AI와 머신 러닝, 딥 러닝의 관계 및 그 활용 사례 1탄

AI의 대표적인 활용 분야로 꼽히는 것이 머신 러닝과 딥 러닝입니다. 머신 러닝과 딥 러닝은 2010년대부터 시작된 것으로 알려졌습니다. 이번 글에서는 머신 러닝과 딥 러닝에는 어떤 차이가 있고 또 어떤 방식으로 활용이 되는지에 대해서 이야기해 보려 합니다.

 

AI, 머신 러닝, 딥 러닝은 동시에 많이 언급되고 있지만, 머신 러닝과 딥 러닝은 AI 아래에 속해 있는 기술이라고 볼 수 있습니다. 최근 AI의 인기가 증가하고 있는 것은 머신 러닝에 이어 딥 러닝의 등장이라고 볼 수 있습니다.

 

이전 글에서 AI에 대해 언급한 적이 있지만, 이번 글에서 다시 한번 AI가 무엇인지 간략하게 다뤄보도록 하겠습니다. AI는 일반적으로 인간의 지능을 모방한 컴퓨터 시스템이라고 알려져 있습니다. 일반적인 컴퓨터가 주어진 입력에 대해 정해진 계산과 출력을 실시하는 한편, AI는 계산의 과정에서 분류나 추론 등의 사고 처리를 하는 점이 다른 기술들과의 큰 차이점이며 큰 특징이라고 볼 수 있습니다. 따라서, 지금까지의 일반적인 컴퓨터에서는 어려웠던 방대한 양의 데이터 처리나 어려운 패턴의 검출 등을 실시할 수 있게 되었습니다.

 

AI와 함께 많이 언급되고 있는 머신 러닝은 기계 학습이라고도 불리며 방대한 데이터를 바탕으로 컴퓨터가 데이터의 규칙과 패턴을 학습하는 기술을 의미합니다. 데이터를 통해 학습을 하고 축적하여 해당 작업을 높은 정확도로 처리할 수 있게 됩니다. 머신 러닝은 학습 종류에 따라 지도 학습, 비지도 학습, 강화 학습으로 분류할 수 있습니다. 이들은 작업에 따라 적절하게 활용될 수 있습니다.

 

머신 러닝의 지도 학습이란, 컴퓨터에 사과의 이미지를 학습시킨다는 가정을 하였을 때 다양한 사과의 이미지와 사과라는 정답을 함께 주는 것입니다. 컴퓨터는 많은 이미지들을 분석하면서 사과에 대해 스스로 학습하게 되는 것입니다. 머신 러닝의 비지도 학습이란 학습에 대한 해답을 주지 않고 컴퓨터가 스스로 그 특징을 분석하면서 유사한 데이터를 그룹으로 나누는 클러스터링 등의 기술을 실시할 수 있게 하는 것입니다. 마지막으로 머신러닝의 강화 학습이란 컴퓨터가 스스로 학습을 강화하여 학습의 내용을 자동적으로 개선하는 단계까지 가는 것이라 할 수 있습니다.

 

그리고 딥 러닝이란 머신 러닝과 같이 학습을 시키지 않고 컴퓨터가 스스로 특징을 찾아 학습을 하도록 하는 기술입니다. 머신 러닝은 기본적으로 사람이 컴퓨터에게 사물의 특징을 학습시켜주어야 합니다. 여기서 특징이란 컴퓨터가 사물을 구분하기 위한 기준이라 할 수 있습니다. 사과 이미지 학습을 예로 들면, 사과의 색상과 형태 등이 그 특징 중 하나라고 볼 수 있습니다. 컴퓨터가 분석하고 있는 사물의 색상이 빨간색이면 사과라고 판단할 수 있으며 사물의 색상이 푸른색이면 사과가 아니라고 판단하는 것이 머신 러닝의 기술입니다.

 

위와 같이 머신 러닝은 컴퓨터가 스스로 학습할 수 있도록 판단의 기준이 될 수 있는 특징을 제공하는 것입니다. 이러한 작업이 제거된 것이 바로 딥 러닝 기술입니다. 딥 러닝에서는 주어진 상황에 대해서 스스로 특징을 판단합니다. 사과 이미지를 예로 들면, 빨간 사과와 파란 사과가 있을 때 컴퓨터는 스스로 색상이 특징이 된다는 것을 판단하고 정확한 분류를 학습해 나갑니다. 따라서, 딥 러닝은 사람의 의존도가 낮고 머신 러닝보다 더 정밀하게 판단할 수 있다는 점이 큰 장점이라고 할 수 있습니다.

 

여기까지 AI와 머신 러닝, 딥 러닝에 대해서 각각 알아보았습니다. 다음 글에서는 그 활용 사례에 대해서 알아보도록 하겠습니다.