인공지능, 머신러닝, 딥러닝이란

인공지능 vs 머신 러닝 vs 딥러닝

세 용어 중 인공 지능이 가장 넓은 범주에 속합니다. 머신 러닝의 핵심은 데이터와 규칙의 학습의 유무입니다. 직접 행동 조건을 프로그래밍하는 것은 머신 러닝이라고 하지 않습니다.

 

인공지능(Artificial Intelligence ; AI)

컴퓨터가 사람의 행동을 모방하도록 하는 연구입니다. 튜링 테스트를 통해 인공 지능의 수준을 평가할 수 있습니다. 튜링 테스트는 1950년대 앨런 튜링이 제안한 기계에 지능이 있는지 판별하는 방법입니다. 초기 연구에서는 규칙 기반의 연구가 주를 이루었는데요. 인공 지능은 보통 강 인공 지능(strong AI)을 의미합니다.

- 강 인공지능(strong AI) : 인간과 같이 감각, 사고력, 의식을 갖춘 인공 지능을 의미합니다.

- 약 인공지능(weak AI) : 특정 작업에 특화되어 인간 수준을 해낼 수 있는 인공지능을 의미합니다.

 

머신 러닝(Machine Learning)

기계가 데이터로부터 학습하여 특정한 작업의 성능을 향상시키도록 하는 연구 분야를 의미합니다. 인공 지능과 달리, 행동의 규칙을 스스로 찾아낸다는 점이 머신 러닝의 가장 핵심적인 강점입니다. 머신 러닝은 인공 지능 중에서는 약 인공지능에 속하게 됩니다. 대표적인 머신러닝의 종류로는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforced learning) 등이 있습니다.

 

딥러닝(Deep Learning)

머신 러닝의 하위 연구 분야로, 많은 양의 데이터를 학습할 수 있는 인공 신경망(artificial neural network)에 대한 연구를 지칭하는 단어이입니다. 머신 러닝에 비해 학습 과정에서의 사람의 개입을 최소화하는 특징을 가지고 있습니다. 일반적으로 학습 데이터가 적을 때에는 성능이 낮지만, 아주 많은 양의 학습 데이터를 학습했을 때, 성능의 한계치가 머신 러닝에 비해서 높습니다.

 

머신 러닝의 세 갈래

머신 러닝은 지도 학습이 주를 이루며, 비지도 학습은 주로 보조적으로 사용됩니다.

 

지도학습(Supervised Learning)

입력과 레이블(label)로 이루어진 훈련 데이터로부터 하나의 함수를 학습하는 머신 러닝 방법입니다. 레이블은 입력에 대해 기대되는 출력값을 의미합니다. 훈련 데이터에 정답이 주어진다는 의미에서 지도 학습이라고 부릅니다. 지도 학습의 목적은 레이블되지 않은 새로운 입력에 대해 예측을 수행하기 위해서입니다. 대표적인 지도 학습의 종류로는 회귀(regression)과 분류(classification)이 있습니다.

- 회귀 : 연속적인 값을 출력하는 함수를 학습하는 것입니다.

- 분류 : 범주형 값을 출력하는 함수를 학습하는 것입니다.

 

 

비지도 학습(Unsupervised Learning)

데이터가 어떤 구조로 이루어져 있는지 알아내는 머신 러닝의 방법입니다. 지도 학습과는 달리 입력에 대한 레이블이 주어지지 않습니다. 대표적인 비지도 학습의 종류로는 군집화(clustering), 차원 축소(dimensionality reduction), 이상탐지(anomaly detection) 등이 있습니다.

- 군집화 : 유사한 데이터끼리 군집을 형성하는 알고리즘을 파악하는 것입니다.

- 차원 축소 : 고차원의 데이터를 다루기 쉽고 잡음이 적은 저차원의 데이터로 변환하는 알고리즘입니다.

- 이상 탐지 : 새로운 입력이 이상치에 해당하는지 판단하는 알고리즘입니다.

 

강화 학습(Reinforcement Learning)

상호 작용(interaction)이 가능한 환경에서 에이전트의 성능을 향상시키는 머신 러닝의 방법입니다. 에이전트는 강화 학습을 수행하는 과정에서 행동을 수행하는 주체를 의미하며, 이러한 결과치로 보상(reward)이 측정됩니다. 보상은 강화 학습에서 행동이 얼마나 바람직한 지를 측정하는 값입니다. 강화학습의 예시로는 알파고와 자율주행 인공지능, 로봇 제어 등이 있습니다.