[머신러닝] 인공지능 vs 머신러닝 vs 딥러닝

시작하며

이번 포스팅에선 우리가 머신러닝을 공부하기에 앞서 인공지능 / 머신러닝 / 딥러닝 이 세가지 용어의 의미 를 알아보고자 합니다.

인공지능? 머신러닝? 딥러닝?

• 인공지능 > 머신러닝 > 딥러닝
• 이것이 세 가지의 관계입니다. 왜 이런 것인지 각 용어의 의미를 살피며 알아보겠습니다.

1) 인공지능

• 흔히 AI 라고 불리는 인공지능은 명확한 정의가 없다 는게 결론입니다.
• 이는 그만큼 굉장히 용어자체가 많은 개념들을 내포하기 때문이라고 생각됩니다.

• 처음 인공지능이라는 용어를 사용한 존 매카시 는 "인텔리전트한 기계를 만드는 과학과 공학"이라고 정의 내렸지만 intelligent 라는 개념 자체가 사실 굉장히 애매합니다.

• 1950년대 존 매카시를 포함한 인공지능 선구자들은 인간의 지능과 유사한 컴퓨터를 제작하는 것 이었습니다.

• 이렇게 인간의 감각이나 사고력을 지니고 인간처럼 생각하고 행동하는 인공지능을 '일반 AI'라고 합니다.

• 하지만 현재 기술 수준은 '얼굴 인식 기능' 혹은 특정 결과를 예측해주는 것과 같이 특정 작업을 인간 이상의 능력 으로 해주는 '좁은 AI'까지만 와있습니다.

2) 머신러닝

• 머신러닝의 정의가 뭐냐라고 사람들에게 물으면 보통 아서 사무엘(1959) 의 정의와 톰 미첼(1998) 의 정의 두가지를 언급합니다.

• 아서 사무엘 "컴퓨터가 명시적으로 프로그램되지 않고도 학습할 수 있도록 하는 연구 분야"

• 톰 미첼 "만약 어떤 작업 T에서 경험 E를 통해 성능 측정 방법인 P로 측정했을 때 성능이 향상된다면 이런 컴퓨터 프로그램은 학습을 한다고 말한다."

• 톰 미첼의 경우, 예를 들어 체스를 한다고 하였을 때

    * E = 많은 체스 게임을 해본 경험
    * T = 체스 게임을 하는 행위(작업)
    * P = 프로그램이 다음 게임을 이길 가능성

• 톰 미첼의 말을 쉽게 풀면 누구나 알다시피 우리가 롤(task) 을 많이 하면 할수록(experience) 실력을 올라가니 게임에서 더 자주 이기고 랭크도 높아진다는 것(probability) 과 비슷한 맥락입니다.

• 이를 기술적으로 풀자면, 머신러닝은 의사 결정 기준에 대한 최종적인 지침을 우리가 직접 코딩해 넣는 것이 아닌, 대량의 데이터와 알고리즘을 통해 컴퓨터를 학습시켜 작업을 수행하게 하는 것 을 목표로 합니다.

3) 딥러닝

• 딥러닝은 위와 같은 머신러닝을 최종적으로 실현하는 기술 이라고 생각하면 됩니다.
• 우리는 이 딥러닝의 의미를 이해하기 위해서는 실제 인간의 뇌 신경망을 모방하여 만든 인공신경망 이라는 것은 알아야 합니다.

• 인간의 뇌에는 1000억 이상의 뉴런(신경세포)과 100조 이상의 시냅스 를 통해 병렬적으로 연결되어 있습니다.
• 각 뉴런은 수상돌기(입력) 를 통해 다른 뉴런에서 신호를 받아 축삭돌기(출력) 에서 다른 뉴런으로 신호를 보낸다.
• 이때 출력 신호는 입력 신호가 모여 일정 용량을 넘어서면 일어난다고 한다.

• 이러한 뉴런이 연결되어 있는 뇌 는 물리적으로 근접한 어떤 방향의 뉴런이든 상호 연결이 가능합니다.
• 하지만 인공신경망의 경우 에는 연결되는 방향과 데이터가 흘러가는 방향이 일정하다는 점에서 차이가 있습니다.
• 초기에는 아주 기본적인 신경망에는 많은 연산이 요구되어 상용화에 어려움을 겪었으나, 지금은 GPU의 발전 으로 딥러닝의 발전은 점점 더 가속화 되고 있습니다.

요약

1) 인공지능은 정의가 모호하며, 현재 기술의 발전으로는 인간 이상의 능력을 발휘하는 '좁은 AI'까지만 구현이 가능하다.

2) 머신러닝은 E(experience), T(task), P(probability) 세가지를 언급한 톰 미첼의 정의가 주로 쓰이며, 대량의 데이터와 알고리즘을 통해 컴퓨터를 학습시켜 작업을 수행하게 하는 것이다.

3) 딥러닝은 머신러닝을 실현시키는 최종적인 기술이며, 인공신경망이라는 개념이 기저에 깔려있다.