개요
최근 몇 년간 인공 지능에 관한 관심이 증가하고, 관련 보도 및 글과 영상이 꾸준히 나오고 있습니다. 흔히 듣는 단어로 딥러닝, 머신 러닝, 생성형 AI 등이 언급되고, 2016년 이세돌과 바둑 대결을 했던 알파고의 경우도 구글의 딥러닝 머신이었던 것을 감안하면, 꽤 오랜 세월 동안 우리는 생각보다 인공 지능과 밀접한 연관을 맺고 있습니다. 이번 글에서는 딥러닝과 그 활용 분야에 관해서 정리해 보려 합니다.
인공지능과 머신 러닝
인공지능과 머신 러닝, 딥러닝은 어떤 관련이 있을까요? 그 범위에서 있어서 인공지능>머신러닝>딥러닝>신경망은 각각 후자의 개념을 포함합니다.
<출처: www.sap.com>
머신 러닝은 인공지능의 하위 집합으로, 학습과 개선을 위해 컴퓨터를 프로그래밍하는 대신, 컴퓨터가 직접 데이터를 학습하고, 경험을 통해 스스로 개선하도록 훈련하는 데 중점을 둡니다. 즉 기계가 동작하도록 코딩되어 있지 않은 상태에서 스스로 학습을 수행하게 하는 연구 분야입니다. 머신 러닝에서 알고리즘은 대규모의 데이터에서 패턴과 상관관계를 찾고, 그 분석을 토대로 최적의 의사 결정을 하도록 훈련됩니다. 머신 러닝은 반복된 학습, 이용 가능한 데이터가 많을수록 그 정확도가 증가합니다. 머신 러닝의 상위 집합인 인공 지능도 의사 결정과 예측을 하기 위해, 데이터를 처리하고 학습하면서 진화합니다.
딥러닝과 머신 러닝
딥러닝은 인간의 두뇌 구조와 신경 세포를 사용하는 방식에 영감을 얻어, 유사한 알고리즘을 사용하는 머신러닝의 하위 분야입니다. 인공 신경망의 층을 연속적으로 깊게 쌓아 올려 데이터를 학습하는 방식을 말합니다. 층을 연속적으로 쌓아 올렸기 때문에 붙은 표현이 ‘딥‘이라고 이해하시면 됩니다.
딥러닝의 이해를 위해 그림을 첨부하겠습니다. 신경계에는 엄청난 수의 뉴런(신경계의 기본 단위)이 포함되어 있고, 서로 복잡한 구조로 얽혀 망을 구성합니다. 이를 신경망이라고 하는데, 머신 러닝은 신경망의 구조에 착안해서 뉴런을 연결하여 복잡한 층을 만들고 이를 인공 신경망(ANN, Artificial Neuron Network)이라 지칭하였습니다. 즉 딥 러닝의 딥은 이렇게 뉴런이 연결된 구조로 만들어진 층에서 인공지능이 학습한다는 의미입니다. 학습하는 데이터가 증가함에 따라, 층으로 구성된 신경망도 같이 확장하는 것이 딥러닝의 이점입니다. 또한 이미지, 음성, 언어와 같이 다양한 종류의 데이터를 학습하는 데 능숙한 모델입니다. 하단의 그림처럼 입력, 딥러닝을 위해 복잡한 층으로 구성된 은닉층, 출력의 구조로 되어 있습니다.
머신러닝의 경우, Input의 범위나 특징 등을 사람이 직접 설명해 주고 알고리즘을 적용한다면, 딥러닝은 이런 부분까지 전부 스스로 파악하여 알고리즘을 적용합니다. 즉 사람의 손에 의한 데이터의 가공과 선별의 과정이 한 단계 줄어드는 셈입니다. 예를 들어 한 사람의 건강 상태를 판단할 때, 머신 러닝은 체크할 요소나 관찰해야 할 특징을 사람이 사전에 일일이 지정해 줘야 한다면, 딥러닝은 이 부분까지 인공지능이 직접 판단하는 것입니다.
딥러닝의 활용 분야
미처 몰랐지만, 우리는 이미 여러 분야에서 딥러닝 기술을 활용하고 있습니다. 스마트 폰에 내장된 자연어 음성 인식 앱을 비롯하여, 넷플릭스와 유튜브의 추천 알고리즘, 이메일 서비스의 스팸 처리 기능도 딥러닝 기술의 일종입니다. 지금부터 좀 더 큰 분류에서 딥러닝의 활용 분야를 알아보겠습니다.
의학 연구
암세포의 존재를 이미 학습한 딥 러닝의 인공지능을 통해, 암세포를 정확하게 식별하고, 나아가 개인의 유전자 정보에 맞는 맞춤형 의약품을 제조하는 단계까지 이르렀다고 합니다.
산업 자동화
중장비 부문은 많은 안전 조치가 필요하고, 작업 반경 내 사람이 들어오면 감지하는 센서 부분에서 딥러닝 기술이 활용됩니다.
챗봇과 서비스 봇
딥러닝은 고객과 상호 작용하는 챗봇 및 서비스 봇을 구동하여 사용자의 다양하고 복잡한 요청 및 질문에 지능적이고 세부적인 답변을 제시합니다. 이 부분은 끊임없이 진화하고 있습니다. Openai의 챗GPT(무료 버전 3.5, 유료 버전 4), 구글 바드, 빙의 챗GPT(GPT-4 버전)도 지속적으로 버전을 업그레이드 하면서 챗봇의 인공지능을 개선하고 있습니다.
자율 주행
정지 신호 및 신호등과 같은 물체를 탐지하는 데에 딥러닝 기술을 사용하고 있습니다. 또한 보행자 탐지에도 사용되어 사고 빈도를 줄이는 데 기여하고 있습니다.
이미지 채색
이제는 그림/실사와 유사한 이미지 제작에 그림 AI를 사용하고 있습니다. DALL-E, 미드저니, 스테이블 디퓨전 등 텍스트를 기반으로 이미지를 생성하는 딥러닝 기술은 상당한 완성도와 품질을 보여주고 있습니다.
소셜 미디어
딥 러닝은 많은 수의 이미지를 분석하는 데 사용될 수 있으며, 이는 소셜 미디어에서 다양한 사용자의 정보를 빠르게 찾아내고 분석하여, 맞춤형 광고를 배치할 수 있습니다.
안면 인식
안면 인식을 통한 공항 체크인, 맞춤형 마케팅 등, 과거 영화에서나 보던 일들이 이제 현실이 될 날이 머지않았습니다.
정리
간단히 딥러닝의 개념, 머신러닝과의 차이점에 관해 정리해 보았습니다. 어렵게 설명하면 글을 쓴 본인조차 이해하지 못할 내용이 될 것 같아, 이해할 수 있는 부분만 간단히 요약하였습니다. 앞으로도 AI 관련 정보와 용어의 개념들은 기회가 닿는 데로 틈틈이 글을 쓸 생각입니다.