인공지능, 머신러닝, 딥러닝 다 같은 말 아닌가요? 간단한 개념 설명

저도 처음 AI(인공지능) 관련 여러 용어를 들었을 때 혼란이 있었습니다. 하지만 조금만 찾아봐도 쉽게 이해가 가능하다는 사실을 알 수 있습니다. 저와 마찬가지로 헤매고 계시는 분들에게 최대한 간단하고 쉽게 말씀을 드리고 싶어서 이 글을 작성하게 되었습니다.

 

목차

 

인공지능, 머신러닝, 딥러닝 포함 관계

인공지능은 알다시피 컴퓨터가 인간처럼 행동할 수 있도록 설계한 컴퓨터 공학 기술의 한 분야입니다.

인공지능을 구현하는 방법은 여러가지가 있는데 컴퓨터에게 특정 분야를 학습시켜서 관련 상황을 인지하고 판단할 수 있도록 설계한 방법이 머신러닝입니다. 컴퓨터는 학습량이 많아질수록 인풋에 대한 아웃풋의 정확도가 향상됩니다.

이러한 머신러닝 방법론 중 하나가 딥러닝입니다. 사실 인공신경망과 거의 같은 의미의 용어인데 과거 인공신경망 인식이 안 좋아서 리브랜딩을 한 것이라고 볼 수 있습니다.

 

 

인공신경망의 한계

인공신경망의 다층 퍼셉트론은 근본적인 한계가 존재합니다.

역전파 학습 과정에서 기본적으로 학습한 내용은 잘 처리하지만 새로운 사실을 추론하는 부분에서의 성능은 떨어집니다. 또한 기울기가 사라지는 문제로 데이터가 누락되어 학습이 잘 되지 않는 현상도 있습니다. 이러한 이유로 인공신경망은 더 이상 발전하지 못하고 몰락의 길을 걷게 됩니다.

 

퍼셉트론

다수의 입력 값을 받아 중간 처리 알고리즘을 거쳐 결과를 출력하는 방식으로 학습하는 뉴런 모델을 기초로 고안된 학습 규칙을 퍼셉트론이라고 하는데 중간 처리 계층이 하나인 경우 단층 퍼셉트론, 두개 이상인 경우를 다층 퍼셉트론이라고 합니다. 여기서 상세한 개념을 다루지는 않습니다.

 

오차 역전파

학습 결과와 실제 값 사이의 오차를 줄이기 위해 역으로 값을 보내 가중치를 수정해 가는 과정을 의미합니다.

 

딥러닝 방법론 대두

2000년대 들어서서 인공신경망의 한계를 극복할 수 있는 방법이 등장합니다. 깊은 신경망 학습 시 사전 학습을 통해 기울기 값이 사라지는 문제를 해결할 수 있고 학습 도중 고의로 데이터를 누락시키는 방법을 통해 새로운 데이터를 잘 처리하지 못하는 문제도 해결할 수 있습니다. 여기서는 기존 한계를 돌파할 수 있는 기술이 등장했다는 정도로만 이해하시면 되겠습니다.

 

한계가 있었던 인공신경망의 부정적인 인식을 벗기 위해 딥러닝이라는 새로운 용어가 탄생했다고 합니다. 딥러닝은 데이터가 많아질수록 꾸준히 성능이 향상되는 강점을 가졌지만 반면에 딥러닝 모델로 특정 개체만 구분하는 학습을 시킬 경우 다른 개체를 추가하려면 기존 개체와 추가할 개체 데이터 전체를 다시 학습시켜야 하는 또 다른 한계가 존재합니다. 예를 들어 개, 고양이 2가지를 구분하도록 학습을 시킨 후에 돼지를 추가하고자 하면 개, 고양이, 돼지 데이터 전체를 다시 학습시켜야 합니다.

 

다만 인공지능 분야의 발전은 현재 진행형이고 지속적으로 많은 투자가 이루어지고 있기 때문에 전망이 밝다고 생각합니다. 저 같은 경우는 전문적으로 인공지능을 연구하는 사람도 아니고 앞으로도 그럴 생각은 없지만 어떻게든 사용하기 쉬운 형태로 일반인에게 공개될 것이므로 미래가 더욱 기대가 됩니다.