인공지능, 딥러닝, 머신러닝 용어의 차이를 알아보자

인공지능 용어들의 등장

인공지능, 즉 AI가 챗봇, 예술, 음악, 광고 등 전반적인 산업 분야에서 자주 등장하고 있습니다. 마케팅을 할 때에도 AI 기술을 사용했다고 강조하고, 회사에서도 AI를 활용하여 성과를 높이는 방법을 연구하라고 직원들에게 요청하고 있습니다. 그러다 보니, 이와 관련해서 머신러닝, 딥러닝 등 많은 용어가 등장하고 있습니다. 이 용어들은 대체 무엇을 의미하는지, AI와의 관계는 어떻게 되는지 알아보겠습니다. 

 

 

 

인공지능 관련 용어 정리

출처 : LG전자 소셜 매거진

 

먼저, 인공지능(Artificial Intelligence, AI)은 가장 넓은 범위의 개념을 나타내는 용어입니다. 사람이 할 수 있는 일을 기계가 대체하도록 인간의 지능을 인공적으로 구현한 것으로, 지각 능력을 갖춘 컴퓨터 시스템이라고 말할 수 있습니다. 넓은 의미에서 인간의 행동이나 생각을 모방해 자동화한 프로그램을 말합니다. 

 

머신러닝(Machine Learning, ML)은 기계가 인간처럼 학습 능력을 갖출 수 있도록 구현한 것입니다. 사람이 직접 명시적으로 프로그래밍하지 않고도, 데이터로부터 예측이나 결정을 내릴 수 있도록 학습 모델을 만드는 것을 포함합니다. 

 

사람들이 주로 말하는 AI는 딥러닝(Deep Learning, DL) 기반의 AI를 말하는 경우가 대부분입니다. 딥러닝은 이미지 및 음성 인식, 자연어 처리(Natural Language Process, NLP) 및 의사 결정과 같은 복잡한 작업을 수행하기 위해 여러 개의 숨겨진 레이어가 있는 인공 신경망(Artificial Neural Network)을 활용하는 머신러닝(ML)의 하위 분야입니다. 한마디로, 좁은 의미의 AI를 말하며, 인공 신경망을 기반으로 기계가 스스로 학습하여, 인간의 행위를 자동화하는 시스템을 말합니다. 

 

 

 

머신러닝(Machine Learning, ML)의 분류

머신러닝은 3가지 기준에 따라서 분류를 할 수 있습니다. 

 

1. 정답 유무에 따른 분류 : 지도 학습(Supervised Learning)과 비지도 학습(Unsupervised Learning)으로 분류할 수 있습니다. 지도 학습에는 다중선형회귀 분석(Multiple Linear Regression), 로지스틱 회귀 분석(Logistic Regression), 의사결정나무(Decision Tree) 등의 방법이 있습니다. 비지도 학습 방법에는 군집화(Clustering)가 대표적입니다. 

 

2. 학습 목적에 따른 분류 : 학습의 결과 양상에 따른 분류입니다. 분류(Classification), 회귀(Regression), 군집화(Clustering), 이상치 탐지(Outlier Detection) 등이 있습니다. 

 

3. 데이터 형태에 따른 분류 : 데이터의 형태는 정형 데이터(Structured Data)와 비정형 데이터(Unstructured Data) 2가지가 있습니다. 정형 데이터는 정해진 규칙에 맞게 수치로 표현되는 데이터를 의미하고, 비정형 데이터는 음성, 영상과 같이 규칙 없이 생성되는 데이터를 의미합니다. 

 

 

 

 

딥러닝(Deep Learning, DL)의 활용과 기술

딥러닝의 예로는 자연어 처리, 이미지 분류, 음성 인식 시스템, 자율 주행 자동차 등이 있습니다. 이미지 분류에서 딥러닝 모델은 이미지와 해당 레이블의 대규모 데이터에서 훈련된 다음, 새 이미지를 미리 정의된 범주로 분류(Classification)하는 데 사용됩니다. 음성 인식 시스템에서 딥러닝 모델은 음성을 텍스트로 변환하는 데 사용됩니다. 자율주행차에서 딥러닝은 환경에서 물체를 식별하고 분류하여 자동차의 행동에 대한 결정을 내리는 데 사용됩니다. 

 

다음은 딥러닝 기술의 특징입니다. 

1. CNN(Convolutional Neural Networks) : 이미지 및 비디오 분석에 사용됩니다.
2. 순환 신경망(RNN) : 음성 또는 텍스트와 같은 Sequential 데이터에 사용됩니다.
3. GAN(Generative Adversarial Networks) : 원본 훈련 데이터와 유사한 새 데이터를 생성하는 데 사용됩니다. 보통 훈련 데이터가 부족할 때 사용합니다. 
4. 전이 학습(Transfer Learning) : 하나의 문제를 해결하여 얻은 지식을 활용하고, 다른 관련 문제에 적용하는 데 사용됩니다. 
5. 비선형(Non-linear) 처리: 딥 러닝 모델은 데이터의 비선형 관계를 캡처할 수 있으므로 여러 입력 및 출력이 관련된 복잡한 문제를 해결하는 데 적합합니다.
6. 확장성(Scalability): 딥러닝 모델은 대규모 데이터로 확장하고 고차원 데이터를 처리할 수 있으므로 빅데이터 APP에 적합합니다.
7. 견고성(Robustness): 딥러닝 모델은 데이터의 노이즈 및 변형에 강하므로 실제 데이터에 대한 탄력성을 높이고 일반화를 개선하는 데 도움이 됩니다.
8. 비지도 학습(Unsupervised Learning): 딥러닝 모델은 원본 데이터 분포와 유사한 새 데이터를 생성하는 방법을 학습하는 생성 모델과 같은 기술을 사용하여, 비지도 방식으로 훈련할 수도 있습니다.

 

 

마무리하며,

최근들어 머신러닝과 딥러닝은 다양한 응용 분야에서 놀라운 성공을 거두었으며, AI 분야에서 계속해서 활발한 연구 개발 영역이 되고 있습니다. 각종 논문 뿐만 아니라, 새로운 방법들이 계속해서 나오고 있으며, 최근에는 AI의 단점이라고 할 수 있는 Explanable의 영역, 즉 설명가능한 AI에 대해서도 연구가 많이 이루어지고 있습니다. 앞으로 어떤 신기술이 나올지 궁금해지는 분야임에는 틀림없습니다.