포스팅 목차
우리 주변을 보면 다양한 생물들, 식물, 살아 있는 유기체에서 놀라운 것들을 발견할 수 있습니다. 무리를 지어 이동하는 새, 뇌의 작동 방식 추정, 다양한 유기체의 진화 같은 것이 있습니다. 다양한 현상을 관찰하고 학습함으로써 유기 시스템이 작동하는 법과 새로운 지능적인 행동을 보이도록 하는 몇 가지 규칙에 대한 지식을 얻을 수 있습니다. 이러한 현상 중 일부는 진화 알고리즘과 군집 지능 알고리즘과 같은 인공지능의 유용한 알고리즘에 영감을 주었습니다.
1. 머신러닝 알고리즘
머신러닝은 통계적인 접근 방식을 통해 데이터로부터 모델을 학습시킵니다. 머신러닝의 범주에는 다양한 알고리즘이 있습니다. 이를 통해 데이터의 관계에 대한 이해를 높이고 의사결정하고 데이터를 바탕으로 예측합니다. 머신러닝에는 세 가지 주요 접근 방식이 있습니다.
1.1. 지도학습
지도학습은 질문에 대한 훈련 데이터와 그 결괏값을 알고 있을 때 알고리즘을 이용해 모델을 훈련합니다. 예를 들어 각 과일 데이터의 무게와 색깔, 질감, 과일 이름을 포함한 데이터 세트가 있을 때 과일의 종류를 결정하는 것입니다.
1.2. 비지도학습
비지도학습은 데이터 내부에 숨겨진 관계와 구조를 찾아내 데이터 세트로부터 질문을 도출합니다. 예를 들어 데이터 세트에서 유사한 과일의 속성 패턴을 찾아서 그 패턴에 따라 그룹을 나누고 그 데이터에 대해서 묻고 싶은 정확한 질문을 알려줍니다. 이러한 핵심 개념과 알고리즘은 향후 고급 알고리즘을 찾기 위한 기반을 조성하는데 도움이 됩니다.
1.3. 강화학습
강화학습은 행동 심리학에서 영감을 받았습니다. 유익한 행동을 했을 때 보상을 주고 바람직하지 않은 행동을 했을 때 벌칙을 주는 것입니다. 인간의 경우를 예로 들자면 아이가 성적이 좋으면 상을 주지만 성적이 나쁘면 벌을 주는 것입니다. 이러한 보상을 통해 좋은 성적을 받도록 행동을 강화하는 것입니다.
강화학습은 컴퓨터 프로그램이나 로봇이 동적인 환경에서 상호작용하는 방식을 탐험하는데 유용합니다. 문을 여는 과제를 수행하는 로봇을 예시로 들어보겠습니다. 로봇이 문을 열지 못하면 벌칙을 받고 문을 열면 보상을 받습니다. 일정 시간 후 여러 번의 시도 끝에 로봇은 문을 열기 위해 필요한 일련의 행동을 학습하게 됩니다.
2. 딥러닝 알고리즘
머신러닝에서 비롯한 딥러닝은 더욱 광범위한 접근 방식과 알고리즘을 포괄하고 있습니다. 좁은 지능을 달성하고 일반 지능을 실현하기 위해 활발하게 연구되고 있습니다. 일반적으로 딥러닝은 공간 추론과 같이 조금 더 일반적인 방식으로 문제를 풀려는 접근 방식입니다. 컴퓨터 비전이나 음성인식 같은 좀 더 일반화가 필요한 문제에 적용합니다.
일반적인 문제는 인간이 잘 풀 수 있는 문제입니다. 예를 들어 인간은 거의 모든 맥락에서 시각적인 패턴을 인식할 수 있습니다. 딥러닝에는 지도학습, 비지도학습, 강화학습이 있고 보통 여러 층을 가진 인공 신경망을 사용합니다. 서로 다른 지능형 구성요 층을 활용하여 각 층은 특화된 문제를 해결하고 이것을 여러 층으로 쌓아서 더 큰 목표를 위한 복잡한 문제를 해결합니다. 이미지에서 객체를 식별하는 것은 일반적인 문제지만 이는 목표를 달성하기 위해 색을 이해하고 객체의 모양을 인식하고 객체 간 관계를 알아내는 하위 문제로 나눌 수 있습니다.