딥 러닝 대 기계 학습

컴퓨터의 초기 시대에 과학자들은 주로 간단한 수학 및 논리 연산을 수행하는 데 컴퓨터를 사용했습니다. 그 후 컴퓨터는 복잡한 계산을 수행하고 문제를 정교하게 해결하며 세계의 정보 중추를 형성하도록 천천히 진화했습니다. 기존 컴퓨팅의 범위를 넘어서는 것은 컴퓨터에 지능이 필요하다는 것을 의미했습니다.

연구원과 컴퓨터 엔지니어는 인간의 지능을 모방하기 시작했습니다. 인공 지능(AI)은 인간만큼 지능적인 컴퓨팅 시스템을 만드는 데 전념하는 컴퓨터 과학 분야입니다. 초기 AI 모델은 복잡한 논리 연산을 수행하는 컴퓨팅 시스템이었습니다. 나중에 더 똑똑하거나 "지능적인" 작업을 수행하기 위해 더 고급 기술이 개발되었습니다.

AI에서 가장 많이 사용되는 두 가지 용어는 머신 러닝과 딥 러닝입니다. 이 기사에서는 이 두 기술의 기원, 이들 사이의 공통점 및 차이점을 살펴봅니다.

딥 러닝 및 머신 러닝

머신 러닝과 딥 러닝은 AI의 하위 집합입니다. 그들 사이에서 딥 러닝은 머신 러닝의 하위 집합입니다. 이것은 모든 딥 러닝이 머신 러닝이지만 모든 머신 러닝이 딥 러닝이 아니라는 것을 의미합니다. 차이점을 이해하기 위해 이 기사의 나머지 부분에서 기계 학습이라는 용어는 딥 러닝을 제외합니다.

그림 1. AI, 머신 러닝 및 딥 러닝이 서로 어떻게 관련되어 있는지 보여주는 그래픽. 이미지 사용: 아비마뉴786

머신 러닝

머신 러닝은 훈련 데이터 세트의 특성을 이해하기 위해 많은 양의 데이터를 분석합니다. 훈련 데이터 세트에서 학습한 내용은 "지능적인" 결정을 내리기 위해 다른 데이터 세트에 적용됩니다. 훈련 데이터 세트로 생성된 모델은 다른 유사한 데이터 세트와 함께 작동하여 원하는 출력을 생성할 수 있습니다.

기계 학습 모델에 대한 학습 데이터 세트에는 레이블이 지정되어야 하며 개발자는 새 모델이 학습될 때 학습 프로세스를 감독하고 조정해야 합니다. 기본 컴퓨팅 외에도 통계 모델은 머신 러닝 모델 교육에 많이 사용됩니다.

고양이와 개를 구별하는 것은 인공 학습 공간에서 흔한 예입니다. 다음은 기계 학습 모델이 데이터로 훈련되는 방법에 대한 개요입니다.

훈련 모델에는 수천 개의 고양이와 개의 이미지가 제공됩니다. 각 이미지에는 "고양이" 또는 "개"라는 레이블이 지정됩니다. 훈련 중인 모델은 고양이, 개 및 나머지 개체를 구별하는 이미지에서 특성을 식별합니다. 특성은 통계 기법을 사용하여 이미지에서 식별됩니다. 모델이 충분한 데이터로 훈련되면 레이블이 지정되지 않은 이미지가 제공됩니다. 훈련된 모델이 원하는 정확도로 고양이와 개의 이미지를 성공적으로 구별할 수 있다면 성공적인 머신 러닝 모델입니다.

딥 러닝

딥 러닝은 기존 머신 러닝의 진화입니다. 인간은 수천 개의 레이블이 지정된 예제로 학습하지 않습니다. 많은 외부 도움이나 검증 없이도 자동으로 학습합니다. 딥 러닝은 머신 러닝을 지능적 학습 모델에 한 걸음 더 가깝게 만듭니다.

딥 러닝 모델도 많은 양의 데이터로 훈련되어야 하지만 모델은 레이블이 지정된 데이터로 훈련되지 않습니다. 딥 러닝 모델에 공급되는 모든 데이터에는 레이블이 지정되지 않습니다. 모델은 데이터에서 다른 요소를 식별하여 필요한 출력을 제공합니다.

그림 2. 농업에 사용되는 신경망의 시각적 표현입니다.

딥 러닝 모델은 신경망이라는 복잡한 수학적 시스템을 사용하여 데이터에서 학습합니다. 여기에는 가중치가 다른 여러 층의 수학 함수가 포함되어 있습니다. 딥 러닝이라는 용어의 "딥"은 이러한 처리 계층에서 나온 것입니다.

딥 러닝 모델이 고양이와 개를 구별하는 방법을 살펴보겠습니다. 신경망에는 레이블이 지정되지 않은 수많은 고양이와 개의 이미지가 제공됩니다. 신경망은 그림에 두 세트의 동물이 있는지 파악한 다음 두 동물을 구별하는 방법을 식별해야 합니다. 레이블이 지정된 데이터가 필요하지 않거나 개발자의 감독이 필요하지 않습니다.

모델이 성공적으로 훈련되면 고양이와 개의 이미지를 얼마든지 구별할 수 있습니다.

머신 러닝과 딥 러닝 비교

다음 표는 머신 러닝과 딥 러닝의 차이점을 간략하게 비교한 것입니다. 딥 러닝은 머신 러닝의 하위 집합이지만 딥 러닝은 이 비교의 머신 러닝 용어에서 제외됩니다.

	머신 러닝	딥 러닝
훈련 데이터	레이블이 지정된 데이터	레이블이 지정되지 않은 데이터
감독	지도 학습	비지도 학습
기술	대부분 통계적 기법	고급 수학 함수
데이터 볼륨	필요한 교육 데이터가 상대적으로 적음	매우 많은 양의 데이터가 필요합니다.
정확도	상대적으로 낮은 정확도	대용량 데이터로 더 높은 정확도
교육 시간	상대적으로 적음	매우 긴 교육 시간

그림 3. 머신 러닝과 딥 러닝을 비교하는 표입니다.

딥 러닝을 위한 산업용 애플리케이션

머신 러닝과 딥 러닝 모두 산업 응용 분야가 있습니다. 딥 러닝은 머신 러닝으로 달성할 수 있는 모든 애플리케이션에서 사용할 수 있습니다. 그러나 딥 러닝에는 더 많은 전문 지식, 훨씬 더 많은 양의 데이터, 더 높은 컴퓨팅 성능 및 시간이 필요합니다. 이러한 요인으로 인해 두 기술 중 하나를 선택하려면 다양한 요인을 고려해야 합니다.

더 높은 정확도가 필요한 경우 딥 러닝 모델이 선호됩니다. 그러나 딥 러닝 모델로 더 높은 정확도를 달성하려면 매우 많은 양의 데이터를 처리해야 하므로 훨씬 더 긴 훈련 기간이 필요합니다. 기계 학습 알고리즘은 대부분의 경우 일상적인 사용을 달성할 수 있습니다.

고려해야 할 또 다른 일반적인 특성은 문제의 복잡성입니다. 복잡성이 증가함에 따라 딥 러닝 모델이 머신 러닝 모델보다 더 잘 작동합니다. 그러나 이 기술을 어디에 사용해야 하는지에 대한 정해진 규칙은 없습니다. 예를 들어, 기계 학습은 공장의 에너지 소비를 분석하고 예측하는 데 충분합니다. 그러나 자동화된 품질 관리 시스템을 구축하는 것만으로는 충분하지 않습니다. 이러한 시나리오에는 딥 러닝 알고리즘이 필요합니다.

오늘날 머신 러닝은 업계에서도 딥 러닝보다 훨씬 더 쉽게 접근할 수 있습니다. 그러나 적절한 시기에 딥 러닝 모델이 개선되어 구현 비용과 진입 장벽이 줄어들 것이며, 이는 더 낮은 가격에 더 많은 컴퓨팅 성능을 사용할 수 있음을 의미합니다. 업계에서 딥 러닝의 채택은 시간이 지남에 따라 증가할 것입니다.