똑해집니다.
하지만 학습 횟수에 따라 정확도가 달라지는 머신러닝 분야는 해결되지 못한 난제들도 많았습니다.
이때 하드웨어의 발전과 함께 인공신경망을 이용한 딥러닝이 성과를 일으키며
AI의 모든 분야는 다른 모습을 보이기 시작합니다.
딥러닝은 사람의 뇌 작동 방식을 본따 만든 인공신경망을 사용합니다 .
인공신경망은 사람의 뇌 신경망을 모방한 컴퓨터 알고리즘으로
사람의 뇌에서 뉴런은 받은 정보(입력 신호)를 다른 뉴런으로 전달하는데,
이때 모든 정보를 전달하는 것이 아니라, 일정 기준 이상의 정보만을 선택적으로 전달합니다.
이과정을 단순화해서 컴퓨터 알고리즘으로 만든 것이 퍼셉트론입니다.
동작방식을 살펴보면,
우리가 퍼셉트론에 정보를 보내면 그 정보를 (X)라고 합니다 .
이 정보 마다 중요한 정도가 다르기 때문에 각각의 정보에는 가중치(W) 가 있습니다 .
그리고 퍼셉트론은 입력값(X)에 가중치(W)를 곱하고 다 더하는 방식으로 답(Y)을 구하고
각각의 정보에 대한 가중치를 조절하면서 가장 올바른 답을 내놓기 위해 학습을 합니다 .
이런 퍼셉트론을 여러 개 겹쳐서 만들어진 것이 인공신경망으로
인공신경망은 입력을 받는 입력층, 최종 결과를 내는 출력층, 그리고 중간에 있는 은닉층 세 부분으로 나눌 수 있습니다.
입력층에서 들어온 정보가 은닉층으로 전달되면서 앞에서 받은 정보를 처리할 때 가중치와 편향값을 이용해 계산하고
이 정보가 출력층에 도착했을 때 일정 정확도를 만족하면, 그때의 가중치와 편향값이 저장됩니다.
이 저장된 가중치와 편향값들이 ‘학습ʼ의 결과이며 우리는 이것을 ‘모델ʼ 이라 부르고 있습니다.
이렇게 학습된 모델을 이용해서 새로운, 학습되지 않은 데이터에 대해 예측하는 과정을 '추론(인퍼런스)ʼ 라고 하며
은닉층의 크기와 깊이를 증가시켜서 더 많은 파라메터로 복잡한 고차원 학습으로 거대 모델을 생성하고
이 모델을 이용 인퍼런스를 서비스 하는 것이 현재 우리가 사용하는 '생성형 AI'로
OpenAI의 'ChatGPT' 같은 서비스가 대표적인 예입니다 .
이는 대형 언어 모델(LLM)을 기반으로 하여, 학습된 데이터를 바탕으로 사용자의 질문이나 요청에 대한 적절한 답변을
'추론'하는 방식으로 작동합니다 .
이런 과정을 통해 AI는 사람과 비슷한 방식으로 대화하거나 정보를 제공할 수 있게 되었죠 .
그래서 딥러닝은 인공신경망을 이용한 머신러닝의 한 분야로 볼 수 있습니다.
현재의 인공지능(AI)은 사람이 딥러닝과 같은 고급 인공신경망 기술을 통해 기계를 학습시키고,
이를 바탕으로 기계가 스스로 예측하거나 결정을 내리는 능력을 갖추게 하는 과정으로 볼 수 있습니다.
현재로서는 인공지능이 인간의 모든 능력을 닮거나 대체할 수는 없지만,
영화에서 보던 고도로 발전된 AI가 현실에서 실현될 날도 그리 멀지 않았을지도 모릅니다.
인간과 AI 가 어떻게 공존하고, 어떤 변화를 가져올 지에 대해 생각 해보는 것은 매우 흥미로운 주제인 것 같습니다.
『⼈⼯ = 사람이 만든 , 知能 = 지적능력 』 , 『 AI = artificial intelligence 』
인공지능에 대한 관심이 많은 걸 넘어 열풍이 불고 있습니다.
최근에 나온 AI 기술 덕분에 사람만이 할 수 있다고 생각했던 글쓰기, 음악/사진/동영상만들기 같은 것들을
컴퓨터도 할 수 있게 되었습니다.
이런 기술들은 머신러닝이나 딥러닝이라는 용어와 함께 설명되고, 여러가지 정보가 많이 나오고 있습니다.
하지만 , 이 모든 정보 속에서도 ' 아 , 이게 바로 인공지능이구나 !' 하는 확실한 느낌을 받기는 어려운 것 같아
이 글에서는 복잡한 전문지식 대신, 현재의 AI를 좀 더 쉽게 이해 할 수 있도록 설명해 보려고 합니다 .
개념적으로 인공지능은 가장 큰 범위를 가지고 그 안에서 머신러닝이 좀 더 구체적인 범위를,
딥러닝은 머신러닝 중에서도 더 세분화된 분야라고 합니다.
각각의 정의를 찾아보면
라고 나오는데, 쉽게 생각해서
인공지능은 컴퓨터가 사람처럼 생각하고 학습 할 수 있는 능력을 만드는 것,
머신러닝은 그런 능력을 컴퓨터에게 가르치는 방법,
딥러닝은 그 방법 중 하나로 볼 수 있을 것 같습니다.
머신러닝부터 살펴보겠습니다 .
머신러닝은 컴퓨터나 기계에게 일종의 문제집과 그 문제의 답을 함께 제공하고
기계는 이 문제와 답을 보면서, 어떤 문제에 어떤 답이 맞는지 학습을 해서
문제를 해결하기 위한 '규칙'이나 '패턴'을 찾아내게 되는데, 이것을 매개변수(파라미터) 라고 합니다.
이렇게 학습을 통해 찾아낸 매개변수 값은 컴퓨터가 새로운 문제를 만났을 때, 그 문제의 답을 예측하는데 사용됩니다 .
이런 방식으로 기계가 스스로 학습하고 , 자기만의 방식으로 문제를 해결하는 능력을 키워 나가는 것이죠.
머신러닝에는 '문제와 답'을 함께 제공하는 지도 학습(Supervised Learning) 외에도,
문제만 주고 답을 제공하지 않는 비지도 학습(Unsupervised Learning),
컴퓨터가 스스로 시행착오를 겪으며 최적의 해결책을 찾아가는 강화 학습(Reinforcement Learning) 등
다양한 방법이 있으며 이렇게 다양한 방법을 통해 컴퓨터는 더 많은 것을 학습하고, 점점 더 똑똑해집니다.
하지만 학습 횟수에 따라 정확도가 달라지는 머신러닝 분야는 해결되지 못한 난제들도 많았습니다.
이때 하드웨어의 발전과 함께 인공신경망을 이용한 딥러닝이 성과를 일으키며
AI의 모든 분야는 다른 모습을 보이기 시작합니다.
딥러닝은 사람의 뇌 작동 방식을 본따 만든 인공신경망을 사용합니다 .
인공신경망은 사람의 뇌 신경망을 모방한 컴퓨터 알고리즘으로
사람의 뇌에서 뉴런은 받은 정보(입력 신호)를 다른 뉴런으로 전달하는데,
이때 모든 정보를 전달하는 것이 아니라, 일정 기준 이상의 정보만을 선택적으로 전달합니다.
이과정을 단순화해서 컴퓨터 알고리즘으로 만든 것이 퍼셉트론입니다.
동작방식을 살펴보면,
우리가 퍼셉트론에 정보를 보내면 그 정보를 (X)라고 합니다 .
이 정보 마다 중요한 정도가 다르기 때문에 각각의 정보에는 가중치(W) 가 있습니다 .
그리고 퍼셉트론은 입력값(X)에 가중치(W)를 곱하고 다 더하는 방식으로 답(Y)을 구하고
각각의 정보에 대한 가중치를 조절하면서 가장 올바른 답을 내놓기 위해 학습을 합니다 .
이런 퍼셉트론을 여러 개 겹쳐서 만들어진 것이 인공신경망으로
인공신경망은 입력을 받는 입력층, 최종 결과를 내는 출력층, 그리고 중간에 있는 은닉층 세 부분으로 나눌 수 있습니다.
입력층에서 들어온 정보가 은닉층으로 전달되면서 앞에서 받은 정보를 처리할 때 가중치와 편향값을 이용해 계산하고
이 정보가 출력층에 도착했을 때 일정 정확도를 만족하면, 그때의 가중치와 편향값이 저장됩니다.
이 저장된 가중치와 편향값들이 ‘학습ʼ의 결과이며 우리는 이것을 ‘모델ʼ 이라 부르고 있습니다.
이렇게 학습된 모델을 이용해서 새로운, 학습되지 않은 데이터에 대해 예측하는 과정을 '추론(인퍼런스)ʼ 라고 하며
은닉층의 크기와 깊이를 증가시켜서 더 많은 파라메터로 복잡한 고차원 학습으로 거대 모델을 생성하고
이 모델을 이용 인퍼런스를 서비스 하는 것이 현재 우리가 사용하는 '생성형 AI'로
OpenAI의 'ChatGPT' 같은 서비스가 대표적인 예입니다 .
이는 대형 언어 모델(LLM)을 기반으로 하여, 학습된 데이터를 바탕으로 사용자의 질문이나 요청에 대한 적절한 답변을
'추론'하는 방식으로 작동합니다 .
이런 과정을 통해 AI는 사람과 비슷한 방식으로 대화하거나 정보를 제공할 수 있게 되었죠 .
그래서 딥러닝은 인공신경망을 이용한 머신러닝의 한 분야로 볼 수 있습니다.
현재의 인공지능(AI)은 사람이 딥러닝과 같은 고급 인공신경망 기술을 통해 기계를 학습시키고,
이를 바탕으로 기계가 스스로 예측하거나 결정을 내리는 능력을 갖추게 하는 과정으로 볼 수 있습니다.
현재로서는 인공지능이 인간의 모든 능력을 닮거나 대체할 수는 없지만,
영화에서 보던 고도로 발전된 AI가 현실에서 실현될 날도 그리 멀지 않았을지도 모릅니다.
인간과 AI 가 어떻게 공존하고, 어떤 변화를 가져올 지에 대해 생각 해보는 것은 매우 흥미로운 주제인 것 같습니다.