인공지능(AI) 파헤치기 - 머신러닝(ML, Machine Learning). 2부

이전 글에서는 인공지능(AI)의 개념에 대해서 알아보았다. 오늘 머신러닝에 대한 설명을 위해 간단히 이전 글을 요약하자면...

인공지능(AI) 파헤치기 - 인공지능(AI, Artificial Intelligence). 1부

 

인간과 같은 지능을 가진 컴퓨터를 만들기에는 아직 시기상조라는 것을 느낀 연구자들이 인간 지능의 특정한 부분만을 따라하는 인공지능을 연구하기 시작했고 그러한 인공지능을 구현하기 위한 구체적인 접근 개념인 머신러닝(ML, Machine Learning)이 탄생했다.

 

머신러닝의 정의를 살펴보면 다음과 같다.

 

가장 기본적인 기술로의 머신러닝은 알고리즘을 사용하여 데이터를 분석하고 그 분석을 통해 학습하며 그 학습 결과로 판단을 내리거나 미래를 예측하는 기술이다.

 

단순히 받아들이면 고등학생에게 수학 공식 알려주고 다양한 문제를 풀게하면 점점 똑똑해진다는 개념이다. 그래서 어떤 특정 과제을 수행하기 위한 특정 명령의 집합을 이용하여 사람이 직접 코딩하는 소프트웨어 방식이라기 보다 머신러닝은 엄청난 양의 데이터와 어떻게 특정 과제를 수행하는지에 대한 알고리즘을 이용하여 컴퓨터를 학습시키며 훈련하는 방식이다. 즉, 머신러닝은 대량의 데이터(수학 문제)와 판단에 필요한 요소(공식)를 주면 컴퓨터는 스스로의 판단 기준을 세우고 그 기준의 정확도를 높이기 위해 스스로 훈련할 수 있다는 뜻이다. 하지만 여전히 사람이 데이터의 판단 기준을 제공해야 하며, 이미지 인식 등 복잡한 데이터에 대한 판단에 있어서는 한계가 존재할 수 밖에 없다.

왜 이미지 인식에서는 한계를 가질 수 밖에 없는지 단순한 예로 강아지 얼굴 인식을 생각해 보자.

어떤 사람이 컴퓨터에게 학습시킬 때 1만 장의 강아지 사진과 함께 강아지의 특징적 요소라고 생각한 코의 모양(강아지의 코는 이렇게 생겼어.), 수염의 유무(강아지는 수염이 없어.) 등을 이용했다. 그래서 컴퓨터는 제공된 데이터와, 요소의 학습을 통해 스스로 강아지를 판단할 수 있는 기준점을 세웠다. 그런데 만약 강아지의 코가 흐리거나 가려진다면 사진을 입력한다면...? 수염이 있는 사진이거나 털이 수염처럼 생긴 사진을 입력한다면...? 머신러닝을 통해 학습한 이 컴퓨터는 아예 인식을 못하거나 오답을 내놓을 가능성이 크다. 그 이유는 사람이 제공한 코의 모양, 수염의 유무라는 요소로 만든 기준에 들어오지 않았기 때문이다.

 

이렇게 머신러닝도 스스로 학습은 할 수 있지만 인간의 뇌를 따라가기에는 한참 부족하여 사람이 컴퓨터가 잘못된 결과를 내놓을 때마다 수정을 지속적으로 거쳐야 했다. 하지만 인공지능 연구자들은 끊임없이 연구에 매진했고 그들의 연구에 큰 영감을 불어넣은 것이 있었는데 바로 인간의 뇌가 가진 생물학적 특성인 뉴런의 연결 구조, 신경망(Neural Network)이었다.

 

이렇게 사람의 신경망을 알고리즘화 하여 구현한 것이 인공 신경망(ANN, Artificial Neural Network)이며 이를 이용하여 기존 머신러닝의 단점을 보완한 것이 바로 그 다음 3부에서 알아 볼 딥러닝(DL, Deep Learning)이다.