인공지능 간단한 용어 및 알고리즘 소개

 

요즘 산업에서 가장 핫한 이슈를 하나 뽑자면 인공지능이 아닌가 싶다. 여러 매체에서 인공지능을 언급하며 향후 많은 직업들이 인공지능에 의해 대체될 것이라며 사람들의 불안감을 자극하고 있는데, 적을 알고 나를 알면 백전백승이라 하지 않았나? 이 글을 통해 간단한 인공지능 관련 용어들과 인공지능에 쓰이는 알고리즘을 소개해보고자 한다.

 

인공지능을 조금 공부해보니 알게 된 것은 단순 노동은 일부 인공지능에 의해 대체될 수 있겠지만, 대부분의 직업에서는 인공지능이 현재 우리가 사용하는 엑셀이나 파워포인트 같은 느낌의 업무의 효율성을 증대해주는 툴이 될 것이라는 것이었다. 나중에 업무 효율 경쟁에 도태되지 않기 위해서라도 인공지능에 대한 이해를 다져둘 필요가 있다는 생각이 들었으며, 향후에도 관련 내용을 꾸준히 업데이트 하려 한다.

 

 

인공지능 관련 용어 소개

ž   머신러닝

-       코드로 일일이 명시하지 않은 것을 데이터 학습을 통해 판단 내리도록 하는 것.

-       학습한 내용을 바탕으로 다음 내용을 유추하는 것이기 때문에 데이터의 질, 양이 중요하게 작용.

-       어떤 데이터를 학습시킬지 여부는 사람들이 정하는 것이기 때문에 인간의 편견(Bias)를 배제하기가 어려움.

-       머신러닝의 경우, 과정에 대한 것을 사람이 알기 어려운 경우가 많음. 그래서 같은 결과를 내더라도 과정이 비윤리적인 경우가 발생할 수 있음

ü  Ex) 주파수를 발생시키는 장치 만들어라>> 주파수 발생 장치가 아니라 다른 주파수를 훔쳐와서 방출하는 장치 제작 등

ž   데이터 사이언스

-       데이터 사이언스가 공학이냐에 대한 물음 많았음.

-       기존의 학습은 연역법에서 도출되는 경우가 많음. 가정 > 검증 // 하지만 데이터 사이언스 같은 경우 귀납법으로 학습.

-       케플러 법칙 등 사례를 봤을 때 귀납법을 통한 학습이 의외로 정확한 결과 도출하는 경우 많음.

ž   빅데이터

-       대표적 사례) 구글 트렌드

ü  구글 트렌드 통해서 인사이트 얻을 수 있음. 예를 들어 중국여행, 일본여행 등 검색했을 때, 검색 트렌드가 확 튈 때가 있음. 이 때 보면 환율 관련 이슈 있었던 때 많음.

-       활용 사례)

ü  심야버스 노선 디자인에 통신사 데이터 활용

ž   IoT

-       소프트뱅크 ARM 인수해서 데이터 수집 및 활용하는 부서 신설

 

학습의 종류 및 알고리즘 소개

ž   학습 >> 특별히 어떤 학습이 우월하다는 것은 없음. 목적에 따라 다르게 학습시킴.

-       지도학습: 답을 주고 학습. 예측에 적합함

-       비지도 학습: 답을 안 주고 학습. 패턴 찾기에 적합

-       강화학습: 어떤 환경 하에서 특정 패턴을 강화 시키도록 학습시키는 것.

ž   알고리즘 종류

-       분류: 머신 러닝을 조건부 확률을 통해 데이터를 분류하는 것. 하지만 100% 답을 보장하지는 않음. 귀납법으로 하는 것.

ü  데이터 양과 정확도: 데이터 많아질수록 정확도 낮아질 수 있음.

ü  데이터의 밀도도 중요 >> 설명 요소 1개 추가할 때마다 차원이 2배씩 늘어남. 현업의 센스는 차원을 고르는 데서 많이 드러남**

-       회귀 분석: 콘텐츠 추천 시스템 등에 많이 활용

-       군집화: 비지도 학습의 대표적인 예. 마케팅 등에 많이 활용

-       이상치 탐지: 대부분 정상인 가운데 비정상인 것을 색출

ü  반도체 불량 검출 등에 활용

ü  ** Black Swan을 검출하는데도 활용할 수 있지 않을까 생각

-       최적화

ü  Ex) 오바마 대선 캠프에서 지역 별 공약 서로 다른 페이지 활용해서 각 지역 별로 맞춤형 공약 같은 것 색출해서 연설 등에 활용

ü  유전 알고리즘 등: 유전 알고리즘 관련한 재미있는 영상이 있는데 재미삼아 한 번 봐보면 좋을 듯 하다

<<https://www.youtube.com/watch?v=Yr_nRnqeDp0>>

-       연관규칙 분석

-       비정형 데이터 분석: FED 발언 등 분석

-       인공 신경망

ü  의미 있는 정보만 catch

ü  Local peak에 빠져 진짜 Max peak에 도달 못하는 문제가 발생하기도 함

-       딥 러닝

ü  Transfer learning – 이 것이 다른 알고리즘과 다른 특징.

>> 한 가지를 학습하면 연관된 것 학습하는 것이 더 빠르다는 특징

 

머신 러닝의 의의

ž   각자의 산업 분야에서 머신 러닝을 툴의 하나로 잘 활용하는 것이 중요. 잘 활용하면 그만큼 생산성 향상 가능.

ž   머신 러닝을 활용하는데 있어 현업의 Insight가 중요하게 작용. 똑 같은 데이터를 보더라도 해석의 여지가 달라짐.