AI, 머신러닝, 딥러닝 설명: 주요 차이점과 작동 원리

AI, ML, DL의 개념과 관계

인공지능(AI), 머신러닝(ML), 딥러닝(DL)이란 용어가 요즘 매우 흔해졌습니다. 빅데이터, 분석, 검색 및 색인 등을 다룰 때 종종 서로 바꿔 쓰이곤 합니다. 이 세 용어는 서로 밀접하게 관련되어 있지만, 똑같은 것은 아닙니다.

오늘 이야기에서는 AI, ML, DL이 정확히 무엇이며 서로 어떻게 다른지 설명하겠습니다. 걱정 마세요. 복잡한 과학 용어는 쓰지 않고, 짧고 최대한 단순하게 설명하겠습니다.

인공지능(Artificial Intelligence)

AI는 1956년 존 매카시(John McCarthy)가 처음 용어를 만든 컴퓨터 과학의 한 분과입니다. 컴퓨터는 보통 우리가 명령한 작업을 수행합니다. 하지만 AI는 기계나 소프트웨어가 인간처럼 지능적으로 생각하고 스스로 수행할 수 있게 만드는 방식입니다. 여기에는 언어 이해, 소리와 영상 인식, 학습, 계획, 문제 해결 등이 포함됩니다.

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

AI에는 네 가지 유형이 있습니다.

1. 완전 반응형(Completely Reactive): 기본 유형, 결론을 도출할 수 없음. 예: 구글 알파고(AlphaGo), IBM 딥블루(DeepBlue)
2. 제한된 기억(Limited Memory): 적절한 결정을 내리고 행동할 수 있음. 예: 챗봇, 자율주행차
3. 마음이론(Theory of Mind): 생각과 감정을 이해하고 사회적으로 상호작용할 수 있음. — 아직 구현되지 않음*
4. 자기인식(Self-Aware): 자신에 대한 표상을 형성하고, 자기 상태를 인지하며, 타인의 감정을 예측할 수 있음. — 아직 구현되지 않음*

*세 번째와 네 번째 유형의 기계는 실제로 존재하지 않지만, SF 영화에서 시연됩니다. 스타워즈의 R2D2(유형 3), 엑스 마키나의 에바(유형 4) 등이 그 예입니다.

머신러닝(Machine Learning)

ML은 AI의 부분집합으로, 시스템에 명시적으로 프로그래밍하지 않고도 경험으로부터 학습하고 행동하며 개선할 수 있는 능력을 부여합니다. 특정 작업을 달성하기 위해 구체적인 지침으로 모든 메서드를 명시적으로 작성하는 대신, ML은 프로그램이 과거 경험으로부터 학습할 수 있도록 훈련시키는 기법입니다. 여기서 훈련이란 대량의 데이터를 프로그램에 공급하고 프로그램이 스스로 구성되고 개선되도록 허용하는 것을 의미합니다.

예를 들어, 수천 장의 고양이 사진을 ML 알고리즘에 제공하면 고양이의 생김새(키, 색상, 얼굴 형태 등)를 인식하기 시작합니다. 결국 사진 속 고양이를 식별하고 자동으로 태그할 수 있습니다. 정확도가 충분히 높아지면 알고리즘이 고양이의 생김새를 정확히 알 수 있게 됩니다.

머신러닝 유형:

1. 지도 학습(Supervised): 정의된 출력이 있는 데이터를 통해 기계가 명시적으로 학습하게 함.
2. 비지도 학습(Unsupervised): 기계가 데이터(패턴/구조)를 이해하고 데이터셋에서 추론을 도출함.
3. 강화 학습(Reinforcement): AI에 대한 접근 방식으로, 긍정/부정 강화로부터 학습하고 긍정적 결과에 보상함.

딥러닝(Deep Learning)

딥러닝은 인간의 뇌 구조와 기능, 또는 수많은 뉴런의 상호연결에서 영감을 받은 알고리즘을 다루는 머신러닝의 하위 분야입니다. 이 알고리즘을 인공신경망(ANN)이라고 하며, 뇌의 생물학적 구조를 모방합니다.

뉴런은 이산적인 층을 가지며 다른 뉴런과 연결됩니다. 이 층들을 관련 개념의 중첩된 계층이나 의사결정 트리로 시각화할 수 있습니다. 각 층은 특정 특징을 학습하거나 특정 경로를 따를 수 있습니다. 깊이는 여러 층에 의해 만들어집니다. 네트워크가 가진 층이 많을수록 더 깊고 복잡해집니다.

잘 훈련되려면 딥러닝 네트워크는 대량의 항목이 필요합니다. 항목을 정의하는 각 에지에 대한 코드를 작성하는 대신, 시스템은 수백만 데이터 포인트에 노출되어 학습합니다.

구글 브레인(Google Brain)은 1,000만 개 이상의 이미지 샘플을 학습해 고양이를 인식하는 딥러닝의 완벽한 예입니다. 이 네트워크는 항목을 정의하는 특정 기준을 코딩할 필요가 없으며, 많은 샘플에 노출된 후 에지를 식별할 수 있습니다.

2017년 10월, 구글 브레인 총괄 제프 딘(Jeff Dean)은 VB 서밋, 버클리에서 다음과 같이 말했습니다.

오늘날 딥러닝 기반 이미지 인식 시스템은 인간보다 뛰어나다. 고양이 인식부터 MRI 스캔에서 혈액암과 종양 지표 식별까지 범위가 넓다.

구글 알파고(AlphaGo)는 체스보다 훨씬 복잡한 바둑(Go) 게임으로 훈련되었고, 스스로 수없이 대국하며 신경망을 발전시켰습니다. 2016년 3월, 프로 인간 바둑 기사를 이긴 최초의 컴퓨터 프로그램이 되었습니다.

참고: 평점 기준 최고의 체스 엔진 18선

AI, ML, DL 시각화

이미지 출처: Nvidia

AI, ML, DL의 관계를 가장 단순하게 생각하면 동심원으로 시각화할 수 있습니다. 가장 바깥에 인공지능, 그 안에 머신러닝, 가장 안쪽에 딥러닝이 있으며 현재 AI 폭발을 주도하고 있습니다.

침체에서 붐으로

인공지능은 1956년부터 인간의 상상력 속에 존재했고 연구실에서 조용히 연구되어 왔습니다. 2012년 이후 7년간 이룬 진전이 이전 25년간 수많은 핵심 AI 문제(텍스트 이해, 신호 처리, 음성 및 이미지 인식 등)에서 이룬 진전보다 많습니다.

지난 몇 년간 AI가 폭발적으로 성장한 주된 이유는 병렬 처리를 더 빠르고 저렴하게 만드는 GPU의 광범위한 가용성 때문입니다. 사실상 무한한 스토리지와 빅데이터 운동(텍스트, 이미지, 트랜잭션 등)도 관련 있습니다.

오늘날 모든 거대 기술 기업들이 AI 프로젝트에 막대한 투자를 하고 있으며, 수십억 명이 웹 검색 엔진, 소셜 미디어, 이커머스 플랫폼을 통해 매일 AI 소프트웨어와 상호작용합니다. 우리가 가장 많이 접하는 AI 유형(또는 유일한 유형)은 머신러닝입니다. Statista에 따르면 전 세계 AI 시장 매출은 2025년까지 59조 달러를 넘어설 전망입니다.

참고: 양자 컴퓨터에 관한 가장 흥미로운 사실 18가지

딥러닝 덕분에 AI는 미래다

딥러닝은 작업을 분해해 모든 종류의 기계 지원이 가능해 보이게 함으로써 머신러닝의 여러 실용적 응용을 가능하게 했습니다. 더 나은 제품 추천과 스토리 제안, 더 나은 예방 의료, 무인 차량 — 오늘날 이 모든 것이 가능합니다. 딥러닝의 도움으로 AI는 인간이 오랫동안 상상해 온 SF적 상태에 도달할 수도 있습니다.