조금 상세한 딥러인, 머신러닝, AI의 차이점 (As to the definition of Artificial Intelligence)
인공지능(AI), 머신러닝(Machine learning) 그리고 딥러닝(Deep learning) 이 세가지 용어의 정확한 의미는 무엇일까요. 알파고와 이세돌의 대국을 통해 인공지능과 딥러닝이란 용어를 많이 접하셨을 건데요. 이 용어들은 사실 매우 핵심적인 차이를 가지고 있습니다. 크게 분류해보면 딥러닝은 머신러닝의 한 부분이며 머신러닝은 AI의 한 부분인데요. 예를 들어 모든 머신러닝은 AI라고 볼 수 있지만 AI가 머신러닝이라고 부를 수는 없습니다. 그럼 위 3가지 용어의 핵심 차이를 살펴 보겠습니다.
AI (Artificial Intelligence 인공지능)
인공지능은 프로그래밍을 언어를 배울 때 익숙하게 접할 수 있는 IF-THEN 코딩을 쌓아 올린 구조일 수도 있고 또는 이미지 인식, 소리 등의 감각적 데이터를 복잡한 통계적 모델로 맵핑하여 각각의 카테고리로 분류하는 형태가 될 수도 있습니다. IF-THEN 형태와 같이 사람이 명확하게 프로그래밍한 조건에 의해 작동하는 것을 전문가 시스템 또는 룰 엔진(Rule engine) 또는 심볼릭 AI라고 부르며 가장 초기 형태의 인공지능의 모델로 볼 수 있습니다. Good Old-Fashioned AI, GOFAI라고 부르기도 합니다.
이러한 GOFAI 형태를 인공지능으로 분류하지 않는 부류도 존재하는데 그 이유는 알고리즘 자체가 인간이 전부 이해할 수 있기 때문입니다. 몇몇 부류는 사람이 이해할 수 없는 알고리즘을 가진 것을 AI라고 칭하거나 현재 어떤 컴퓨터도 하지 못하는 행위를 하는 것을 AI라고 우스개 소리로 부르기도 합니다.
Machine Learning (머신러닝)
앞에서 언급했듯이 머신러닝은 AI의 한 영역이지만 AI를 머신러닝으로 간주하지는 않습니다. 머신러닝(Machine learning)을 AI의 한 영역인 전문가 시스템과 구분 짓는 가장 큰 핵심은 시스템이 초과 데이터에 노출될 때 스스로 알고리즘을 수정할 수 있느냐 입니다. 머신러닝은 전문가 시스템에 비해 매우 다이나믹하며 인간의 개입이 필요하지 않은 시스템을 말합니다.
머신러닝의 선구자였던 Arthur Samuel은 머신러닝을 추가적인 프로그래밍 없이 컴퓨터가 스스로 학습하는 학습영역이라고 정의했습니다. 즉 시스템이 노출된 데이터에 반응하여 스스로 알고리즘을 수정해 나가는 형태라야 머신러닝이라고 부를 수 있다는 관점입니다.
머신러닝의 학습영역이란 것은 알고리즘이 특정 차원을 매개로 최적화 하는 과정을 일컫습니다. 오류를 최소화 하고 알고리즘의 예측이 참이 되도록 가능성을 최대화합니다. 이 처리 프로세스의 큰 세가지 알고리즘은 error function, loss function, objective function 으로 나뉘는데 대상이 되는 머신러닝의 objective function을 알 수 있다면 해당 머신러닝이 수행하는 목적과 관련된 알고리즘을 정확하게 파악할 수 있다고 볼 수 있습니다.
짧게 말해 머신러닝은 알고리즘을 스스로 최적화하는 시스템을 말하며 계속되는 입력에 대한 추측을 지속하여 오류를 최소화 하는 형태입니다. 입력에 대한 완전 진리표를 얻을 때 까지 추측이 얼마나 벗어났는지 대조하여 스스로 알고리즘을 수정하게 되는데 이 과정이 신경 네트워크라고 부르는 영역이 하는 일입니다. 계속해서 오류를 측정하고 매개변수를 수정하여 어떤 오류도 없을 때까지 진행합니다.
Deep learning (딥러닝)
딥러닝(Deep learning)은 머신러닝의 한 부분이며 Deep artificial neural networks 로 부를 수 있습니다. 이미지 인식 및 처리, 소리 인식, 인간 자연 언어 처리 등과 같이 현재 매우 높은 정확도를 가진 알고리즘의 영역입니다. 딥마인드사의 알파고가 Deep artificial neural networks의 한 축에 속한다고 보시면 됩니다. 이세돌 9단과의 대국을 한 알파고를 TV 프로그램에서 설명하는 과정에서도 간략하게 설명된 적이 있는데 하나 이상의 히든 레이어를 가지며 각 레이어를 거치면서 병합된 입력 데이터의 특성이 네트워크 특성 서열을 형성하여 높은 계산 강도와 수학적 모델을 통해 결과를 창출해 내는 모델입니다. 수많은 데이터를 신경 네트워크 형태로 계산과 통계를 사용하여 인간이 사고하는 형태와 유사한 출력을 만들어 냅니다.