AI와 머신 러닝, 딥 러닝의 관계 및 그 활용 사례 2탄

이전 글에 이어서 이번 글에서는 머신 러닝의 다양한 알고리즘들과 딥 러닝의 활용 사례에 대해서 알아보도록 하겠습니다.

 

머신 러닝의 대표적인 알고리즘들로서, 서포트 벡터 머신(Support Vector Machine, SVM), 의사 결정 나무(Decision Tree), 랜던 포레스트(Random Forest), 신경 네트워크(Neural Network)를 들 수 있으며 위 4 가지 알고리즘에 대해서 알아보도록 하겠습니다.

 

먼저 서포트 벡터 머신은 주로 지도 학습의 회귀나 분류에 사용되는 알고리즘입니다. 이 중 분류란 그 데이터가 어느 카테고리에 속하는지를 배분하는 작업을 가리킵니다. 서포트 벡터 머신은 데이터를 분류할 때 구분이 될 선을 결정합니다. 피망과 파프리카를 분류하는 작업에 대해 예를 들어보자면, 여기서 컴퓨터에 색상의 정보만 학습을 시킨다면 피망과 파프리카를 정확하게 분류하지 못할 수 있습니다. 그래서 색상 정보 외에도 피망과 파프리카를 분류할 수 있도록 컴퓨터에 크기 정보도 학습시켜야 합니다. 그러면 컴퓨터는 색상과 크기 두 정보를 학습하여 피망과 파프리카를 보다 정확하게 분류할 수 있을 것입니다.

 

의사 결정 나무 또한 주로 지도 학습에 사용되는 알고리즘이며 서포트 벡터 머신과 동일하게 회귀와 분류에 사용됩니다. 회귀는 예를 들어 강우량과 기온, 작물의 수확량을 학습하여 다음 해의 수확량을 예측하는 작업을 의미합니다. 의사 결정 나무는 나무를 본뜬 그림을 생각하시면 이해하기 쉬울 것입니다. 예를 들어, 사진 속 남성 또는 여성을 분류하는 작업을 생각해 봅시다. 먼저 키의 정보를 학습시켜 키가 작고 큼에 따라 분기를 합니다. 그런 다음 머리카락의 길이 정보를 학습시켜 머리카락의 길이가 길고 짧음에 따라 더 세부적으로 나누어집니다. 이와 같이 분기를 계속함에 따라 최종적으로 남성인지 여성인지 정답에 가까워지게 되며 분기가 계속될수록 그 정밀도 또한 증가될 수 있습니다. 이러한 모습이 나뭇가지가 뻗어나가는 것과 닮아 의사 결정 나무라는 명칭을 얻었습니다.

 

랜덤 포레스트 알고리즘도  지도 학습의 회귀와 분류에 사용되는 알고리즘입니다. 간단히 말씀드리자면, 여러 가지 조건으로 계산된 의사 결정 나무의 결과를 모아 최종적인 결과를 도출해 내는 알고리즘입니다. 이름에서도 알 수 있듯이, 나무가 여러 개 있으면 숲이 되기 때문에 이와 같이 명명되었습니다. 또한 의사 결정 나무보다 정밀도가 높은 특징이 있습니다.

 

마지막으로 신경 네트워크는 딥 러닝에서도 사용되고 있는 알고리즘입니다. 신경 네트워크는 인간의 뇌를 구성하는 뉴런의 구조를 재현한 것으로 다른 알고리즘들과 비교가 안 될 정도의 높은 정밀도를 가지고 있습니다.

 

딥 러닝은 높은 정밀도에 따라 그 활용 분야도 다양합니다. 먼저 영상 처리 분야에서의 딥러닝 기술은 단연 최고라 할 수 있습니다. 우리에게 가장 친근한 활용 예로는 카메라의 얼굴 인식 기술을 둘 수 있습니다. 컴퓨터에 얼굴의 특징을 학습시키고 영상으로부터 사람의 얼굴을 식별할 수 있도록 하는 것입니다. 기본 기술로는 CNN(Convolutional Neural Networks)이 있습니다. 또한, 음성 인식에도 딥 러닝이 활발하게 활용되고 있는 분야 중 하나입니다. 예를 들어, 제조 현장에서 음향 데이터를 분석하고 이상음을 감지하는 솔루션이 등장하는 등 기계의 고장 감지나 품질 확보 등으로 이어지고 있습니다.

 

여기까지 AI, 머신 러닝, 딥 러닝에 대해서 알아보았습니다. 단어만 들었을 때는 생소하거나 낯설 수 있습니다만, 활용 사례에서 보시다시피 우리의 실생활에 많이 자리 잡고 있습니다. 이번 글을 통해 AI, 머신 러닝, 딥 러닝에 좀 더 친숙해지셨길 바랍니다.