인공지능과 기계 학습 대한 간단한 소개

이 글은 국민대학교 소프트웨어학부 '인공지능' 강의를 듣고 요약하는 글입니다. 실제로 원하시는 정보가 여기에 없을 수도 있습니다. 이 점 유의 바랍니다. 오류 지적 매우 환영합니다!

---

인공지능(Artificial Intelligent, A.I)의 범주

컴퓨터 과학의 세부 분야들 중 하나로 인간의 학습, 추론, 지각, 자연 언어의 이해 등 지능적 능력을 컴퓨터로 구현하려는 분야입니다. 이를 통해 컴퓨터 또는 기계가 사람처럼 생각하고 행동하는 것을 목적으로 하는 분야입니다. 인공지능이라 함은 사실 범위가 넓습니다. 인공지능 안에서도 여러 범주들로 세분화시킬 수 있습니다.

인공지능 세분화

• 기계 학습(Machine Learning): 기계 학습은 일반적인 프로그래밍과 차이가 있습니다. 일반적인 프로그래밍 방식은 입력과 프로그램을 가지고 출력을 얻어냅니다. 기계 학습 방식은 입력과 출력을 가지고 입력과 출력 사이의 관계를 찾아냅니다.
• 특징 학습(Representation Learning): 기계 학습 안에서 나눠지는 범주들 중 하나로 데이터의 특징들을 컴퓨터가 찾아주는 분야입니다.
• 딥 러닝(Deep Learning): 특징 학습에서 나눠지는 범주들 중 하나로 레이어를 여러 겹 쌓아서 컴퓨터가 심층적으로 학습을 할 수 있게 하는 분야입니다.

인공지능의 단계

인공지능은 크게 3단계로 나눠서 생각할 수 있습니다.

1. 약인공지능(Weak AI): 프로그래머가 짜놓은 명령 안에서만 작동하는 인공지능으로 예측과 관리에 용이합니다.
2. 강인공지능(String AI): 약인공지능의 한계를 넘어 인간이 할 수 있는 모든 지적 업무를 성공적으로 해낼 수 있는 지능을 얘기합니다. 지금 적고 있는 이 순간에는 아직 강인공지능이 나오지 않았습니다.
3. 초인공지능(Super AI): 인공지능이 빠르게 발전해서 인류의 모든 지성을 합친 것보다 더 뛰어난 인공지능을 얘기합니다.

 

기계 학습의 유형

기계 학습은 위에서 얘기했듯이 AI라는 큰 틀에서 나눠지는 범주 중 하나로 입력과 출력을 가지고 이 사이의 관계를 찾아내는 분야입니다. 기계 학습에도 유형이 여러 가지 나뉩니다. 먼저 데이터가 어떻게 주어지는지에 따라 아래처럼 나뉠 수 있습니다.

• 교사 학습(Supervised Learning): 입력과 출력이 모두 주어진 상황에서 사용되는 학습 방법입니다. 교사 학습은 주로 회귀(regression)와 분류(classification)에서 사용됩니다.
• 비교사 학습(Unsupervised Learning): 입력은 주어졌지만 출력이 주어지지 않은 상황에서 사용되는 학습 방법입니다. 주로 군집화(clustering)에서 사용됩니다.
• 준교사 학습(Semi-supervised Learning): 일부는 입력과 출력이 있지만 일부는 입력만 가지고 있는 상황에서 사용되는 학습 방법입니다. 모든 데이터가 데이터에 대응하는 label을 항상 가지고 있지 않기 때문에 최근에 중요성이 부각되고 있는 학습 방법입니다.
• 강화 학습(Reinforcement Learning): 지도 학습과 다른 형태로 행동에 대한 보상을 가지고 학습을 진행하는 방법입니다.

이것 말고도 여러 가지의 유형들이 있습니다.

• 온라인(on-line) 모델 / 오프라인(off-line) 모델: 온라인 모델은 실시간으로 발생하는 데이터를 가지고 학습하지만 오프라인 모델은 발생하는 데이터들을 모아서 학습을 진행합니다.
• 결정론적(deterministic) 모델 / 확률론적(stochastic) 모델: 결정론적 모델은 같은 데이터 집합으로 학습하면 같은 결과를 내보내지만 확률론적 모델은 같은 데이터 집합으로 학습해도 다른 결과를 만들어내는 모델입니다. 확률론적 모델을 사용하는 이유에 대해서는 다음 기사( https://www.digitaltoday.co.kr/news/articleView.html?idxno=441573 )에서 잘 설명해주시는 것 같습니다.
• 분별(discriminative) 모델 / 생성(generative) 모델: 분별 모델은 데이터(입력)와 정답(출력) 간의 관계를 추정하는 것이 목적이고, 생성 모델은 학습하는 데이터들의 분포를 알아내는 것을 목적으로 합니다. 그래서 생성 모델을 사용해서 학습 데이터들의 분포를 따르는 새로운 데이터를 생성할 수 있습니다.