Machine Learning과 Deep Learning의 차이

"아직은 글쎄..인공지능의 미래"

인공지능(AI)에 대한 정보가 시장, 언론, 사회 채널을 휩쓸고 있다. 의심할 여지 없이, 그것은 확실히 주목할 만한 가치가 있는 주제이다. 하지만 동시에 AI가 과대 광고화 되고 있는 것도 사실이다. 우리는 AI가 어떻게 실용적으로 사용될 수 있는지 아직 정확하게 이해하고 있지 못하다. 

새로운 기술을 비즈니스에 접목시켜서 소위 장사가 되는 방법으로 써먹으려면, 모든 사람들이 쉽게 이해할 수 있는 비즈니스 모델이 있어야 한다. 하지만, 안타깝게도 우리가 상상활 수 있는 인공 지능의 활용 범위는 영화 아이로봇의 시나리오 정도 수준에 머물러 있는 것 같다. 이 영화가 개봉한 시점이 무려 14년 전인 2004년이라는 것이 놀랍기도 하지만, 그 이후에 발전된 인공 지능 시나리오를 보여주고 있지 못한 것이 현실이기도 하다. (아 참, 알파고가 이세돌을 바둑으로 이긴 것은 2016년이었지)

"예측을 하기 위한 알고리즘"

인공 지능을 구성하는 요소는 크게 네가지를 들 수 있다. 지능을 갖기 위해서는 스스로 문제를 인식하고 판단하고 해결하는 능력을 갖추어여 한다. 데이터를 통한 학습 목적은 결국 문제 해결을 위한 답을 내 놓기 위함이다. 

• Machine Learning and Deep Learning
• 컴퓨터 비전
• 자연 언어 처리
• 예측과 최적화

"Machine learning과 Deep learning의 차이"

그림에서 보듯이 Machine learning은 인공지능 (AI)의 한 부분이다. 이론은 간단하다. 기계는 데이터를 받아들이고 스스로 학습한다. Machine learning 시스템은 대규모 데이터셋의 지식과 교육을 신속하게 적용하여 얼굴 인식, 음성 인식, 객체 인식, 번역 및 기타 작업에 탁월하다. Machine learning을 통해 시스템은 과제를 완료하기위 해 스스로 패턴을 인식하고 예측을 할 수 있다. 대량의 데이터를 쏟아붇고 여기에서 수학과 통계학적인 함수를 이용하여, 일정한 패턴과 프로세스를 학습해 나가는 방식이라고 이해하면 쉬울 것 같다. 

Deep Learning은 Machine Learning의 한 기법이며 최근 가장 주목 받는 기술이다. 최근의 Machine Learning의 방향은 모두 Deep Learning 방식으로 모여지고 있다. Deep Learning은 인간의 뇌가 수많은 뉴런으로 연결되어 있는 것에 착안하여 인간의 뇌와 유사하게 여러층의 레이어와 노드를 구성하는 방식이다. 그래서 반복하면 할수록 스스로 문제 해결 능력을 발전시켜 나갈 수 있는 특성을 갖게 된다. 예를 들어 Machine learning에서는 "목적지에 원하는 시간에 도달한다" 라는 질문에 Yes, No로 대답이 가능했다고 하면, Deep learning에서는 질문 앞에 비가 오는 날에는~, 월요일에는~, 서울에서는~, 택시를 타고~, 이러한 다양한 시나리오의 조합이 가능하기에 더욱 현실적이고 정확한 답을 구할 수 있다는 것이다.