딥러닝, 누구나 만들 수 있는 인공지능(AI) 기술

딥러닝 붐의 시작

2016년, 구글 딥마인드(DeepMind)의 알파고(Alphago)와 이세돌 9단의 대국으로 화제가 되었습니다. 그 뒤로, 딥러닝(Deep Learning)이라는 인공지능(AI)의 분야는 전 세계 사람들의 큰 관심을 받게 되었는데요. 인공지능의 가능성과 위력을 선보이면서, 일종의 신드롬을 일으킨 장본인이라고 불러도 과언이 아닙니다.

 

실제로 최근 산업 전반에서 AI를 활용한 사례들이 속속히 나오고 있고, 마케팅 분야에서도 AI를 강조하고 있습니다. 그뿐만 아니라 실생활 속에서도 딥러닝은 많이 찾아볼 수 있습니다. 예를 들면, 구글의 번역기나, 네이버의 파파고 번역기도 딥러닝이 활용되었습니다. 텍스트를 사람 목소리로 변환해 주는 TTS(Text To Speech)라는 기술도 딥러닝이 활용되면서, 실제 사람이 말하는 수준까지 발전할 수 있었습니다. 이외에도 최근에 이슈가 되고 있는 자율주행 자동차, chatGPT, 미드저니, DALL·E 2와 같은 기술도 딥러닝이 활용되었습니다. 

 

최근의 인공지능 시스템이라고 할 때, 딥러닝 기술을 활용하지 않은 분야가 없다고도 말할 수 있습니다. 이렇게 활발히 연구되고, 개발될 수 있는 이유는 딥러닝이 머신러닝의 진입장벽을 낮출 수 있기 때문인데요. 어떤 특징이 있어서, 머신러닝의 입문 기술로 활용될 수 있는지 알아보겠습니다. 

 

 

딥러닝이 머신러닝의 진입장벽을 낮출 수 있는 이유

딥 러닝은 인공 신경망을 사용하여 복잡한 문제를 모델링하고 해결하는 머신러닝(Machine Learning)의 한 유형입니다. 수동 Feature 엔지니어링에 의존하는 기존 머신러닝 알고리즘과 달리, 딥 러닝 모델은 데이터에서 Feature를 자동으로 학습하도록 설계되었습니다. 딥 러닝의 "딥(Deep)"은 모델이 데이터의 계층적 표현을 학습할 수 있도록 하는 신경망의 여러 숨겨진 레이어를 나타냅니다. 

 

이렇게 설명하니, 너무 어렵게 느껴지니까 쉽게 설명해 보도록 하겠습니다. 

 

먼저, 머신러닝은 기계가 학습을 할 수 있도록 만드는 여러 방법을 포괄하여 말하는 것입니다. 딥러닝은 머신러닝의 한 분야인데, 기본적인 머신러닝과는 차이가 있습니다. 예를 들어, "개와 고양이를 구분할 수 있도록 수많은 사진을 보며, 학습시킨다."라는 게 머신러닝의 개념이라고 할 때, 일반적인 머신러닝은 사람이 가이드라인을 정해주어야 하는 특징이 있습니다. "귀가 삼각형인 게 고양이의 특징이야.", "코가 둥근 것이 개의 특징이야."와 같이 사람이 개와 고양이를 구분할 수 있는 특징을 직접 알려주면서 학습시켜야 하는 것이죠.

 

하지만, 딥러닝은 사람의 가이드가 필요 없는 것이 특징입니다. 수많은 사진들을 보면서, 직접 특징들을 추출하고, 판단을 내리게 됩니다. 물론 그 과정에서 엉뚱한 특징들을 추출할 수 있습니다. 하지만, 딥러닝에 입력하는 개와 고양이의 사진이 아주 많다면, 결국 "개와 고양이를 구분"하는 능력은 뛰어나게 만들 수 있습니다. 

 

 

출처 : 딥러닝 텐스플로 교과서 (지은이 : 서지영)

 

 

딥러닝의 "사람의 가이드 없이, 컴퓨터 스스로 특징을 추출하는 능력"은 또 다른 장점이 있습니다. 그것은 바로, 학습하고자 하는 분야의 전문 지식이 없어도 된다는 점입니다. 앞서 예로 들었던, "개와 고양이를 구분"하는 문제에 대해서 살펴보면, 개와 고양이에 대한 전문 지식이 없어도 성능 좋은 AI를 만들 수 있게 된다는 것을 알 수 있습니다. 

 

알파고의 경우로 예를 들면, 일반 머신러닝은 바둑 두는 방법에 대해 가이드라인을 사람이 정해주어야 합니다. 상황에 따른 대처 방법을 일일이 가이드해야 하므로, 바둑에 대한 지식이 꼭 필요합니다. 하지만, 딥러닝은 이러한 가이드가 필요 없이 스스로 바둑 잘 두는 방법을 학습하게 됩니다. 그러다 보니, 알파고 개발자는 바둑에 대해서 전문 지식이 없어도 되는 것입니다. 결과적으로, 딥러닝으로 접근한다면, 해당 분야에 대한 도메인 지식(Domain Knowlege)이 없어도 되기 때문에, 머신러닝에 대한 진입장벽을 낮출 수 있습니다. 

 

이것이 가능한 이유는, 딥러닝이 신경망(Neural Networks)을 이용하기 때문입니다. 사람의 뇌신경망은 뉴런과 시냅스가 신호를 전달하는 구조를 하고 있는데, 이를 본떠서 컴퓨터가 학습이 가능하도록 알고리즘을 만들어 놓은 것이 딥러닝입니다. 

 

 

딥러닝을 배우면, 만들 수 있는 AI

일반적인 머신러닝은 학습하고자 하는 분야의 전문 지식이 일부 요구되었습니다. 하지만, 딥러닝은 스스로 학습할 수 있기 때문에, 전문 지식 없이 문제를 해결할 수 있게 만들 수 있습니다. 이 강력한 특징 때문에, 만들 수 있는 AI 프로그램들이 많이 있습니다. 

예를 들어, 유방암에 대한 지식이 없어도, 유방암 진단 AI는 만들 수가 있습니다. 유방암 관련 CT 사진을 많이 확보한 다음에, 이를 딥러닝에서 학습시키면, 유방암 진단 AI가 만들어지게 됩니다. 또 다른 예로, 반도체 제작에 사용되는 웨이퍼(Wafer)와 반도체 공정에 대해서 잘 몰라도, 불량 웨이퍼에 대한 이미지들이 많다면, 불량 웨이퍼 판단 AI를 만들 수가 있습니다. 

 

여러 분야에 딥러닝을 다양하게 적용할 수 있지만, 딥러닝의 효과가 더 좋은 분야들이 있습니다. 

• 이미지 분류 및 사물 인식 : 이미지 분류에 딥러닝 모델을 사용할 수 있습니다. 이미지 분류는 콘텐츠를 기반으로 미리 정의된 범주에 이미지를 할당하는 작업입니다. 
• 음성 인식 : 딥러닝 모델은 음성 언어를 텍스트로 변환하는 음성 인식 시스템에도 사용됩니다. 이 모델은 음성의 패턴을 인식하고 이를 텍스트로 변환하는 방법을 학습합니다. 
• 자연어 처리 : 딥러닝 모델은 감정 분석, 기계 번역, 텍스트 생성과 같은 다양한 자연어 처리(NLP) 작업에 사용됩니다. 
• 자율 주행 자동차 : 딥러닝 모델은 자율 주행 자동차에서 환경의 물체를 식별하고 분류하여 자동차의 행동에 대한 결정을 내리는 데 사용됩니다. 
• 게임 : 딥러닝 모델은 AI가 체스나 바둑과 같은 게임을 사람을 훨씬 뛰어넘은 수준으로 플레이하도록 훈련시키는 등 게임에서도 사용됩니다. 

 

 

마무리하며,

딥러닝은 광범위한 산업과 응용 분야를 변화시킬 수 있는 잠재력을 지닌 흥미로운 머신러닝 분야입니다. 이미지 및 음성 인식에서 자율 주행 자동차 및 게임에 이르기까지 딥러닝은 이전에는 불가능했던 방식으로 복잡한 문제를 해결하는 것을 가능하게 합니다. 그리고, 딥러닝은 해결하고자 하는 문제에 대한 전문 지식이 없어도, 스스로 학습하여 해결할 수 있다는 장점이 있어서, 머신러닝을 시도하는 사람들에게 진입장벽을 낮춰줄 수 있는 기술입니다.