AI

인공지능, 머신러닝 그리고 딥러닝

인공지능
- 인간의 지능을 컴퓨터를 통해 구현해낸 모든 기술들을 일컫는 말이다
- 머신러닝, 딥러닝도 결국 인공지능을 위한 하나의 방법이다
머신러닝
- 특정 알고리즘을 데이터를 통해 학습한 인공지능이다
- 머신러닝 모델을 구축함으로써 입력하지 않은 정보에 대해서다 판단이나 결정을 할 수 있게 된다
- 머신러닝 기법은 주로 정형 데이터를 다룬다
딥러닝
- 특정 알고리즘보다는 수많은 파라미터를 가지는 인공 신경망을 데이터를 통해 학습한 인공지능이다
- 실제로 인간의 뇌가 학습하는 방법과 가장 유사하다
- 음성, 이미지, 동영상 같은 알고리즘으로 잡아내기 힘든 추상적인 특성을 잘 찾기 때문에 비정형 데이터에서 특히 강점을 보인다

딥러닝으로 풀 수 있는 문제의 종류는 정말 다양하다
분류(Classification)
- 입력 데이터의 범주를 고르는 문제다
  - ex. 사진을 보고 고양이인지 강아지인지 고른다
  - ex. 문장을 보고 긍정인지 부정인지 고른다
- 분류 모델은 곧, 데이터를 잘 분류하는 decision boundary 와 같다
회귀(Regression)
- 입력 데이터를 보고 연속적인 값을 예측한다
  - ex. 집 주변의 데이터를 보고 집 값을 예측한다
  - ex. 부모님의 유전자 정보를 통해 아이의 키를 예측한다
- 회귀모델은 곧, 데이터의 일반적인 경향을 잘 나타내는 함수와 같다
최근에는 딥러닝의 활용도가 급격히 증가함에 따라, 자연어 처리, 컴퓨터 비전, 자율주행, 생성형 AI 로 영역을 분리하기도 한다

딥러닝 과정을 간단하게 살펴보면 다음과 같다
1. 목적에 맞는 모델을 선택한다
2. 그에 맞는 손실함수를 선택한다
3. 경사하강법을 통해 학습시킨다
4. 검증 데이터를 통해 학습을 언제 종료할지 결정한다
5. 검증 과정에서 가장 좋은 성능을 낸 모델을 선택한다
6. 실전에서 새로운 데이터에 대해 학습된 모델이 결과를 반환한다
손실함수는 딥러닝 학습에 있어서 목표를 설정해주는 것과 같다. 예를 들어 a와 b가 있을 때, a와 b가 같아지는게 목표라면(a = b) 우리는 a와 b의 차이(a-b)가 작아지도록 해야 한다. 이 때 손실함수 Loss function = a - b 이렇게 하고, 이 손실함수가 최소가 되도록 학습하면 점점 a와 b가 비슷해질 것이다
경사하강법은 학습을 최대한 효율적으로 하도록한다. 다시 말해 손실함수가 최대한 빠르게 최소가 되도록 한다. 손실 함수를 마치 깜깜한 골짜기와 같다고 생각해보자. 이 때 우리는 어떻게 가장 빠르게 밑으로 내려갈 수 있을까? 경사하강법은 여기서 ‘주변에 발을 짚었을 때 경사가 가장 급한 곳으로 가다보면 가장 빨리 골짜기 밑으로 갈 수 있지 않을까?’ 라는 방법을 제시한다. 그리고 이 방법은 현재 딥러닝에서 가장 많이 사용하는 모델 학습 방법이다