인공 지능 AI, 머신 러닝, 딥 러닝

https://www.futurekorea.co.kr/news/articleView.html?idxno=146184

인공 지능 AI ?

: 학습, 문제 해결, 패턴 인식등과 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. 

 

* 베이지안?

: 일어나지 않은 일에 대한 확률을 불확실성의 개념

 

기계 학습 (머신 러닝)

: 패턴 인식 및 학습에 사용되는 몇 가지 베이지안 기법에 주로 적용되는 이름입니다. 기계 학습은 기록된 데이터에 학습하고 이를 기반으로 예측하며, 불확실성 하에서 기본 유틸리티 기능을 최적화하고, 데이터에서 숨겨진 구조를 추출하고, 데이터를 간결한 설명으로 분류할 수 있는 알고리즘의 모음입니다. 기계 학습은 명시적 프로그래밍이 너무 엄격하거나 실용성이 없는 경우 주로 배포됩니다. 소프트웨어 개발자가 주어진 입력에 따라 프로그램 코드별로 출력을 생성하기 위해 개발하는 일반 컴퓨터 코드와는 달리, 기계 학습은 데이터를 사용하여 통계 코드(ML 모델)를 생성합니다. 이 통계 코드는 이전의 입력(감독된 기법의 경우 출력) 예제에서 인식한 패턴을 기반으로 "적절한 결과"를 출력합니다. ML 모델의 정확성은 대부분 기록 데이터의 양과 질에 달려 있습니다.

 

 적절한 데이터가 있다면 ML 모델은 수십억 개의 예제를 통해 고차원의 문제를 분석함으로써 주어진 입력을 사용해 출력을 예측할 수 있는 최적의 기능을 찾을 수 있습니다. ML 모델은 예측뿐만 아니라 전반적인 성능에 대한 통계적 신뢰도를 제공합니다. ML 모델 또는 다른 개별 예측을 사용하려는 경우 이러한 평가 점수는 의사 결정에 중요한 역할을 합니다.

 

머신 러닝 모델 (ML 모델)?

ML 모델은 산더미 같은 데이터를 뒤져 패턴을 발견하거나 예측을 수행하는 알고리즘의 표현식입니다. 데이터를 연료 삼아 작동하는 ML 모델은 AI의 수학 엔진에 해당합니다. 

 

다른 말로 표현하면, ML 모델은 오브젝트와 그들의 관계를 수학적으로 나타낸 표현형입니다. 

 

딥 러닝이라는 용어 또한 ML 모델의 특정 구조에서 따온 이름입니다. 

 

기계 학습 사용 사례

이상 탐지

: 예상된 패턴이나 데이터세트의 다른 항목과 일치하지 않는 항목, 이벤트 또는 관찰 결과를 파악합니다.

 

사기 탐지

: 잠재적인 부정 소매 트랜잭션을 파악하거나 부정 또는 부적절한 항목 검토를 탐지하는데 도움이 되는 예측 모델을 구축합니다.

 

고객 이탈

: 이탈 위험이 높은 고객을 찾아 미리 프로모션이나 고객 서비스 활동에 참여시킬 수 있습니다.

 

콘텐츠 개인화

: 예측 분석 모델을 사용하여 이전 고객의 행동을 기반으로 항목을 추천하거나 웹 사이트 흐름을 최적화함으로써 웹 사이트에서 좀 더 개인화된 고객 경험을 제공합니다.

 

딥 러닝 ?

데이터를 좀 더 심층적으로 이해하기 위해 알고리즘을 계층화하는 것과 관련된 기계 학습의 한 분야입니다. 알고리즘은 이제 좀 더 기본적인 회귀 분석에서처럼 설명 가능한 관계 집합을 생성하는 데 국한되지 않습니다. 대신에 딥 러닝은 이러한 비선형 알고리즘 계층을 사용하여 일련의 요소를 기반으로 상호 작용하는 분산 표상을 생성합니다. 대규모 교육 데이터에서 딥 러닝 알고리즘이 요소 간 관계를 파악하는 것이 가능해지고 있습니다. 이러한 관계는 형태, 색상, 단어 등 간의 관계가 될 수 있습니다. 그런 다음 시스템이 예측을 생성하는 데 사용될 수 있습니다. 기계 학습과 인공 지능 분야에서 딥 러닝의 힘은 사람이 실제로 소프트웨어에 코딩할 수 있는 것보다 더 많은 관계 또는 사람이 인지할 수 없을지도 모르는 관계를 파악할 수 있는 데서 나옵니다. 충분한 교육을 한 후에 알고리즘 네트워크가 예측을 수행하거나 매우 복잡한 데이터를 해석하기 시작할 수 있습니다.

 

딥 러닝 사용 사례

이미지 및 비디오 분류, 세그멘테이션

: Convolutional Neural Network는 객체 분류를 비롯하여 많은 영상 작업에서 인간을 능가합니다. 레이블이 붙으 수백만 개의 사진에서 알고리즘 시스템이 이미지 피사체를 식별하기 시작할 수 있습니다. 딥 러닝 덕분에 많은 사진 스토리지 서비스에서 안면 인식 기능을 제공합니다.

 

음성 인식

: 사람은 목소리를 이해하는 것이 아주 어린 나이부터 가능하지만, 컴퓨터는 최근에야 사람의 목소리를 듣고 이에 응답할 수 있게 되었습니다. 사람의 억양과 음성 패턴이 모두 다르다는 점에서 음성 인식은 기존 수학 또는 컴퓨터 공학을 사용하여 해결하기에는 매우 어려운 기계 작업입니다. 딥 러닝을 사용하면 알고리즘 시스템이 어떤 소리가 났고 의도가 무엇인지 좀 더 쉽게 파악할 수 있습니다.

 

자연어 처리

: 자연어 처리는 시스템이 사람의 언어, 억양 및 맥락을 이해하도록 가르치기 위해 노력합니다. 이를 통해 알고리즘이 감정이나 풍자와 같은 좀 더 어려운 개념을 포착할 수 있습니다.

 

추천 엔진

: 온라인 쇼핑에서는 고객이 구매하길 원할지도 모르는 항목, 보길 원할지도 모르는 영화 또는 관심이 있을 수 있는 뉴스와 관련된 맞춤형 콘텐츠 추천이 필요할 때가 많습니다. 지금까지 이러한 시스템은 사람이 항목 간의 연관성을 생성하는 방식으로 제공되었습니다. 하지만 빅 데이터와 딥 러닝의 출현으로 알고리즘이 고객의 과거 구매 또는 방문 제품을 조사하고 해당 정보를 다른 사람들과 비교하여 관심이 있을 만한 항목을 파알할 수 있으므로, 더는 사람이 개입할 필요가 없습니다.

 

 

 

 

출처 : 

https://aws.amazon.com/ko/machine-learning/what-is-ai/