[1강] 인공지능과 기계 학습 소개

1. 인공지능의 개념

1) 인공지능의 정의

인공지능(AI: Artificia Intelligence)은 인간의 지능을 모방하는 컴퓨터 시스템을 연구하는 분야

 

▪ 기계학습(Machine Learning)은 AI의 한 분야

컴퓨터가 데이터로부터 학습하여 패턴을 찾고, 새로운 데이터에 대한 예측이나 의사결정을 내리는 기술

2) 인공지능의 역사

▪ 인공지능의 기원

인공지능의 기원은 1940년대 미국, 1943년 존 맥카시와 클로드 섀넌은 튜링 기계라는 개념을 발표하여 인공지능의 토대를 마련.

1956년 다트머스 대학에서 개최된 다트머스 회의는 인공지능의 출발점으로 평가

 

▪ 인공지능 역사의 3단계

- 1단계(1956년 ~ 1970년대): 기초 연구 단계

- 2단계(1970년 ~ 1980년대): 실용화 단계

- 3단계(1980년대 ~ 현재): 융합과 발전 단계

3) 인공지능의 종류

▪ 인지 인공지능: 인간의 인지 능력을 모방하는 AI

-  시각, 청각, 언어, 사고, 학습 등이 포함

- 인간이 이해하고 처리하는 방식으로 정보를 처리하고 이해

ex) 이미지에서 사과를 식별하거나, 음성에서 언어를 번역 하거나, 자연어를 이해하고 응답할 수 있어야 함.

 

▪ 신경망 인공지능: 인간의 뇌를 모방한 AI

- 인공 뉴런으로 구성

뇌의 뉴런과 유사한 방식으로 정보를 처리

ex) 이미지 인식, 자연어 처리, 기계 번역, 게임 등과 같은 다양한 분야에 적용

 

▪ 행동 인공지능: 인간의 행동을 모방하는 AI

- 로봇 공학, 자율 주행, 게임 등이 포함

- 인간과 같은 방식으로 환경을 인식하고, 행동을 계획하고, 행동을 수행

ex) 행동 인공지능을 사용하는 로봇은 주변 환경을 인식하고, 스스로 이동하고, 장애물 회피 가능

2. 기계 학습의 개념

1) 기계 학습의 정의

▪ 기계 학습은 인공지능(AI)의 한 분야

- 컴퓨터가 스스로 학습하고 개선할 수 있도록 하는 기술

- 데이터를 기반으로 패턴을 찾고, 이를 통해 새로운 정보를 예측하거나, 기존의 정보를 보다 정확하게 처리

- 데이터로부터 학습하고 개선하는 컴퓨터 알고리즘을 연구하여 다양한 분야에서 활용 가능

 

[사례]

▪ 이미지 인식: 이미지에서 물체를 식별하거나, 얼굴을 인식하는 등의 작업

▪ 자연어 처리: 자연어를 이해하고 처리(ex. 음성 인식, 기계 번역, 챗봇 등)

▪ 기계 번역: 한 언어를 다른 언어로 번역

▪ 금융: 고객의 소비 패턴 분석을 통해 마케팅 최적화 혹은, 투자의 위험을 예측하는 등의 작업

▪ 의료: 환자의 질병을 진단하거나, 치료의 효과를 예측하는 등의 작

2) 기계 학습의 종류

▪ 지도 학습: 처음부터 정답이 정해져 있는 데이터를 활용하여 학습하는 기계학습
▪ 비지도 학습: 정답이 없는 데이터를 활용하여 학습하는 기계학습
▪ 강화 학습: 보상과 처벌을 통해 학습하는 기계학습

∎ Supervised Learning(지도학습)

지도 학습은 레이블이 달린 데이터를 사용하여 모델을 학습시키는 방법이다.

- 모델은 입력 데이터와 해당 데이터에 대한 정답인 레이블 간의 관계를 학습하고, 새로운 입력에 대한 정확한 출력을 예측하도록 설계한다.

ex) 이미지 분류, 음성 인식, 문서 분류 등

 

∎ Unsupervised Learning(비지도학습)

비지도 학습은 레이블이 없는 데이터에서 패턴이나 구조를 찾는 방법이다.

- 모델은 데이터 간의 숨겨진 구조를 발견하고, 비슷한 특성을 가진 데이터를 그룹화 한다. 

- 대표적으로 군집화(Clusting)와 차원 축소(Dimensionality Reduction)이 있다.

- 군집화는 유사한 데이터를 그룹으로 묶는 것, 차원 축소는 데이터의 특성을 줄여 계산 및 시각화를 용이하게 하는 것이다.

 

∎ Reinforcement Learning(강화 학습)

강화 학습은 에이전트가 환경과 상호작용하며, 어떤 행동이 최대한의 보상으로 나타나도록 학습하는 방법

- 에이전트는 환경에 대한 정보를 받아 행동하고, 그 결과는 보상으로 나타난다.

- 에이전트는 이러한 보상을 최대화하기 위해 최적의 행동을 학습한다.

- 강화 학습은 게임이나 로봇 제어 등 다양한 영역에서 활용한다.

3) 기계 학습의 원리

데이터 수집 > 모델 학습 > 모델 평가
: 기계 학습은 위의 단계를 반복하며 좋은 결과를 나타내도록 모델을 계속 향상시키고, 실제 환경에서의 성능을 향상시키는 것이 핵심이다.

∎ 데이터 수집

- 기계 학습 모델을 학습시키기 위해서는 풍부한 양의 데이터 필요

- 해당 데이터는 모델이 특정 작업을 수행하는 데 사용, 데이터는 입력과 해당하는 정답(레이블)의 쌍으로 구성

 

∎ 모델 학습

데이터를 기반으로 모델을 학습시키는 단계

-  학습 데이터를 사용하면 모델은 입력과 출력 간의 관계를 학습하고, 모델의 내부 매개 변수가 최적화 된다.

- 이때, 손실 함수를 사용하여 예측값과 실제 값 차이를 최소화하여 학습한다.

 

∎ 예측

학습된 모델을 삳용하여 새로운 입력 데이터에 대한 예측을 수행하는 단계

- 모델은 학습 중에 배운 관계를 기반으로 새로운 데이터에 대한 결과를 출력

3. 인공지능과 기계 학습의 응용 사례

① 의료분야에서의 암진단

X-ray, CT, MRI 등의 의료 영상을 분석하여 암을 조기에 진단

ex) IBM Watson for Oncology(WFO)는 암과 관련된 방대한 데이터를 분석하여 환자의 개인적 특징과 과거의 치료를 고려하여 맞춤형 치료 계획을 제시

 

② 금융 사기 탐지

금융 거래 데이터를 분석하여 금융 사기를 탐지에 사용

ex) 미국의 카드사인 '아메리칸 익스프레스'는 인공지능을 사용하여 신용카드 사기를 99%의 정확도로 탐지

 

③ 스마트 시티

교통 관리: 교통 데이터를 분석하여 교통 흐름을 최적화, 교통 체증을 완화하는데 사용.

ex) '샌프란시스코'는 인공지능을 사용하여 교통 신호를 자동으로 제어

 

※  출처: 인공지능(AI)전문가 1급 자격과정