인공 지능(AI)은 학습, 문제 해결, 패턴 인식 등과 같이 주로 인간 지능과 연결된 인지 문제를 해결하는 데 주력하는 컴퓨터 공학 분야입니다. 보통 "AI"로 줄여서 부르는 인공 지능은 로봇 공학이나 미래의 모습을 내포하고 있을 수도 있지만, AI는 공상 과학 소설에 나오는 작은 로봇을 넘어 첨단 컴퓨터 공학의 현실이 되고 있습니다.
이 분야의 저명한 과학자인 Pedro Domingos 교수는 논리와 철학에 기원을 둔 상징주의자, 신경 과학에서 유래한 연결주의자, 진화 생물학과 관련된 진화론자, 통계와 개연성을 다루는 베이지안, 그리고 심리학에 기반을 둔 유추론자로 구성된 기계 학습의 "5가지 집단"을 설명합니다. 최근에 통계 컴퓨팅 효율성이 개선되면서 베이지안이 "기계 학습"이라는 분야에서 몇 가지 영역을 성공적으로 발전시킬 수 있게 되었습니다. 이와 마찬가지로 네트워크 컴퓨팅이 발전하면서 연결주의자도 "딥 러닝"이라는 이름으로 하위 분야를 더욱 발전시킬 수 있게 되었습니다. 기계 학습(ML)과 딥 러닝(DL)은 모두 인공 지능 분야에서 파생된 컴퓨터 과학 분야입니다.
인공지능의 여러 과제
인공지능의 여러 과제 또는 분야에 대해 알아보자.
1.
자연어 처리
2.
자동적인 예측, 추론
3.
지식 표현
4.
음성인식
5.
기계학습, 딥러닝
6.
컴퓨터비전
7.
로보틱스
인공지능의 발전
황금기(1956-1974) → 1차 암흑기(1974-1980) → 1차 활황기(1980-1987) → 2차 암흑기(1987-1993) → 2차 활황기(현재)
1945년 영국의 수학자인 앨런 튜링(Alan Turing)은 ‘튜링기계’라는 가상의 연산 기계를 만들었다.
현대적 컴퓨터의 개념을 정립하는데 기반이 된 수학적인 추론 능력을 모방하는 기계를 구상하였고, 이를 통해 인간의 지능을 구현하는 기계 제작에 열정을 쏟았다.
이후 1956년, 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의를 통해 처음으로 인공지능(AI)이라는 용어가 사용되기 시작하였다.
그리고 컴퓨터의 발전과 함께 인공지능을 구현하고자 하는 과학자들의 많은 노력이 있었으나, 가시적인 성과가 도출되지 않자 각국 정부의 연구원도 줄어들어 1980년대까지 인공지능은 커다란 성과를 보여주지 못하였다.
그러나 1980년대 본격 전문가 시스템(Expert System)의 도입으로 인공지능은 1차 활황기를 맞이하게 된다. 이때 미국의 500대 기업의 절반이 이 전문가 시스템을 도입하는 등 인공지능의 연구가 활발히 이루어졌다.
하지만 방대한 관리방안에 단점이 노출되며 1990년대 초까지 또 한 번의 빙하기를 맞이하게 된다.
그러나 1990년대 후반 인공지능 연구는 인터넷과 함께 또 한 번 중흥기를 맞이하게 되는데, 방대한 데이터의 축적 그리고 H/W기술의 발전으로 연산 능력의 향상되고, 인공지능의 알고리즘 발전으로 인공지능은 2차 활황기를 맞이하게 된다.
머신 러닝(Machine Learning)을 통해 수많은 빅데이터를 분석하여 인공지능 시스템 자신 스스로 학습하는 형태로 발전하게 되었다.
인공지능의 종류
인공지능에는 다양한 종류와 갈래가 존재한다. 다음 그림을 살펴보자.
전문가 시스템(Expert System)은 특정분야의 전문가가 가지고 있는 전문적인 지식과 노하우을 정리하고 표현하여 컴퓨터에 기억시킴으로써, 일반인도 이 전문지식을 이용할 수 있도록 하는 시스템이다. 예를들어 의료 진단 시스템, 설계 시스템 등이 있다.
기계학습(Machine learning)은 외부에서 주어진 데이터를 통해 스스로 학습하는 것을 말한다. 빅데이터를 분석하고 가공해서 새로운 정보를 얻어 내거나 미래를 예측하는 기술을 말하며, 축적된 데이터를 토대로 상관관계와 특성을 찾아내고 결론을 도출한다.
인공신경망(Artificial neural network,ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드,Node)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. 좁은 의미에서는 오차역전파법을 이용한 다층 퍼셉트론을 가리키는 경우도 있지만, 이것은 잘못된 용법으로, 인공신경망은 이에 국한되지 않는다.
딥러닝은 머신러닝 알고리즘 중 하나인 인공신경망으로 만든 것으로, 복잡한 문제를 해결하기 위해 인공신경망을 다양하게 쌓은 것이 딥러닝이다.
인공신경망 vs 딥러닝
위 그림에서 처럼 인공신경망 여러 개가 곂곂이 쌓인 것이 딥러닝 모델이다. 요즘은 둘을 거의 동일한 의미로 부르기도 한다.
머신러닝과의 가장 큰 차이점은 처리하는 데이터 종류인데, 머신러닝이 잘 처리하는 데이터들은 데이터베이스, 레코드 파일, 엑셀 파일 등의 정형 데이터이고, 딥러닝이 잘 처리하는 데이터들은 이미지, 영상, 음성, 택스트(Text), 소리 등의 비정형 데이터들이다. 따라서 보통 인지와 관련된 문제를 잘 해결한다.
인공 지능(AI)은 학습, 문제 해결, 패턴 인식 등과 같이 주로 인간 지능과 연결된 인지 문제를 해결하는 데 주력하는 컴퓨터 공학 분야입니다. 보통 "AI"로 줄여서 부르는 인공 지능은 로봇 공학이나 미래의 모습을 내포하고 있을 수도 있지만, AI는 공상 과학 소설에 나오는 작은 로봇을 넘어 첨단 컴퓨터 공학의 현실이 되고 있습니다.
이 분야의 저명한 과학자인 Pedro Domingos 교수는 논리와 철학에 기원을 둔 상징주의자, 신경 과학에서 유래한 연결주의자, 진화 생물학과 관련된 진화론자, 통계와 개연성을 다루는 베이지안, 그리고 심리학에 기반을 둔 유추론자로 구성된 기계 학습의 "5가지 집단"을 설명합니다. 최근에 통계 컴퓨팅 효율성이 개선되면서 베이지안이 "기계 학습"이라는 분야에서 몇 가지 영역을 성공적으로 발전시킬 수 있게 되었습니다. 이와 마찬가지로 네트워크 컴퓨팅이 발전하면서 연결주의자도 "딥 러닝"이라는 이름으로 하위 분야를 더욱 발전시킬 수 있게 되었습니다. 기계 학습(ML)과 딥 러닝(DL)은 모두 인공 지능 분야에서 파생된 컴퓨터 과학 분야입니다.
인공지능의 여러 과제
인공지능의 여러 과제 또는 분야에 대해 알아보자.
1.
자연어 처리
2.
자동적인 예측, 추론
3.
지식 표현
4.
음성인식
5.
기계학습, 딥러닝
6.
컴퓨터비전
7.
로보틱스
인공지능의 발전
황금기(1956-1974) → 1차 암흑기(1974-1980) → 1차 활황기(1980-1987) → 2차 암흑기(1987-1993) → 2차 활황기(현재)
1945년 영국의 수학자인 앨런 튜링(Alan Turing)은 ‘튜링기계’라는 가상의 연산 기계를 만들었다.
현대적 컴퓨터의 개념을 정립하는데 기반이 된 수학적인 추론 능력을 모방하는 기계를 구상하였고, 이를 통해 인간의 지능을 구현하는 기계 제작에 열정을 쏟았다.
이후 1956년, 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의를 통해 처음으로 인공지능(AI)이라는 용어가 사용되기 시작하였다.
그리고 컴퓨터의 발전과 함께 인공지능을 구현하고자 하는 과학자들의 많은 노력이 있었으나, 가시적인 성과가 도출되지 않자 각국 정부의 연구원도 줄어들어 1980년대까지 인공지능은 커다란 성과를 보여주지 못하였다.
그러나 1980년대 본격 전문가 시스템(Expert System)의 도입으로 인공지능은 1차 활황기를 맞이하게 된다. 이때 미국의 500대 기업의 절반이 이 전문가 시스템을 도입하는 등 인공지능의 연구가 활발히 이루어졌다.
하지만 방대한 관리방안에 단점이 노출되며 1990년대 초까지 또 한 번의 빙하기를 맞이하게 된다.
그러나 1990년대 후반 인공지능 연구는 인터넷과 함께 또 한 번 중흥기를 맞이하게 되는데, 방대한 데이터의 축적 그리고 H/W기술의 발전으로 연산 능력의 향상되고, 인공지능의 알고리즘 발전으로 인공지능은 2차 활황기를 맞이하게 된다.
머신 러닝(Machine Learning)을 통해 수많은 빅데이터를 분석하여 인공지능 시스템 자신 스스로 학습하는 형태로 발전하게 되었다.
인공지능의 종류
인공지능에는 다양한 종류와 갈래가 존재한다. 다음 그림을 살펴보자.
전문가 시스템(Expert System)은 특정분야의 전문가가 가지고 있는 전문적인 지식과 노하우을 정리하고 표현하여 컴퓨터에 기억시킴으로써, 일반인도 이 전문지식을 이용할 수 있도록 하는 시스템이다. 예를들어 의료 진단 시스템, 설계 시스템 등이 있다.
기계학습(Machine learning)은 외부에서 주어진 데이터를 통해 스스로 학습하는 것을 말한다. 빅데이터를 분석하고 가공해서 새로운 정보를 얻어 내거나 미래를 예측하는 기술을 말하며, 축적된 데이터를 토대로 상관관계와 특성을 찾아내고 결론을 도출한다.
인공신경망(Artificial neural network,ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드,Node)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. 좁은 의미에서는 오차역전파법을 이용한 다층 퍼셉트론을 가리키는 경우도 있지만, 이것은 잘못된 용법으로, 인공신경망은 이에 국한되지 않는다.
딥러닝은 머신러닝 알고리즘 중 하나인 인공신경망으로 만든 것으로, 복잡한 문제를 해결하기 위해 인공신경망을 다양하게 쌓은 것이 딥러닝이다.
인공신경망 vs 딥러닝
위 그림에서 처럼 인공신경망 여러 개가 곂곂이 쌓인 것이 딥러닝 모델이다. 요즘은 둘을 거의 동일한 의미로 부르기도 한다.
머신러닝과의 가장 큰 차이점은 처리하는 데이터 종류인데, 머신러닝이 잘 처리하는 데이터들은 데이터베이스, 레코드 파일, 엑셀 파일 등의 정형 데이터이고, 딥러닝이 잘 처리하는 데이터들은 이미지, 영상, 음성, 택스트(Text), 소리 등의 비정형 데이터들이다. 따라서 보통 인지와 관련된 문제를 잘 해결한다.
인공 지능(AI)은 학습, 문제 해결, 패턴 인식 등과 같이 주로 인간 지능과 연결된 인지 문제를 해결하는 데 주력하는 컴퓨터 공학 분야입니다. 보통 "AI"로 줄여서 부르는 인공 지능은 로봇 공학이나 미래의 모습을 내포하고 있을 수도 있지만, AI는 공상 과학 소설에 나오는 작은 로봇을 넘어 첨단 컴퓨터 공학의 현실이 되고 있습니다.
이 분야의 저명한 과학자인 Pedro Domingos 교수는 논리와 철학에 기원을 둔 상징주의자, 신경 과학에서 유래한 연결주의자, 진화 생물학과 관련된 진화론자, 통계와 개연성을 다루는 베이지안, 그리고 심리학에 기반을 둔 유추론자로 구성된 기계 학습의 "5가지 집단"을 설명합니다. 최근에 통계 컴퓨팅 효율성이 개선되면서 베이지안이 "기계 학습"이라는 분야에서 몇 가지 영역을 성공적으로 발전시킬 수 있게 되었습니다. 이와 마찬가지로 네트워크 컴퓨팅이 발전하면서 연결주의자도 "딥 러닝"이라는 이름으로 하위 분야를 더욱 발전시킬 수 있게 되었습니다. 기계 학습(ML)과 딥 러닝(DL)은 모두 인공 지능 분야에서 파생된 컴퓨터 과학 분야입니다.
인공지능의 여러 과제
인공지능의 여러 과제 또는 분야에 대해 알아보자.
1.
자연어 처리
2.
자동적인 예측, 추론
3.
지식 표현
4.
음성인식
5.
기계학습, 딥러닝
6.
컴퓨터비전
7.
로보틱스
인공지능의 발전
황금기(1956-1974) → 1차 암흑기(1974-1980) → 1차 활황기(1980-1987) → 2차 암흑기(1987-1993) → 2차 활황기(현재)
1945년 영국의 수학자인 앨런 튜링(Alan Turing)은 ‘튜링기계’라는 가상의 연산 기계를 만들었다.
현대적 컴퓨터의 개념을 정립하는데 기반이 된 수학적인 추론 능력을 모방하는 기계를 구상하였고, 이를 통해 인간의 지능을 구현하는 기계 제작에 열정을 쏟았다.
이후 1956년, 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의를 통해 처음으로 인공지능(AI)이라는 용어가 사용되기 시작하였다.
그리고 컴퓨터의 발전과 함께 인공지능을 구현하고자 하는 과학자들의 많은 노력이 있었으나, 가시적인 성과가 도출되지 않자 각국 정부의 연구원도 줄어들어 1980년대까지 인공지능은 커다란 성과를 보여주지 못하였다.
그러나 1980년대 본격 전문가 시스템(Expert System)의 도입으로 인공지능은 1차 활황기를 맞이하게 된다. 이때 미국의 500대 기업의 절반이 이 전문가 시스템을 도입하는 등 인공지능의 연구가 활발히 이루어졌다.
하지만 방대한 관리방안에 단점이 노출되며 1990년대 초까지 또 한 번의 빙하기를 맞이하게 된다.
그러나 1990년대 후반 인공지능 연구는 인터넷과 함께 또 한 번 중흥기를 맞이하게 되는데, 방대한 데이터의 축적 그리고 H/W기술의 발전으로 연산 능력의 향상되고, 인공지능의 알고리즘 발전으로 인공지능은 2차 활황기를 맞이하게 된다.
머신 러닝(Machine Learning)을 통해 수많은 빅데이터를 분석하여 인공지능 시스템 자신 스스로 학습하는 형태로 발전하게 되었다.
인공지능의 종류
인공지능에는 다양한 종류와 갈래가 존재한다. 다음 그림을 살펴보자.
전문가 시스템(Expert System)은 특정분야의 전문가가 가지고 있는 전문적인 지식과 노하우을 정리하고 표현하여 컴퓨터에 기억시킴으로써, 일반인도 이 전문지식을 이용할 수 있도록 하는 시스템이다. 예를들어 의료 진단 시스템, 설계 시스템 등이 있다.
기계학습(Machine learning)은 외부에서 주어진 데이터를 통해 스스로 학습하는 것을 말한다. 빅데이터를 분석하고 가공해서 새로운 정보를 얻어 내거나 미래를 예측하는 기술을 말하며, 축적된 데이터를 토대로 상관관계와 특성을 찾아내고 결론을 도출한다.
인공신경망(Artificial neural network,ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드,Node)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. 좁은 의미에서는 오차역전파법을 이용한 다층 퍼셉트론을 가리키는 경우도 있지만, 이것은 잘못된 용법으로, 인공신경망은 이에 국한되지 않는다.
딥러닝은 머신러닝 알고리즘 중 하나인 인공신경망으로 만든 것으로, 복잡한 문제를 해결하기 위해 인공신경망을 다양하게 쌓은 것이 딥러닝이다.
인공신경망 vs 딥러닝
위 그림에서 처럼 인공신경망 여러 개가 곂곂이 쌓인 것이 딥러닝 모델이다. 요즘은 둘을 거의 동일한 의미로 부르기도 한다.
머신러닝과의 가장 큰 차이점은 처리하는 데이터 종류인데, 머신러닝이 잘 처리하는 데이터들은 데이터베이스, 레코드 파일, 엑셀 파일 등의 정형 데이터이고, 딥러닝이 잘 처리하는 데이터들은 이미지, 영상, 음성, 택스트(Text), 소리 등의 비정형 데이터들이다. 따라서 보통 인지와 관련된 문제를 잘 해결한다.
인공 지능(AI)은 학습, 문제 해결, 패턴 인식 등과 같이 주로 인간 지능과 연결된 인지 문제를 해결하는 데 주력하는 컴퓨터 공학 분야입니다. 보통 "AI"로 줄여서 부르는 인공 지능은 로봇 공학이나 미래의 모습을 내포하고 있을 수도 있지만, AI는 공상 과학 소설에 나오는 작은 로봇을 넘어 첨단 컴퓨터 공학의 현실이 되고 있습니다.
이 분야의 저명한 과학자인 Pedro Domingos 교수는 논리와 철학에 기원을 둔 상징주의자, 신경 과학에서 유래한 연결주의자, 진화 생물학과 관련된 진화론자, 통계와 개연성을 다루는 베이지안, 그리고 심리학에 기반을 둔 유추론자로 구성된 기계 학습의 "5가지 집단"을 설명합니다. 최근에 통계 컴퓨팅 효율성이 개선되면서 베이지안이 "기계 학습"이라는 분야에서 몇 가지 영역을 성공적으로 발전시킬 수 있게 되었습니다. 이와 마찬가지로 네트워크 컴퓨팅이 발전하면서 연결주의자도 "딥 러닝"이라는 이름으로 하위 분야를 더욱 발전시킬 수 있게 되었습니다. 기계 학습(ML)과 딥 러닝(DL)은 모두 인공 지능 분야에서 파생된 컴퓨터 과학 분야입니다.
인공지능의 여러 과제
인공지능의 여러 과제 또는 분야에 대해 알아보자.
1.
자연어 처리
2.
자동적인 예측, 추론
3.
지식 표현
4.
음성인식
5.
기계학습, 딥러닝
6.
컴퓨터비전
7.
로보틱스
인공지능의 발전
황금기(1956-1974) → 1차 암흑기(1974-1980) → 1차 활황기(1980-1987) → 2차 암흑기(1987-1993) → 2차 활황기(현재)
1945년 영국의 수학자인 앨런 튜링(Alan Turing)은 ‘튜링기계’라는 가상의 연산 기계를 만들었다.
현대적 컴퓨터의 개념을 정립하는데 기반이 된 수학적인 추론 능력을 모방하는 기계를 구상하였고, 이를 통해 인간의 지능을 구현하는 기계 제작에 열정을 쏟았다.
이후 1956년, 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의를 통해 처음으로 인공지능(AI)이라는 용어가 사용되기 시작하였다.
그리고 컴퓨터의 발전과 함께 인공지능을 구현하고자 하는 과학자들의 많은 노력이 있었으나, 가시적인 성과가 도출되지 않자 각국 정부의 연구원도 줄어들어 1980년대까지 인공지능은 커다란 성과를 보여주지 못하였다.
그러나 1980년대 본격 전문가 시스템(Expert System)의 도입으로 인공지능은 1차 활황기를 맞이하게 된다. 이때 미국의 500대 기업의 절반이 이 전문가 시스템을 도입하는 등 인공지능의 연구가 활발히 이루어졌다.
하지만 방대한 관리방안에 단점이 노출되며 1990년대 초까지 또 한 번의 빙하기를 맞이하게 된다.
그러나 1990년대 후반 인공지능 연구는 인터넷과 함께 또 한 번 중흥기를 맞이하게 되는데, 방대한 데이터의 축적 그리고 H/W기술의 발전으로 연산 능력의 향상되고, 인공지능의 알고리즘 발전으로 인공지능은 2차 활황기를 맞이하게 된다.
머신 러닝(Machine Learning)을 통해 수많은 빅데이터를 분석하여 인공지능 시스템 자신 스스로 학습하는 형태로 발전하게 되었다.
인공지능의 종류
인공지능에는 다양한 종류와 갈래가 존재한다. 다음 그림을 살펴보자.
전문가 시스템(Expert System)은 특정분야의 전문가가 가지고 있는 전문적인 지식과 노하우을 정리하고 표현하여 컴퓨터에 기억시킴으로써, 일반인도 이 전문지식을 이용할 수 있도록 하는 시스템이다. 예를들어 의료 진단 시스템, 설계 시스템 등이 있다.
기계학습(Machine learning)은 외부에서 주어진 데이터를 통해 스스로 학습하는 것을 말한다. 빅데이터를 분석하고 가공해서 새로운 정보를 얻어 내거나 미래를 예측하는 기술을 말하며, 축적된 데이터를 토대로 상관관계와 특성을 찾아내고 결론을 도출한다.
인공신경망(Artificial neural network,ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드,Node)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. 좁은 의미에서는 오차역전파법을 이용한 다층 퍼셉트론을 가리키는 경우도 있지만, 이것은 잘못된 용법으로, 인공신경망은 이에 국한되지 않는다.
딥러닝은 머신러닝 알고리즘 중 하나인 인공신경망으로 만든 것으로, 복잡한 문제를 해결하기 위해 인공신경망을 다양하게 쌓은 것이 딥러닝이다.
인공신경망 vs 딥러닝
위 그림에서 처럼 인공신경망 여러 개가 곂곂이 쌓인 것이 딥러닝 모델이다. 요즘은 둘을 거의 동일한 의미로 부르기도 한다.
머신러닝과의 가장 큰 차이점은 처리하는 데이터 종류인데, 머신러닝이 잘 처리하는 데이터들은 데이터베이스, 레코드 파일, 엑셀 파일 등의 정형 데이터이고, 딥러닝이 잘 처리하는 데이터들은 이미지, 영상, 음성, 택스트(Text), 소리 등의 비정형 데이터들이다. 따라서 보통 인지와 관련된 문제를 잘 해결한다.
인공 지능(AI)은 학습, 문제 해결, 패턴 인식 등과 같이 주로 인간 지능과 연결된 인지 문제를 해결하는 데 주력하는 컴퓨터 공학 분야입니다. 보통 "AI"로 줄여서 부르는 인공 지능은 로봇 공학이나 미래의 모습을 내포하고 있을 수도 있지만, AI는 공상 과학 소설에 나오는 작은 로봇을 넘어 첨단 컴퓨터 공학의 현실이 되고 있습니다.
이 분야의 저명한 과학자인 Pedro Domingos 교수는 논리와 철학에 기원을 둔 상징주의자, 신경 과학에서 유래한 연결주의자, 진화 생물학과 관련된 진화론자, 통계와 개연성을 다루는 베이지안, 그리고 심리학에 기반을 둔 유추론자로 구성된 기계 학습의 "5가지 집단"을 설명합니다. 최근에 통계 컴퓨팅 효율성이 개선되면서 베이지안이 "기계 학습"이라는 분야에서 몇 가지 영역을 성공적으로 발전시킬 수 있게 되었습니다. 이와 마찬가지로 네트워크 컴퓨팅이 발전하면서 연결주의자도 "딥 러닝"이라는 이름으로 하위 분야를 더욱 발전시킬 수 있게 되었습니다. 기계 학습(ML)과 딥 러닝(DL)은 모두 인공 지능 분야에서 파생된 컴퓨터 과학 분야입니다.
인공지능의 여러 과제
인공지능의 여러 과제 또는 분야에 대해 알아보자.
1.
자연어 처리
2.
자동적인 예측, 추론
3.
지식 표현
4.
음성인식
5.
기계학습, 딥러닝
6.
컴퓨터비전
7.
로보틱스
인공지능의 발전
황금기(1956-1974) → 1차 암흑기(1974-1980) → 1차 활황기(1980-1987) → 2차 암흑기(1987-1993) → 2차 활황기(현재)
1945년 영국의 수학자인 앨런 튜링(Alan Turing)은 ‘튜링기계’라는 가상의 연산 기계를 만들었다.
현대적 컴퓨터의 개념을 정립하는데 기반이 된 수학적인 추론 능력을 모방하는 기계를 구상하였고, 이를 통해 인간의 지능을 구현하는 기계 제작에 열정을 쏟았다.
이후 1956년, 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의를 통해 처음으로 인공지능(AI)이라는 용어가 사용되기 시작하였다.
그리고 컴퓨터의 발전과 함께 인공지능을 구현하고자 하는 과학자들의 많은 노력이 있었으나, 가시적인 성과가 도출되지 않자 각국 정부의 연구원도 줄어들어 1980년대까지 인공지능은 커다란 성과를 보여주지 못하였다.
그러나 1980년대 본격 전문가 시스템(Expert System)의 도입으로 인공지능은 1차 활황기를 맞이하게 된다. 이때 미국의 500대 기업의 절반이 이 전문가 시스템을 도입하는 등 인공지능의 연구가 활발히 이루어졌다.
하지만 방대한 관리방안에 단점이 노출되며 1990년대 초까지 또 한 번의 빙하기를 맞이하게 된다.
그러나 1990년대 후반 인공지능 연구는 인터넷과 함께 또 한 번 중흥기를 맞이하게 되는데, 방대한 데이터의 축적 그리고 H/W기술의 발전으로 연산 능력의 향상되고, 인공지능의 알고리즘 발전으로 인공지능은 2차 활황기를 맞이하게 된다.
머신 러닝(Machine Learning)을 통해 수많은 빅데이터를 분석하여 인공지능 시스템 자신 스스로 학습하는 형태로 발전하게 되었다.
인공지능의 종류
인공지능에는 다양한 종류와 갈래가 존재한다. 다음 그림을 살펴보자.
전문가 시스템(Expert System)은 특정분야의 전문가가 가지고 있는 전문적인 지식과 노하우을 정리하고 표현하여 컴퓨터에 기억시킴으로써, 일반인도 이 전문지식을 이용할 수 있도록 하는 시스템이다. 예를들어 의료 진단 시스템, 설계 시스템 등이 있다.
기계학습(Machine learning)은 외부에서 주어진 데이터를 통해 스스로 학습하는 것을 말한다. 빅데이터를 분석하고 가공해서 새로운 정보를 얻어 내거나 미래를 예측하는 기술을 말하며, 축적된 데이터를 토대로 상관관계와 특성을 찾아내고 결론을 도출한다.
인공신경망(Artificial neural network,ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드,Node)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. 좁은 의미에서는 오차역전파법을 이용한 다층 퍼셉트론을 가리키는 경우도 있지만, 이것은 잘못된 용법으로, 인공신경망은 이에 국한되지 않는다.
딥러닝은 머신러닝 알고리즘 중 하나인 인공신경망으로 만든 것으로, 복잡한 문제를 해결하기 위해 인공신경망을 다양하게 쌓은 것이 딥러닝이다.
인공신경망 vs 딥러닝
위 그림에서 처럼 인공신경망 여러 개가 곂곂이 쌓인 것이 딥러닝 모델이다. 요즘은 둘을 거의 동일한 의미로 부르기도 한다.
머신러닝과의 가장 큰 차이점은 처리하는 데이터 종류인데, 머신러닝이 잘 처리하는 데이터들은 데이터베이스, 레코드 파일, 엑셀 파일 등의 정형 데이터이고, 딥러닝이 잘 처리하는 데이터들은 이미지, 영상, 음성, 택스트(Text), 소리 등의 비정형 데이터들이다. 따라서 보통 인지와 관련된 문제를 잘 해결한다.
인공 지능(AI)은 학습, 문제 해결, 패턴 인식 등과 같이 주로 인간 지능과 연결된 인지 문제를 해결하는 데 주력하는 컴퓨터 공학 분야입니다. 보통 "AI"로 줄여서 부르는 인공 지능은 로봇 공학이나 미래의 모습을 내포하고 있을 수도 있지만, AI는 공상 과학 소설에 나오는 작은 로봇을 넘어 첨단 컴퓨터 공학의 현실이 되고 있습니다.
이 분야의 저명한 과학자인 Pedro Domingos 교수는 논리와 철학에 기원을 둔 상징주의자, 신경 과학에서 유래한 연결주의자, 진화 생물학과 관련된 진화론자, 통계와 개연성을 다루는 베이지안, 그리고 심리학에 기반을 둔 유추론자로 구성된 기계 학습의 "5가지 집단"을 설명합니다. 최근에 통계 컴퓨팅 효율성이 개선되면서 베이지안이 "기계 학습"이라는 분야에서 몇 가지 영역을 성공적으로 발전시킬 수 있게 되었습니다. 이와 마찬가지로 네트워크 컴퓨팅이 발전하면서 연결주의자도 "딥 러닝"이라는 이름으로 하위 분야를 더욱 발전시킬 수 있게 되었습니다. 기계 학습(ML)과 딥 러닝(DL)은 모두 인공 지능 분야에서 파생된 컴퓨터 과학 분야입니다.
인공지능의 여러 과제
인공지능의 여러 과제 또는 분야에 대해 알아보자.
1.
자연어 처리
2.
자동적인 예측, 추론
3.
지식 표현
4.
음성인식
5.
기계학습, 딥러닝
6.
컴퓨터비전
7.
로보틱스
인공지능의 발전
황금기(1956-1974) → 1차 암흑기(1974-1980) → 1차 활황기(1980-1987) → 2차 암흑기(1987-1993) → 2차 활황기(현재)
1945년 영국의 수학자인 앨런 튜링(Alan Turing)은 ‘튜링기계’라는 가상의 연산 기계를 만들었다.
현대적 컴퓨터의 개념을 정립하는데 기반이 된 수학적인 추론 능력을 모방하는 기계를 구상하였고, 이를 통해 인간의 지능을 구현하는 기계 제작에 열정을 쏟았다.
이후 1956년, 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의를 통해 처음으로 인공지능(AI)이라는 용어가 사용되기 시작하였다.
그리고 컴퓨터의 발전과 함께 인공지능을 구현하고자 하는 과학자들의 많은 노력이 있었으나, 가시적인 성과가 도출되지 않자 각국 정부의 연구원도 줄어들어 1980년대까지 인공지능은 커다란 성과를 보여주지 못하였다.
그러나 1980년대 본격 전문가 시스템(Expert System)의 도입으로 인공지능은 1차 활황기를 맞이하게 된다. 이때 미국의 500대 기업의 절반이 이 전문가 시스템을 도입하는 등 인공지능의 연구가 활발히 이루어졌다.
하지만 방대한 관리방안에 단점이 노출되며 1990년대 초까지 또 한 번의 빙하기를 맞이하게 된다.
그러나 1990년대 후반 인공지능 연구는 인터넷과 함께 또 한 번 중흥기를 맞이하게 되는데, 방대한 데이터의 축적 그리고 H/W기술의 발전으로 연산 능력의 향상되고, 인공지능의 알고리즘 발전으로 인공지능은 2차 활황기를 맞이하게 된다.
머신 러닝(Machine Learning)을 통해 수많은 빅데이터를 분석하여 인공지능 시스템 자신 스스로 학습하는 형태로 발전하게 되었다.
인공지능의 종류
인공지능에는 다양한 종류와 갈래가 존재한다. 다음 그림을 살펴보자.
전문가 시스템(Expert System)은 특정분야의 전문가가 가지고 있는 전문적인 지식과 노하우을 정리하고 표현하여 컴퓨터에 기억시킴으로써, 일반인도 이 전문지식을 이용할 수 있도록 하는 시스템이다. 예를들어 의료 진단 시스템, 설계 시스템 등이 있다.
기계학습(Machine learning)은 외부에서 주어진 데이터를 통해 스스로 학습하는 것을 말한다. 빅데이터를 분석하고 가공해서 새로운 정보를 얻어 내거나 미래를 예측하는 기술을 말하며, 축적된 데이터를 토대로 상관관계와 특성을 찾아내고 결론을 도출한다.
인공신경망(Artificial neural network,ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드,Node)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. 좁은 의미에서는 오차역전파법을 이용한 다층 퍼셉트론을 가리키는 경우도 있지만, 이것은 잘못된 용법으로, 인공신경망은 이에 국한되지 않는다.
딥러닝은 머신러닝 알고리즘 중 하나인 인공신경망으로 만든 것으로, 복잡한 문제를 해결하기 위해 인공신경망을 다양하게 쌓은 것이 딥러닝이다.
인공신경망 vs 딥러닝
위 그림에서 처럼 인공신경망 여러 개가 곂곂이 쌓인 것이 딥러닝 모델이다. 요즘은 둘을 거의 동일한 의미로 부르기도 한다.
머신러닝과의 가장 큰 차이점은 처리하는 데이터 종류인데, 머신러닝이 잘 처리하는 데이터들은 데이터베이스, 레코드 파일, 엑셀 파일 등의 정형 데이터이고, 딥러닝이 잘 처리하는 데이터들은 이미지, 영상, 음성, 택스트(Text), 소리 등의 비정형 데이터들이다. 따라서 보통 인지와 관련된 문제를 잘 해결한다.