얼마 전까지만 해도 허구라고 여겨졌던 것이 지금은 현실입니다. 영화에서나 볼 수 있고 책에서도 읽을 수 있는 기술이 현재 우리가 살고 있는 현실입니다. 어떤 위대한 사람들은 기계학습이 무엇인지 그리고 그것이 인류에게 무엇을 가져다 줄 수 있는지에 대해 과거에 꿈꿀 수 밖에 없었지만, 그 현상은 매우 살아있습니다.
머신러닝(machine learning, 또는 ML)은 머신 인텔리전스를 나타내는 컴퓨터 과학 용어입니다. 뉴런과 같은 인지 기능을 배우고 흉내낼 수 있는 기술입니다. 가상 비서처럼 질문에 답만 하는 것이 아니라 스스로 문제를 해결할 수 있습니다.
사람들의 삶을 향상시키는 기계의 능력이 증가하면서, 우리는 이미 얼굴 인식, 자율주행차, 소셜 네트워킹, 그리고 비행기의 오토 파일럿과 같은 일부 부분에서 기계 학습 소프트웨어를 볼 수 있습니다. 테슬러의 테오렘이 말하는 것처럼 "ML은 아직 이루어지지 않은 것입니다." ML로 분류되는 머신 인텔리전스 기능은 인간의 언어, 군사 시뮬레이션, 컴퓨터 게임의 최고 수준에서 경쟁하는 것 등을 성공적으로 이해할 수 있습니다. 이제 기계학습이 무엇인지 조금 맛보았으니, 좀 더 깊이 들어가 볼까요?
기계 학습 기술에 대한 보다 깊은 통찰력을 제공합니다.
시리, 알렉사와 같은 가상 조수들로부터, 기계 학습 소프트웨어는 우리의 일상 생활에 빠르게 통합되고 있습니다. 이러한 사례 중 일부는 스스로 결정할 수 있는 "진정한" 기계 정보로 간주할 수는 없었지만, 스핀오프 프로젝트의 영향은 계속해서 능력과 보편성을 향상시키고 있습니다.
ML이 무엇인지 더 잘 이해하기 위해서는 ML의 발전을 조금 더 거슬러 올라가야 합니다.
ML의 짧은 역사입니다.
인공적인 존재에 대한 최초의 아이디어는 골동품에서 언급되었고 매우 오랫동안 소설 현장에 있었습니다. 프랑켄슈타인과 같은 이야기들이 그것의 결과입니다. 인공지능 연구 분야는 1956년 미국 다트머스 대학에서 탄생했습니다. MIT와 CMU와 같은 대학의 과학자들이 ML 기술 연구의 창시자가 되었습니다. 그들이 만든 프로그램은 첫 번째 기계 학습 기본 사항으로 여겨져 왔습니다. 그들은 체커들의 전략을 배우고, 대수학의 문제를 해결하고, 논리적인 문제를 증명할 수 있는 컴퓨터 시스템을 만든 사람들이었어요. 그들은 20년 정도 지나면 기계가 사람이 할 수 있는 모든 것을 할 수 있을 것이라고 믿었습니다.
비록 그들은 그들의 창작의 진행에 대해 매우 낙관적이었지만, 그들은 기계 학습 개발이 다음에 그들에게 도전할 것이라는 것을 깨닫지 못했습니다. 경제적으로 어려운 시기 때문에, 미국과 영국 정부 모두 ML의 탐사 연구에 대한 프로젝트에 대한 자금 지원을 중단하기로 결정했습니다. 연구를 계속할 수 있는 충분한 자금을 찾기가 매우 어려웠던 시기는 "ML 겨울"이라고 불렸습니다.
그럼에도 불구하고, "ML 겨울"은 그리 오래 지속되지 않았습니다. 1985년이 되자 그 연구는 다시 살아났고 그 무렵 기계학습 시장은 10억 달러 이상에 달했습니다. 비틀거림과 낙하를 통해, 20세기 말까지, 그리고 21세기 초에 이르러서는 의료 진단, 물류, 데이터 마이닝 등에 머신 인텔리전스 개발이 활용되고 있습니다. 컴퓨터 학습 소프트웨어는 컴퓨터 파워가 증가함에 따라 성공을 거두기 시작했습니다. 무어의 법칙에 따르면, 컴퓨터의 속도와 능력은 2년마다 두 배로 증가할 것으로 예상됩니다. 이것은 컴퓨터 과학의 진화가 의심할 여지 없이 빠르게 진행되고 그에 따라 계속해서 사람들의 일의 질을 증가시킬 것이라는 것을 의미합니다.
ML의 기본 개념은 다음과 같습니다.
기계 학습은 과정으로서 그리고 제품으로서 여러분의 전문지식이 아니라면 이해하기 매우 어렵습니다. 가능한 한 간단하게 하기 위해, ML 기술은 입력 정보를 출력하는 다른 정보로 변환하는 소프트웨어입니다.
머신 인텔리전스와 다른 종류의 소프트웨어 프로그램의 가장 큰 차이점은, 프로그래머인 머신 인텔리전스(machine intelligence)가 하는 모든 기능에 대해 지시를 내릴 필요가 없다는 것입니다. 사례와 실습을 통해 필요한 정보를 스스로 학습합니다.
왜 기계 학습이 중요할까요?
기계 학습이 무엇이고 그 중요성에 대한 이해는 매우 간단한 설명에서부터 시작되어야 합니다. 이것은 사람이 개입하는 것이 위험한 분야에서 인간의 노력과 도움을 줄이기 위해 만들어졌습니다. 기계의 인텔리전스를 사용하는 방법은 여러 가지가 있지만, 일종의 프로세스에 대한 속도 향상으로 작용하여 사용자에게 정확한 결과를 제공합니다. ML 소프트웨어의 아이디어는 오류가 없는 세상을 만드는 것입니다. 주요 특징과 가장 중요한 특징 중 일부를 살펴보겠습니다.
머신러닝은 데이터를 통해 반복적인 학습과 발견을 통해 학습됩니다. ML은 혼자서 정보를 처리하는 대신, 어떤 형태의 피곤함과 지각도 경험하지 않고 다량의 컴퓨터화된 작업을 수행할 수 있는 로봇 자동화를 만듭니다. ML 시스템이 올바른 질문을 해야 하기 때문에 이 과정은 여전히 인간적인 조사가 필요하다는 것을 언급할 가치가 있습니다.
데이터를 최대한 활용할 수 있습니다. 위에서 언급한 바와 같이, 전문가로부터 권리를 설정하여, ML 기술은 매우 오랫동안 피로 없이 작동할 수 있습니다. 비즈니스 경쟁업체와 경쟁 우위를 확보하는 데 있어 기계 학습이 놀라운 것은 무엇입니까? 지난 몇 년 동안 데이터 수집이 크게 증가했으며, 데이터 수집의 중요성도 커졌습니다. 이 기간 동안 많은 스캔들과 데이터 보호 규정이 있었다는 것은 놀라운 일이 아닙니다. 모든 사람들은 이 데이터가 많은 작업 영역에서 큰 역할을 할 수 있다는 것을 알고 있고, ML은 데이터를 더 쉽게 분류할 수 있도록 해줍니다.
기계 학습 소프트웨어는 안전에 큰 역할을 합니다. ML에 데이터 스토리지에 대한 액세스를 제공함으로써 심층적인 학습을 통해 부정 행위 탐지 시스템으로 훨씬 빠르게 작동할 수 있습니다.
기계 학습 기본을 사용하여 최신 제품을 개선합니다. 디지털 마케팅에 익숙하다면 우리가 좋든 싫든 사물 인터넷이 오고 있다는 것을 알게 될 것입니다. Web 3.0은 사물 인터넷(IoT)의 대체 이름입니다. IoT의 정의는 우리가 사용하는 캐쥬얼·일상용 기기의 목적을 확장하는 것을 의미합니다. 소비자 시장에서 사물 인터넷은 "스마트 홈"을 만드는 것과 동의어입니다. 장치, 어플라이언스, 보안 카메라, 온도 조절 장치 등을 다룹니다.
깊은 신경망은 우리가 극도로 정밀하게 하는 것을 도와줍니다. 기계 학습 또한 놀라운 것은 깊은 학습, 이미지 분류, 그리고 물체 인식 기계 지능을 통해 전문 방사선 전문의처럼 정확하게 MRI에서 암을 발견할 수 있다는 것입니다.
우리가 알 수 있듯이, 컴퓨터 과학과 기술의 현재 단계에서는 기계 학습의 영향이 부정할 수 없습니다. 오해하지 마세요. 이것은 ML 기술의 모든 장점이 아닙니다. 그것보다 훨씬 더 많습니다. 그런데 지금 심층학습과 신경망을 언급했는데 정확히 어떤 것들이 있을까요?
신경 네트워크입니다.
이론적으로 신경망은 회로이거나 뉴런의 네트워크입니다. 이 경우 기계 학습을 도와 문제를 해결하는 인공신경망입니다. 신경 네트워크는 인간의 뇌와 유사한 것으로 모델링된 특정한 알고리즘의 집합입니다. 이러한 알고리즘은 정보의 패턴을 인식하도록 설계되었습니다. 정보는 시스템 인식, 라벨링 또는 클러스터링 원시 입력을 통해 인식됩니다. 실제 이미지, 소리 또는 텍스트처럼, 인공 신경 네트워크는 값과 숫자를 지탱하는 n차원 텐서(배열)를 통해 그것을 이해합니다. 그것은 기계 학습에 관한 가장 중요한 것들 중 하나입니다.
신경 네트워크는 데이터를 클러스터링하고 분류하는 데 도움이 됩니다. 전체 프로세스는 예제 입력 간의 유사성에 따라 레이블이 지정되지 않은 데이터를 그룹화하는 데 도움이 되며, 신경 네트워크는 교육할 데이터 세트가 있을 때 데이터를 분류합니다. 이런 종류의 학습을 감독이라고 합니다. 반면, 사전 지정된 레이블 없이 데이터 세트에서 이전에는 알 수 없었던 패턴을 찾는 데 도움이 되는 감독되지 않은 학습이 있습니다.
심오한 학문
기계 지능의 또 다른 필수적인 부분은 깊은 학습입니다. 이 과정은 사람들이 하는 것처럼 예로부터 배우는 것을 돕는 기계 학습 기술입니다. 만약 여러분이 자율주행차를 본 적이 있다면, 여러분은 아마도 기계학습에 처음 접촉했을 것입니다.
심층 학습에서 기계 지능은 책, 비디오 또는 강의에서 인간처럼 이미지, 텍스트, 소리로부터 작업을 수행하는 법을 배울 수 있습니다. 인간은 항상 실수를 범할 기회가 있는 반면, 학습 모델이 깊은 컴퓨터는 그림처럼 완벽한 정확도를 달성할 수 있고 인간의 성능을 초과할 수 있습니다. 딥러닝 모델은 수집된 레이블이 지정된 데이터 및 데이터 세트를 사용하기 때문에 신경 네트워크의 일부입니다. 이것은 기계학습의 큰 부분입니다.
실생활의 예: 로봇 소피아입니다.
비록 이름 자체가 로봇이라고 암시하지만, 속지 마세요. 로봇은 외부에 있는 것, 즉 전체 프로젝트의 골격입니다. 소피아의 가장 인상적인 것은 그녀의 마음입니다.
소피아는 한슨 로보틱스 회사가 개발한 사회적 휴머노이드 로봇입니다. 그녀는 2016년 2월 14일에 활성화되었습니다.
소피아 로봇은 많은 알고리즘과 결합하여, 움직임을 보고, 동료와 눈을 맞추고, 사람을 인식할 수 있습니다. 그것은 심지어 얼굴, 사람들의 표정, 그리고 동료들의 감정을 이해할 수 있습니다. 이 모든 과정은 그녀의 눈에 있는 카메라를 통해 이루어집니다. 2018년에 그녀는 업그레이드 되었고 그 이후로 로봇 소피아는 걸을 수 있게 되었습니다.
소피아의 창시자인 데이비드 핸슨은 의료, 고객 서비스, 치료 또는 교육 분야에서 일할 수 있는 기계 학습 방식의 로봇을 만드는 것이 목표라고 말했습니다. 소피아의 기계 지능은 지속적으로 연구실에서 훈련되고 있습니다. 그래서 소피아는 새로운 기술을 개발하고 있고, 우리가 말하는 동안 실수를 덜 하고 있습니다.
게다가 소피아의 기계학습은 최첨단 신경망, 전문가 시스템, 기계 인식, 대화형 자연어 처리, 적응형 모터 제어, 인지적 구조를 결합한 것입니다.
로봇 소피아(Sofia)는 별도의 방식으로 작동할 수 있습니다. 첫 번째는 완전히 ML 자율적인 작업이고, 두 번째는 사람이 만든 단어와 혼합된 ML 작업입니다. 완전한 기능을 갖춘 하이브리드 인간-ML 인텔리전스입니다.
요점
기계 학습이 현재 가장 큰 첨단 기술이라는 사실은 부인하기 어렵습니다. 우리가 성장해서 인간의 삶을 더 좋게 만들고 싶다면 그렇게 하는 것이 가장 좋은 방법 중 하나라는 것을 인식하는 것이 중요합니다. 기계 학습이 무엇인지 더 잘 알고 싶으시면 BitDegree 과정으로 가셔서 한 번 시도해 보세요. 만약 여러분이 절대 기계 학습 기본에 관심이 있다면, 이 과정으로 넘어가세요.
댓글