인공 지능은 1950년대 초기 컴퓨터 과학 분야의 연구자들이 "컴퓨터가 생각 할 수 있는가?" 라는 질문을 하면서
시작되었습니다. 간단하게 이 분야를 정의하면 보통의 사람이 수행하는 지능적인 작업을 자동화하기 위한 연구활동 이라고
표현할 수 있습니다. 즉 AI는 머신러닝과 딥러닝을 포괄하는 종합적 분야라고 할 수 있습니다.
초기에 많은 전문가들은 명시적 규칙 의 나열로 지식을 다룸으로 인간 수준의 인공 지능을 만들 수 있다고 생각했습니다.
이런 접근 방법을 심볼릭 AI(symbolic AI) 라고 합니다. 이러한 방식은 잘 정의된 논리적인 문제의 해결에는 적합했습니다.
하지만 분류, 인식, 번역과 같은 고차원의 문제로 갈수록 문제해결을 위한 규칙을 찾기는 점점 어려워졌고 이러한 한계로부터 심볼릭 AI를 대체하기 위한 새로운 방법이 등장했습니다.
이것이 바로 머신 러닝 입니다.
머신러닝은 이런 질문에서 시작됩니다. '컴퓨터가 프로그래밍된 규칙 대신 데이터를 보고 자동으로 규칙을 학습할 수 있을까? '머신 러닝에서 규칙은 프로그래밍되는 것이 아니고 훈련 됩니다. 어떤 작업과 관련 있는 많은 샘플들을 제공하면 이 데이터들로부터 해당 작업을 자동화하기 위한 규칙을 만들어 냅니다.
머신 러닝 알고리즘에 대해 조금 더 자세히 알아봅시다.
머신러닝을 위해선 다음과 같은 세 가지가 필요합니다.
- 입력 데이터 (X)
- 기대 출력 (Y)
- 알고리즘의 성능 측정 방법 (for Feedback)
머신 러닝 모델은 입력 데이터를 의미 있는 출력으로 변환합니다. 즉 머신 러닝은 입력 데이터를 기반으로 기대 출력에
가깝게 만드는 _표현(representation)을 설정한 알고리즘 성능 측정법을 이용해 학습하게 됩니다.
그러나 머신 러닝이 데이터를 유용한 표현으로 바꾸는 변환 또한 혼자서 찾아내는 것은 아닙니다.
머신 러닝은 가설 공간 이라 부르는 미리 정의된 연산의 모음들을 자세히 조사하는 것 뿐입니다.
다시 말해 기술적으로 머신 러닝은 '가능성 있는 공간을 사전에 정의하고 피드백 신호의 도움을 받아 입력 데이터에 대한
유용한 변환을 찾는 것' 이라 할 수 있습니다.
함수 관점에서는 X를 Y에 매핑하는 방법을 알아내는 것 정도로 설명할 수 있겠습니다.
딥러닝은 머신 러닝의 특정한 한 분야로, 기본 층(layer) 을 겹겹이 쌓은 신경망(neural network) 라는 모델을 사용해
표현 층을 학습합니다. 연속된 층에서 점진적으로 의미 있는 표현을 배우는 데 강점이 있습니다. 최근의 모델들은 표현 학습을 위해 수십, 수백의 연속된 층을 가지고 있습니다.
층을 통과할수록 최종출력에 대해 점점 더 많은 정보를 가지지만 원본과는 다르게 변환되어 갑니다.
이런 관점에서 보면 정보가 연속된 필터를 통과하며 순도 높게 정제되는 다단계 정보 추출 작업 정도로 생각할 수도 있겠습니다.
