인공 지능 대 기계 학습 대 딥 러닝 | 차이점

최근에는 인공지능(AI), 머신러닝(ML), 딥러닝(DL)이라는 용어가 매우 보편화되었습니다. 특히 빅 데이터, 분석, 검색 및 인덱싱을 처리할 때 서로 바꿔서 사용하는 경우가 많습니다. 이 세 가지 용어는 매우 밀접한 관련이 있지만 동일한 것은 아닙니다.

오늘 이야기에서는 AI, ML, DL이 정확히 무엇이며 어떻게 다른지 설명하겠습니다. 걱정하지 마십시오. 복잡한 과학 용어는 사용하지 않습니다. 최대한 짧고 간단하게 사용하겠습니다.

인공 지능

AI는 1956년 존 매카시(John McCarthy)가 처음 만든 컴퓨터 공학의 하위 부문입니다. 컴퓨터는 일반적으로 우리가 명령한 작업을 수행합니다. 그러나 AI는 인간처럼 지능적으로 생각하고 스스로 수행할 수 있는 기계 또는 소프트웨어를 구축하는 방법입니다. 여기에는 언어 이해, 소리 및 시각 인식, 학습, 계획 및 문제 해결 등이 포함됩니다.

예를 들어 기존의 프로그램은 특정 질문에만 답할 수 있지만 AI 프로그램은 일반적인 질문에 답할 수 있습니다.

AI에는 네 가지 유형이 있습니다. –

<올>

완전히 반응: 기본형은 결론을 내리지 못함. 예 – Google의 AlphaGo, IBM의 DeepBlue

제한된 메모리: 적절한 결정을 내리고 조치를 취할 수 있습니다. 예 – 챗봇, 자율 주행 차량

마음 이론: 생각, 감정을 이해하고 사회적으로 상호 작용할 수 있습니다. — 아직 구축되지 않음*

자기 인식: 자신에 대한 표상을 형성하고, 자기 상태를 인식하고, 다른 사람의 감정을 예측할 수 있습니다. -아직 구축되지 않음*

*세 번째와 네 번째 유형의 기계는 실제로 존재하지 않지만 Star Wars의 R2D2(유형 3) 및 Ex Machina의 Eva(유형 4)와 같은 SF 영화에서 시연됩니다.

머신 러닝

ML은 시스템에 명시적으로 프로그래밍하지 않고도 경험을 통해 배우고, 행동하고, 개선할 수 있는 능력을 제공하는 AI의 하위 집합입니다. 따라서 특정 작업을 달성하기 위해 특정 지침으로 모든 메서드를 명시적으로 작성하는 대신 ML은 과거 경험에서 배울 수 있도록 프로그램을 훈련하는 기술입니다. 여기서 교육이란 프로그램에 많은 양의 데이터를 공급하고 프로그램이 스스로 구성하고 개선할 수 있도록 하는 것을 말합니다.

예를 들어 수천 장의 고양이 사진을 ML 알고리즘에 제공하면 키, 색상, 얼굴 모양 등 고양이가 어떻게 생겼는지 인식하기 시작합니다. 결국 사진에서 고양이를 식별하고 자동으로 태그를 지정할 수 있습니다. 정확도 수준이 충분히 높으면 알고리즘이 고양이가 어떻게 생겼는지 정확하게 알 수 있습니다.

머신 러닝 유형:

<올>

감독 대상: 정의된 출력이 있는 데이터를 통해 명시적으로 머신 러닝을 수행합니다.

비감독: 기계는 데이터(패턴/구조)를 이해하고 데이터세트에서 추론을 도출합니다.

보강: AI에 대한 접근 방식은 긍정적이고 부정적인 강화로부터 배우고 긍정적인 결과를 보상합니다.

딥 러닝

딥 러닝은 인간 두뇌의 구조와 기능 또는 많은 뉴런의 상호 연결에서 영감을 받은 알고리즘을 다루는 머신 러닝의 하위 분야입니다. 이러한 알고리즘은 뇌의 생물학적 구조를 모방한 인공 신경망(ANN)으로 알려져 있습니다.

뉴런에는 별개의 층과 다른 뉴런과의 연결이 있습니다. 이러한 계층을 관련 개념 또는 의사 결정 트리의 중첩 계층으로 시각화할 수 있습니다. 각 레이어는 특정 기능을 선택하여 특정 경로를 학습하거나 따를 수 있습니다. 깊이는 여러 레이어로 구성됩니다. 네트워크의 레이어가 많을수록 더 깊고 복잡합니다.

딥러닝 네트워크가 잘 훈련되기 위해서는 많은 양의 항목이 필요합니다. 항목을 정의하는 각 에지에 대한 코드를 작성하는 대신 시스템은 수백만 개의 데이터 포인트에 대한 노출을 통해 학습합니다.

Google 두뇌는 천만 개 이상의 이미지 샘플을 취한 후 고양이를 인식하는 딥 러닝의 완벽한 예입니다. 이러한 네트워크는 항목을 정의하는 특정 기준으로 코딩할 필요가 없습니다. 많은 샘플에 노출된 후 가장자리를 식별할 수 있습니다.

2017년 10월 Google Brain 책임자인 Jeff Dean은 버클리에서 열린 VB Summit에서 말했습니다. –

오늘날 딥 러닝을 기반으로 개발된 이미지 인식 시스템은 고양이를 인식하는 것부터 MRI 스캔에서 혈액암 및 종양의 지표를 식별하는 것까지 다양합니다.

Google AlphaGo는 바둑 게임(체스보다 훨씬 더 복잡함)에 대해 훈련했으며 계속해서 자신과의 대결을 통해 신경망을 발전시켰습니다. 2016년 3월에는 전문 인간 바둑 선수를 물리친 최초의 컴퓨터 프로그램이 되었습니다.

읽기:등급에 따른 최고의 체스 엔진 18개

AI ML 및 DL 시각화

이미지 제공:Nvidia

AI, ML 및 DL 관계를 생각하는 가장 간단한 방법은 동심원으로 시각화하는 것입니다. 동심원에서는 인공 지능이 먼저 나타나고 기계 학습이, 마지막으로 현재 AI 폭발을 주도하는 딥 러닝이 등장합니다.

가슴에서 붐으로

인공 지능은 1956년부터 인간의 상상력의 일부였으며 연구 실험실에서 끓어오르고 있습니다. 2012년부터 7년 동안 우리는 텍스트 과소 평가, 신호 처리, 음성 및 이미지와 같은 수많은 주요 AI 문제에서 이전 25년보다 더 많은 발전을 이루었습니다. 인정(힘든 일).

지난 몇 년 동안 AI가 폭발적으로 증가한 주된 이유는 병렬 처리를 훨씬 빠르고 저렴하게 만드는 GPU의 광범위한 가용성 때문입니다. 또한 사실상 무한한 저장 공간과 텍스트, 이미지, 트랜잭션 등 전체 빅 데이터 이동과 관련이 있습니다.

오늘날 모든 거대 기술 기업은 AI 프로젝트에 막대한 투자를 하고 있으며 수십억 명의 사람들이 웹 검색 엔진, 소셜 미디어, 전자상거래 플랫폼을 통해 매일 AI 소프트웨어와 상호작용하고 있습니다. 그리고 우리가 가장 많이 상호작용하는 AI 유형(또는 유일한 유형이라고 할 수 있음) 중 하나는 머신 러닝입니다.
Statista에 따르면 AI 시장의 글로벌 수익은 2025년까지 59조 달러를 넘어설 것입니다.

읽기:양자 컴퓨터에 대한 18가지 가장 흥미로운 사실

딥 러닝 덕분에 AI는 미래입니다

딥 러닝은 모든 유형의 기계 지원이 가능한 것처럼 보이는 방식으로 작업을 세분화하여 기계 학습의 몇 가지 실용적인 응용 프로그램을 가능하게 했습니다. 더 나은 제품 추천과 스토리 제안, 더 나은 예방 의료, 무인 차량 — 오늘날 이 모든 것이 가능합니다. 딥 러닝의 도움으로 AI는 인간이 오랫동안 상상해 왔던 공상과학 상태에 도달할 수도 있습니다.