01 인공지능과 머신러닝 개요

👩🏻‍🏭 인공지능 (Artificial Intelligence)

- 광범위한 개념

- 사람의 지식 능력, 지적 능력 등을 인지하고 의사결정 하는 일련의 과정을 컴퓨터 알고리즘으로 모사해서 현실 문제 해결에 활용하는 기술들의 총 집합

 

👩🏻‍🏭 머신러닝 (Machine Learning)

Machine Learning is the study of computer algorithms
that allow computer programs to automatically improve through experience (Mitchell, 1997)

- 인공지능을 구현하는 한 가지의 방법, 하위 분야

- 어떤 경험들에 의해 스스로 발전시켜나갈 수 있는 일련의 컴퓨터 프로그램 체계를 학습하는 학문

- 데이터와 이걸 학습시킬 수 있는 알고리즘을 입력하면 스스로 데이터 안에 있는 패턴을 찾아서
  유용한 함수를 만들어내고 유의미한 output을 내는 것

- 오차를 정의하고 계산해서(모형 평가) 더 작은 오차를 내는 모형을 선택(최종 모형 결정)

 

✔ 구성 요소

1) 환경 (Environment)

    - 머신러닝 알고리즘이 적용되는 환경

    - 머신러닝 알고리즘에 경험(데이터)을 제공

2) 데이터 (Data)

    - 환경과 상호작용을 하면서 얻어진 콘텍스트, 패턴들이 녹아져 있는 일련의 저장 결과

    - 우리가 기억해야 되는 활동의 저장 결과

3) 모델 (Model)

    - 함수

    - 함수에 데이터를 넣어서 학습

4) 퍼포먼스 (Performance)

    - 어떤 것이 좋은 함수(모델)인지 평가

    - 최종적인 성능 평가 기준

 

✔ 과거와 현재의 방식 차이

- 과거 : Traditional AI (Knowledge Engineering)

    - 학습하는 함수를 사람이 직접 코딩

- 현재 : State of the art AI

    - 함수의 기본적인 형태를 알려주면 스스로 유용한 함수를 학습

 

+) 최근 트렌드 : 'pattern recognition' 패턴을 인지하는 문제

 

✔ 각광받게 된 이유

1) 빅데이터 시대

    - 머신러닝이 빅데이터, 데이터를 이용해서 유용한 함수를 학습하는 방법이기 때문에
      빅데이터의 등장과 인공지능, 머신러닝의 각광은 자연스러운 흐름

2) GPU Computing

    - 대용량 데이터 처리에 굉장히 효율적, 속도가 빠름

    - 여러 개의 태스크들을 한 번에 처리 (↔ CPU Computing : 한 번에 하나씩 처리)

    - 딥러닝의 발전을 가속화 시키는 데 굉장히 큰 역할,
       딥러닝에서 성공을 이루면서 기존에 있던 머신러닝 알고리즘도 GPU를 활용

 

📍 많은 양의 데이터가 있고(빅데이터 시대) 그것을 계산할 수 있게 됐다(GPU Computing)

 

👩🏻‍🏭 딥러닝 (Deep Learning)

- 머신러닝의 일종, 하위 알고리즘

- 시각, 언어 등 인지능력과 관련된 모델링 하는 데 활용