인공지능의 딥 러닝의 기초를 설명하는 여러 부분으로 구성된 시리즈 중 첫 번째

인공지능의 딥러닝을 알아보겠습니다. 이 글을 모두 읽으시면 인공지능의 딥러닝을 이해하시게 될 것입니다. 인공지능의 딥러닝이 궁금하시다면 반드시 끝까지 읽어주세요. 이제 인공지능의 딥러닝을 알아보도록 하겠습니다.

 

인공지능의 딥러닝

인공 지능은 미래입니다. 인공 지능은 공상 과학입니다. 인공 지능은 이미 우리 일상생활의 일부입니다. 이 모든 진술은 사실이며, 당신이 언급하는 AI의 풍미에 달려 있습니다. 예를 들어 구글 딥 마인드의 알파 고 프로그램이 올해 초 보드 게임 바둑에서 한국의 마스터 이세돌을 물리 쳤을 때 미디어에서 AI, 머신 러닝, 딥 러닝이라는 용어를 사용하여 딥 마인드가 어떻게 승리했는지 설명했습니다. 그리고 세 가지 모두 알파 고가 이세돌을 격파 한 이유의 일부입니다. 그러나 그들은 같은 것이 아닙니다. 이들의 관계를 생각하는 가장 쉬운 방법은 AI와 동심원으로 시각화하는 것입니다. 가장 먼저 떠오른 아이디어는 가장 큰 것, 그다음에는 머신 러닝입니다. 나중에 꽃을 피웠고, 마지막으로 딥 러닝은 오늘날의 AI 폭발을 주도하고 있습니다..

 

흉상에서 붐까지

인공 지능은 1956 년 다트머스 회의에서 몇 명의 컴퓨터 과학자들이 모여서 인공 지능 분야를 탄생시킨 이래로 우리의 상상력의 일부였으며 연구실에서 끓어오르고 있었습니다. 그 후 수십 년 동안 AI는 문명의 가장 밝은 미래의 열쇠로 번갈아 선포되었으며, 과도하게 도달하는 프로펠러 헤드에 대한 혼란스러운 개념으로 기술 쓰레기 더미에 버렸습니다. 솔직히 2012 년까지는 둘 다였습니다. 지난 몇 년 동안 , 특히 2015 년 이후 AI는 폭발적으로 성장했습니다. 그중 많은 부분이 병렬 처리를 더욱 빠르고 저렴하며 강력하게 만드는 GPU의 광범위한 가용성과 관련이 있습니다. 또한 사실상 무한한 스토리지의 동시 원투 펀치와 이미지, 텍스트, 트랜잭션, 매핑 데이터 등 모든 스트라이프 (전체 빅 데이터 이동)의 데이터 홍수와 관련이 있습니다. 컴퓨터 과학자들이 2012 년까지 매일 수억 명의 사람들이 사용하는 애플리케이션을 출시하는 붐으로 어떻게 전환했는지 살펴보겠습니다.

 

인공 지능 — 기계가 전시하는 인간 지능

56 년 콘퍼런스의 그해 여름에 AI 개척자들의 꿈은 인간 지능과 동일한 특성을 가진 복잡한 기계 (신흥 컴퓨터를 통해 가능)를 만드는 것이었습니다. 이것은 우리가 "일반 AI"라고 생각하는 개념입니다. 우리의 모든 감각 (아마도 그 이상일 수도 있음)과 모든 이유를 가지고 있으며 우리처럼 생각하는 멋진 기계입니다. 당신은 영화에서 이 기계들을 친구 (C-3PO)와 적 (The Terminator)으로 끝없이 보았습니다. 일반 AI 기계는 정당한 이유로 영화와 공상 과학 소설에 남아 있습니다. 적어도 아직은 뽑을 수 없습니다. 우리가 할 수 있는 것은 "Narrow AI"라는 개념에 속합니다. 특정 작업을 우리 인간이 할 수 있는 것보다 더 잘 수행할 수 있는 기술. 좁은 AI의 예로는 Pinterest와 같은 서비스의 이미지 분류 및 Facebook의 얼굴 인식과 같은 것입니다. 이는 실제로 Narrow AI의 예입니다. 이러한 기술은 인간 지능의 몇 가지 측면을 보여줍니다. 하지만 어떻게? 그 지능은 어디에서 왔습니까? 그러면 다음 단계 인 기계 학습으로 넘어갑니다.

 

머신 러닝 —  인공 지능을 달성하기 위한 접근 방식

가장 기본적인 머신 러닝 은 알고리즘을 사용하여 데이터를 구문 분석하고 그로부터 학습 한 다음 세상의 어떤 것에 대해 결정하거나 예측하는 관행입니다. 따라서 특정 작업을 수행하기 위해 특정 명령 세트를 사용하여 소프트웨어 루틴을 수동으로 코딩하는 대신, 작업 수행 방법을 학습할 수 있는 많은 양의 데이터와 알고리즘을 사용하여 기계를 "훈련"합니다. 기계 학습은 초기 AI 군중의 마음에서 직접 나 왔으며 수년에 걸친 알고리즘 접근 방식에는 의사 결정 트리 학습, 유도 논리 프로그래밍이 포함되었습니다. 클러스터링 , 강화 학습 및 베이지안 네트워크. 아시다시피 일반 AI의 궁극적인 목표를 달성 한 사람은 없으며 Narrow AI조차도 초기 머신 러닝 접근 방식으로는 거의 도달할 수 없었습니다. 결과적으로 수년 동안 머신 러닝을 위한 최고의 응용 분야 중 하나는 컴퓨터 비전이었습니다. 작업을 완료하려면 여전히 많은 수작업 코딩이 필요했습니다. 사람들은 들어가서 가장자리 감지 필터와 같은 손으로 코딩된 분류기를 작성하여 프로그램이 개체가 시작되고 중지된 위치를 식별할 수 있도록 했습니다. 8면이 있는지 확인하기 위한 모양 감지; "STOP"문자를 인식하는 분류기입니다. 손으로 코딩 한 모든 분류기에서 이미지를 이해하는 알고리즘을 개발하고 정지 신호인지 여부를 결정하기 위해 "학습"합니다. 좋지만 엄청나게 훌륭하지는 않습니다. 특히 표지판이 완벽하게 보이지 않거나 나무가 그 일부를 가릴 때 안개가 자욱한 날에. 컴퓨터 비전과 이미지 감지가 최근까지 인간과 비슷하지 않은 데에는 이유가 있습니다. 너무 깨지기 쉽고 오류가 발생하기 쉽습니다. 시간과 올바른 학습 알고리즘이 모든 차이를 만들었습니다.

 

 

딥 러닝 — 머신 러닝을 구현하기 위한 기술

초기 머신 러닝 군중 인 인공 신경망의 또 다른 알고리즘 접근 방식이 등장했고 대부분 수십 년에 걸쳐 진행되었습니다. 신경망 은 우리 뇌의 생물학에 대한 이해에서 영감을 얻었습니다. 뉴런 간의 모든 상호 연결입니다. 그러나 어떤 뉴런이 특정 물리적 거리 내에서 다른 뉴런에 연결할 수 있는 생물학적 뇌와 달리 이러한 인공 신경망은 개별 계층, 연결 및 데이터 전파 방향을 가지고 있습니다. 예를 들어 이미지를 가져와서 신경망의 첫 번째 계층에 입력되는 타일 묶음으로자를 수 있습니다. 첫 번째 계층에서 개별 뉴런은 데이터를 두 번째 계층으로 전달합니다. 두 번째 뉴런 레이어는 최종 레이어와 최종 출력이 생성될 때까지 작업을 수행합니다. 각 뉴런은 입력에 가중치를 할당합니다. 수행 중인 작업에 비해 얼마나 정확하거나 잘못된 지. 그런 다음 최종 출력은 이러한 가중치의 합계에 의해 결정됩니다. 따라서 우리의 정지 신호 예를 생각해보십시오. 정지 신호 이미지의 속성은 뉴런에 의해 잘리고 "검사"됩니다. 8 각형 모양, 소방차 붉은색, 독특한 문자, 교통 표지 크기, 움직임 또는 부족 등이 있습니다. 신경망의 임무는 이것이 정지 신호인지 아닌지 결론을 내리는 것입니다. 가중치에 기반하여 실제로 고도로 교육된 추측 인 "확률 벡터"가 제공됩니다. 이 예에서 시스템은 이미지가 정지 신호라고 86 %, 속도 제한 신호라고 7 %, 나무에 연이 5 %라고 확신할 수 있습니다. 그런 다음 네트워크 아키텍처가 신경망에 알려줍니다. 최근까지 인공 지능 연구 커뮤니티가 신경망을 거의 사용하지 않았기 때문에 이 예조차도 앞서 가고 있습니다. 그들은 인공 지능 초기부터 존재해 왔으며 "지능"방식으로 거의 생산하지 못했습니다. 문제는 가장 기본적인 신경망조차도 계산 집약적이었고 실용적인 접근 방식이 아니 었습니다. 그럼에도 불구하고 토론토 대학의 Geoffrey Hinton이 이끄는 소규모 이단 연구 그룹은 이를 유지하면서 마침내 슈퍼 컴퓨터가 실행되는 알고리즘을 병렬화하고 개념을 입증했지만 약속이 실현될 것이라는 노력으로 GPU 가 배포되기 전까지는 아니 었습니다. 정지 신호 예제로 다시 돌아 가면 네트워크가 조정되거나 "훈련"됨에 따라 잘못된 답변이 많이 나올 가능성이 매우 높습니다. 필요한 것은 훈련입니다. 뉴런 입력의 가중치가 매우 정밀하게 조정되어 거의 매번 안개, 태양, 비 등 정확한 답을 얻을 때까지 수십만, 심지어 수백만 개의 이미지를 볼 필요가 있습니다. 바로 그 시점에서 신경망이 정지 신호가 어떻게 생겼는지 스스로 가르쳐 왔습니다. 또는 Facebook의 경우 어머니의 얼굴; 또는 고양이, 앤드류 응이 2012 년 Google에서 한 일입니다. Ng의 획기적인 발전은 이러한 신경망을 기본적으로 거대하게 만들고 계층과 뉴런을 늘린 다음 시스템을 통해 엄청난 양의 데이터를 실행하여 훈련시키는 것이었습니다. Ng의 경우 1,000만 개의 YouTube 동영상에서 가져온 이미지였습니다. Ng는 이러한 신경망의 모든 계층을 설명하는 딥 러닝에 "심층"을 적용했습니다. 오늘날 일부 시나리오에서 딥 러닝을 통해 훈련된 기계에 의한 이미지 인식은 인간보다 낫습니다. 그 범위는 고양이부터 MRI 스캔에서 혈액 및 종양의 암 지표 식별에 이르기까지 다양합니다. Google의 AlphaGo는 게임을 배웠고 Go 경기 (신경망 조정)를 위해 훈련했습니다.

 

딥 러닝 덕분에 AI는 밝은 미래를 가지고 있습니다

딥 러닝은 머신 러닝의 많은 실용적인 응용을 가능하게 하고 확장하여 AI의 전체 분야를 지원합니다. 딥 러닝은 모든 종류의 머신 어시스트가 가능해 보이는 방식으로 작업을 분류합니다. 무인 자동차 , 더 나은 예방 의료 서비스, 더 나은 영화 추천이 모두 여기에 있습니다. AI는 현재이자 미래입니다. 딥 러닝의 도움으로 AI는 우리가 오랫동안 상상해 왔던 공상 과학 상태에 도달할 수도 있습니다. 당신은 C-3PO를 가지고 있습니다. 내가 가져갈 게요. 터미네이터를 유지할 수 있습니다.

 

 

인공지능의 딥러닝에 대해서 알아보았습니다. 읽어보니 어떠신가요? 다른 정보도 필요하시다면 위의 글들을 참고하세요.