사물 인터넷 by 양순옥, 김성석

4차 산업혁명을 견인하는 다이버전스 기술

 

[ 배운 것들 ]

 

ㅇ 인공 지능은 기계(컴퓨터)가 인간 수준의 인지, 이해, 추론, 학습 등의 사고 능력을 모방할 수 있도록 고안된 것이다. 등장 초기 '지능형 기계(컴퓨터)', 특히 지능형 컴퓨터 프로그램을 만드는 과학과 공학으로 정의되었다. 

--> 구현 방법이 아닌 구현의 목표로 개념을 정의한다. 그래서 방법은 중요하지 않다. 

 

ㅇ 초기의 인공 지능 기술은 미리 정의된 파라미터를 이용해 특정 문제를 해결하는 것으로 한정되었다.....현재는 인간의 학습 방법과 유사한 점진적 학습(increamental learning) 방법에 따라, 컴퓨터는 데이터의 학습으로 지식을 생성하고, 새로운 데이터가 추가되면 현재의 지식을 점차적으로 수정/개선한다.

 

ㅇ 강 인공 지능: 모든 영역에서 인간의 능력을 뛰어 넘는 인공 지능 시스템....인간과 동일하게 범용 분야에서 자율적 사과와 활동이 가능한 인공 지능을 실현

 

    약 인공 지능: 한정된 분야에서 문제해결, 추론을 수행하는 소프트웨어를 만드는데 중점을 둠

 

ㅇ 인공 지능 기술은 컴퓨터 과학의 여러 세부 분야 영역과 연계되어 있다. 정확한 분류 체계는 아직 없음.... 대체로 전문가들은 6가지 기술로 구분함...

ㅇ 기계학습의 의미와 주요 목표

- 경험적 데이터를 통해 컴퓨터 스스로 새로운 지식과 능력을 개발하는 기술을 의미

- 훈련된 지식을 기반으로 주어진 상황에 유용한 답을 찾고자 하는 일련의 컴퓨터 알고리즘 혹은 기술을 총칭

- 주어진 데이터로부터 일반화된 지식을 추출해 내는 것이 주요 목표

- 컴퓨터는 기계 학습 알고리즘을 통해 방대한 데이터를 학습하여 지능을 습득하고, 이를 기반으로 새로운 데이터 및 문제에 대해 스스로 판단을 내릴 수 있게 된다.

ㅇ 기계학습은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화학습(Reinforcement Learing)으로 구분함

- 지도 학습: 입력 데이터에 올바른 출력값을 갖는 라벨을 불여두고 그 데이터를 컴퓨터가 학습하면서 입력과 출력에 대한 일반적인 규칙이나 모델을 만드는 것을 의미함....예를 들어 많은 이미지에 사과라는 라벨을 붙여두고 컴퓨터가 그 이미지를 사과로 인식할 수 있는 모델을 만드는 학습 방식....새로운 이미지가 입력되면 스스스로 사과인지를 인식할 수 있음

 

- 비지도 학습: 라벨을 붙이지 않은 데이터를 토대로 데이터의 고유한 특성을 파악하여 그룹으로 분류하는 방법으로 학습을 수행하는 방법임

 

- 강화 학습: 어느 환경에서 정의된 에이전트가 현재 상태를 인식하여 최선의 행동이나 행동 순서를 선택하는 방법. 입력과 출력이라는 학습 데이터 쌍을 이용하지 않으며 잘못된 결과에 대해 명시적인 정정 과정을 거치지 않으므로 지도 학습과 다르다. 

 

ㅇ 신경망(Neural Network)

- 인간의 두뇌 처리 기능을 형성화한 기술이며, 뇌의 뉴런과 비슷하게 인공 뉴런을 배치하고 네트워크로 연결하여 모델링한 것이다.

- 인공신경망(Artificial Neural Network)이라고도 하며, 다수의 상호 연결된 노드(Node,인공뉴런)로로 구성된 층으로 이어진 논리 구조

 - 인간이 수많은 정보를 구분하고 습득하며, 경험과 지식을 토대로 종합적/추상적 사고를 수행하는 것과 유사한 방식으로 학습하고 문를 해결하도록 설계되었다

 

ㅇ 신경망 모델로 학습한 컴퓨터는 어느 정도의 일반화 능력을 보유하여 특정한 답이 정해지지 않은 문제도 해결이 가능하다. 기존의 규칙 기반 정보처리 모델(Rule based Approach)은 규칙에서 벗어난 문제에 대한 해답을 도출할 수 없지만, 신경망 모델은 학습결과에 따른 판단이 가능하다. 

 

ㅇ 인공신경망의 발전으로 계량적 의사결정과 주가 및 환율 예측, 기업 신용평가, 재무 및 회계, 경영 전략 지원 역할을 수행할 수 있다. 하지만, CEO의 비정형적 의사결정을 대신할 수는 없다. 

 

ㅇ 신경망은 관찰된 데이터를 학습하여 원하는 근사 함수 추론이 가능하나, 최적화의 어려움 등으로 연구에 한계가 있다. 입력층과 출력층, 그 사이의 은닉층으로 구성되며 층수가 높아질수록 더 추상화된 정보 표현이 가능하지만 구조 복잡성도 크게 증가하게 된다. 또는 수많은 노드의 연결마다 연결강도를 달리하는 파라미터 값을 할당(Parameter Training)하는데 많은 어려움이 있다......데이터의 전처리(Pre-training) 과정을 통해 이러한 문제를 해결할 가능성을 보인 딥 러닝의 등장으로 다시 주목받게 되었다. 

 

ㅇ 딥 러닝(Deep Learning): 기존 다층 구조 인공신경망 학습의 문제점을 개선하여 데이터 추상화 능력을 획기적으로 향상시킨 기술...추상화는 다량의 복잡한 데이터 속에서 핵심적인 내용 또는 기능을 요약하는 작업을 의미함...

 

ㅇ 딥 러닝은 인공 신경망이 적절히 학습할 수 있도록 돕는 새로운 알고리즘으로 설명이 가능함...기존 인공신경망 연구는 지역최적화와 과적합 문제로 한계가 있었으나 딥 러닝 방식을 통해 극복하였다. 

- 지역최적화: 정답을 찾기 전에 미리 결론에 수렴하여 학습이 도중에 중단되는 문제

- 과적합: 주어진 특정 학습 데이터에 과도하게 적합되어 실제로 풀어야 할 문제를 풀지 못하는 문제

 

ㅇ 최근 충분한 학습 데이터 및 고속 병렬처리가 가능한 하드웨어 성능 향상으로 인해 딥 러닝이 다시 주목받게 되었다.

 

ㅇ 딥 러닝은 해당 분야 전문가 지식이나 응용 분야의 제한을 적게 받는 장점이 있지만, 학습 데이터의 양과 질은 중요하다. 최적 모델을 설계하는데 많은 노력을 기울이지 않더라도 데이터를 통해 인식하려는 객체의 자연스러운 특징을 자기훈련으로 학습이 가능하므로, 정확하고 방대한 데이터를 가진 데이터 집합이 성능을 직접적으로 좌우한다.

ㅇ  인지 컴퓨팅(Cognitive Computing): 학습하고 추론하며, 인간과 자연스럽게 상호 작용하는 시스템을 의미함.

 

ㅇ 인공 지능의 적용 분야: 인간이 할 수 있는 대부분의 영역을 보완 또는 대체할 수 있을 것으로 예측이 된다.....최적해를 가지고 있지 않고 휴리스틱 알고리즘을 가지며, 불확실하고 불완전한 비정형 데이터에 대해 탐색형 추론을 필요로 하는 분야에도 적용이 가능하다.

ㅇ 주요 적용 분야로 게임 및 엔터테인먼트, 자연어 처리, 컴퓨터 비전, 기업용 응용 프로그램, 로보틱스 등이 주목을 받고 있다.

- 자연어 처리: 자연어 분석, 이해, 생성할 수 있게 됨. 음성 인식, 내용 분석, 음성 기반 사용자 인터페이스, 텍스트 분석, 번역, 정보 검색 등 편리성과 효율성 증대 (Google Now, MS 코티나 등)

- 컴퓨터 비전: 이미지, 사물, 얼굴, 문자 인식, 감정 분석, 동작 인식 및 추적, 이미지 마이닝 등에 활용되며, 증강 현실이나 자율주행차를 가능하게 하는 핵심 기술 (탱고 프로젝트, Crunchfish사의 A3DTM 등)

- 기업용 응용 프로그램: 의사결정 보조시스템, 가상 비서, 지식 관리, 예측 분석, 일기 예보, 사이버 보안 솔루션 등....

- 로보틱스: 제조, 농업, 의료, 국방 등 다양한 분야에서 활용...가장 중요한 응용 부문 중 하나..(ABB사의 산업용 로봇 등)

 

ㅇ 스마트 공장

ㅇ 사이버 물리 시스템

 

 

[ 자평 ] : 도서관 대출하여 필요 부분만 보고 반납 / 대학교 신입생 교과서 용도인 듯

 

대학 교수 두 분이 저술한 책이다. 대학 교재로 사용되지 않을까 추정해 본다.

 

'7장. 인공지능을 활용한 혁신' 부문만 필요하여 읽었다.

 

이 이상을 알아야 하기 때문에 강의 때 교수님들이 잘 설명해 주시리라 믿는다. ㅋㅋ