Introduction to A.I. (1/5)

Introduction to A.I. (1/5)

• 인공지능을 공부할 때 알아두면 좋을 기초적인 내용을 정리한 자료입니다
  • 정확히는 딥러닝을 기반으로 하는 인공지능 에 대해서입니다
• 추후 시간이 된다면 동영상으로도 제작해볼 생각입니다
• 포스팅마다 50개까지의 이미지만 업로드할 수 있어, 이왕 나누는 김에 5부작으로 나누었습니다
  • (1/5) ... (5/5) 로 구분됩니다

---

(1/5)

• 표지입니다
• VHPC Lab 은 필자가 재학 중인 학교의 IT 연구실입니다

• 목차입니다
• 총 6개의 장으로 이루어져 있습니다
  • (1/5) 에서는 1장까지 다룹니다
  • (2/5) 에서는 2장까지 다룹니다
  • (3/5) 에서는 3장까지 다룹니다
  • (4/5) 에서는 4장까지 다룹니다
  • (5/5) 에서는 6장까지 다룹니다

• 1장 Overview 에서는 인공지능과 딥러닝에 대한 개념을 알아봅니다
• 대부분의 내용이 비유와 추상적인 설명이므로 가볍게 읽어도 좋습니다

• 인공지능의 정의에 대해 알아봅니다
  • 자연적으로 정의되지않은 지능을 말합니다
• 인공지능은 주로 기계로 구현되기 때문에 기계지능이라고도 합니다
• 지능을 가진다는 것은 스스로 학습하고 추론하고 결정함을 의미합니다

• 초기 인공지능에 대해 알아봅니다
  • 1980년대의 전문가시스템이 대표적인 예입니다
• 이 당시의 인공지능이라 함은 일반적인 프로그램과 큰 차이가 없습니다
  • 특정 상황마다 특정 행동을 하도록 프로그래밍되었을 뿐입니다
• 프로그램 제작자가 작성한 코드에 인공지능의 성능이 결정되었습니다

• 머신러닝에 대해 알아봅니다
  • 인공지능을 구현하는 방법론 중 하나입니다
• train 과 test 과정을 통해 인공지능을 구현하는 특징을 가집니다
  • train → 인공지능이 test 과정에서 사용할 특징값을 구하는 과정
  • test → 얻어낸 특징값을 활용해 데이터를 처리하는 과정
• 이와 같은 구조로, 데이터에 의해 인공지능의 성능이 결정됩니다

• 딥러닝에 들어가기 이전에, 관련 배경지식을 알아봅니다
• 머신러닝으로 인공지능을 구현하려면 프로그램이 유연한 구조로 작성되어야 할 것입니다
  • 그래야 인공지능의 행동을 변화시키는 비용이 적기 때문입니다
• 여러 구조들이 연구되었는데, 그 중에서는 사람의 뇌를 모방하는 시도가 있었습니다
  • 사람의 뇌는 뉴런의 행동을 변화시키는 과정으로 학습합니다
  • 따라서 뉴런을 모방한 모형을 만들고 이를 엮어 뇌처럼 만들게 됩니다
• 인공지능에서 사용되는 뉴런 모방 모형을 퍼셉트론이라 합니다
  • 슬라이드의 내용은 뉴런과 퍼셉트론에 대한 설명입니다

• 인공신경망에 대해 알아봅니다
  • 앞서 알아봤던 퍼셉트론으로 구성됩니다
• 퍼셉트론은 연산에 사용되는 가중치값만 바꾸어 다른 결과를 도출할 수 있습니다
  • 가중치값의 변경은 주로 train 과정에서 일어납니다
• 이러한 퍼셉트론을 묶어 복잡한 문제를 해결하고자 시도를 합니다
  • 변수값만 수정해도 train 과정이 이루어지기에 저비용입니다
  • 만약 이런 구조가 아니라면 프로그램의 코드를 런타임에 수정해야할 수도 있습니다 → 고비용

• 인공신경망을 활용한 초기 머신러닝에 대해 알아봅니다
• 크게 3가지 요인 때문에 성공하지 못했습니다
  • 연산능력의 부재
    • 수 십년 전의 컴퓨팅 성능은 정말 참담한 수준이었습니다
  • 학습전략의 부재
    • 가중치값을 어떻게 바꿔야 빠르게 좋은 결과를 도출할 수 있는지 몰랐습니다
  • 학습데이터 부재
    • 지금처럼 발달된 저장매체와 인터넷이 없던 시절이었습니다

• 딥러닝에 대해 알아봅니다
  • 머신러닝의 일종으로 deep neural network 를 사용합니다
  • D.N.N. 은 복잡하고 거대한 인공신경망을 말합니다
  • 구체적인 기준은 없어, 조금만 복잡해도 D.N.N. 이라 부릅니다
• 딥러닝이 발전하면서 다양한 레이어가 만들어집니다
  • 레이어는 여러 층으로 구성된 인공신경망에서 각 층을 의미합니다
  • 다양한 종류의 레이어는 인공신경망의 유연성을 증진시켰습니다

• 딥러닝이 왜 유용한지 알아봅니다
• 앞서 알아봤던 3가지 문제점이 해결되었기 때문입니다
  • 연산능력의 부재
    • HW 시장에서 GPU가 살아남아 강력한 병렬처리연산을 지원합니다
  • 학습전략의 부재
    • train 에서 보정되는 수치를 조절하는 등 체계적으로 접근하게 되었습니다
  • 학습데이터 부재
    • 저장매체와 인터넷의 발달로 데이터에 대한 접근이 어려운 일이 아니게 되었습니다

• 머신러닝과 딥러닝의 차이를 알아봅니다
  • 여기서의 머신러닝이라 함은 딥러닝이 아닌 머신러닝을 말합니다
• Image Large Scale Visual Recognition Contest 라는 대회가 있습니다
  • 이미지 인식 분야의 월드컵이라 생각하면 됩니다
  • 2012년부터 딥러닝을 기반 인공지능이 우승하기 시작합니다
  • 2016년부터는 사람이 직접 이미지를 분류하는 수준을 넘습니다

• 이러한 차이가 왜 발생하는지 알아봅니다
• 머신러닝
  • train 을 어떻게 할 것인지 제작자가 결정했습니다
  • 예컨대, 자동차를 인식하는 인공지능을 제작한다고 가정합니다
    • 제작자는 둥근 선이 바퀴의 특징이라 정의합니다
    • 제작자는 각진 선이 차체의 특징이라 정의합니다
    • 이런 식의 접근으로 인공지능이 특징을 찾도록 합니다
• 딥러닝
  • train 을 어떻게 할 것인지까지 기계에게 맡겼습니다
  • 즉 인공지능에게 입력값에서 어떤 것을 특징으로 정할지 맡긴 것입니다
• 이는 우리가 생각했던 각 사물들의 특징이 틀렸음을 증명한 것이기도 합니다
  • 따라서 인공지능에게 특징추출을 맡기는 것이 대체로 추천됩니다
  • 물론 이런 방법에도 장단점은 존재하기 때문에 주의해야합니다

• 딥러닝이 떠오르기 이전의 인공지능 역사에 대해 알아봅니다
• 본 자료에서 다루는 내용은 다중레이어를 사용해 XOR 문제를 해결하는 것까지입니다
  • 그 외의 내용은 매우 복잡하고 방대하여 이곳에서 모두 다룰 수는 없습니다

---

이후 내용은 (2/5) 에서 이어집니다
감사합니다