인공지능의 개념

인공지능이란

인간의 지능으로 할 수 있는 여러 능력을 컴퓨터로 구현한 것.

인공지능은 다음과 같이 정의할 수 있다.

• 동작의 시뮬레이션: 학습의 측면과 지능을 정확히 묘사 -> 기계가 시뮬레이션 가능

• 생각의 흉내: 컴퓨터가 생각할 수 있는 능력

• 작업의 조력자: 사람보다 효율적으로 일하는 것

• 지능적 행동: 복잡한 환경에서 인공지능이 수행하는 지적 행동을 정리

---

인공지능의 발전과정

1. 논리/규칙 기반(1960~1980년대)현실의 문제 정의 못함, 세상의 모든 지식을 알려줄 수 없음

2. 연결기반(1980~1990년대)계산이 복잡, 신경망을 충분히 학습시킬 수준이 안됨훈련시킬 데이터 부족

3. 기계학습(1990~2010년대)최적화 방식으로 문제 해결 -> 다른 분야에 적용하기 어려움특성 설계의 능숙도에 따라 성능 좌우

4. 딥 러닝 기반(2010년 이후)컴퓨터가 스스로 특성을 학습해 설계 가능학습한 데이터를 다른 문제에 재활용

신경망의 뉴런과 인공신경망의 퍼셉트론 비교출처: 모두의 딥러닝 개정2판: 6장 퍼셉트론 - 1

---

인공지능의 동작 구분

• 문제해결(Problem solving)- 주어진 문제해결을 위한 작업의 시작부터 끝까지의 과정을 가장 효율적으로 수행하는 방법 찾는 것. 최적의 문제해결을 위해 문제를 명확히 하거나 문제의 범위를 줄임(ex.휴리스틱 탐색방법) -> 체스,바둑, 항공기나 자동차의 실시간 경로찾기

• 추론(Reasoning)- 논리적 추론 과정을 컴퓨터로 시뮬레이션함. 여기서 언어, 지식, 개념을 명제,규칙과 같이 기호형태로 표현 -> 기호적 인공  지능이라 불림(ex. 데이터를 기반으로 질문에 대답하고 새로운 결론 도출)

• 학습(Learning)- 데이터로부터 일정한 패턴과 모델을 찾아 내 분류, 군집, 연관, 예측과 같이 지능적 행위를 하는 모델을 만듦(ex. 딥러닝)

• 인식(Recognition)- 딥러닝 기술을 활용해 이미지, 소리정보 등에서 의미를 이해하고 대응

 여기에서 핵심분야는 기계학습으로, 기계학습은 사람의 학습방법을 흉내내어 학습을 통해 성능을 스스로 개선시키거나 비용의 절감, 시간 절약 등과 같은 방법으로 발전한다.

---

기계학습의 구분

출처: 머신러닝의 개요 - Hyeon's DevLog

기계학습은 위와 같이 구분할 수 있다.

• 지도학습은 문제와 정답을 모두 알려주어 사람이 원하는 정답을 도출한다. 대량의 데이터가 제공될수록 효율적이다.

• 비지도 학습은 답을 가르쳐주지 않아 데이터의 발생 환경이나 테스트 환경이 일관화 되지 않으면 정확한 학습이 불가능하다. 따라서 정확한 학습환경이 마련되는 것이 중요하다. 지도학습보다 어렵고 예측이 불확실하다는 단점이 있지만, 정답 데이터를 제공하지 않아도 된다는 장점이 있다.

• 강화학습은 정답을 도출한 경우 보상을 주는 방식이다. 여기서 보상은 가중치를 높여주는 방식으로 수학적 계산식에 따라 경험치를 높여준다.

---

인공지능의 활용분야

• 추천서비스

  사람의 구매패턴, 선호장소, 음악 등 여러 데이터를 기반으로 그 사람이 선호하는 정보를 추천하는 인공지능 기술은 통계기반의 추론 기능을 활용한다. 하지만 인공지능의 추천에 의존하다보면 제한된 정보에 묻혀 편협하고 왜곡된 관점에 갇힐 위험이 있다. (ex. Filter Bubble)

• 챗봇, 인공지능 스피커

  사람이 일상적으로 하는 말(자연어)를 인식하고 음성인식, 의미 기반의 정보 탐색, 음성 합성 등의 다양한 기술을 사용하여 그에 대한 동작을 한다.

• 자율주행 자동차

  자동차의 센서에서 수집한 정보를 기반으로 주행과 관련한 부분을 조절한다.

• 의료와 헬스

  정확한 영상 분석과 사례검토를 통해 진단의 정확도를 높일 수 있다. 이 과정에서 생기는 실수를 걱정할 필요가 없어지고, 개인적인 선입견도 없는 장점이 있다. 하지만 환자와의 상담이나 복잡한 대화를 통해 맥락을 잡아내는 것은 불가능 하기 때문에 사람의 개입이 필요한 한계가 있어 현재까지는 사람과 인공지능의 협업이 이루어지고 있다.