인공지능, 딥러닝, 머신러닝··· 인공지능에 관심이 있다면 한 번쯤 접해봤을 단어죠. 익숙하긴 한데, 정확히 어떤 개념인지 설명하기는 어려운 분들 있으실 거예요. 이번 글에서 인공지능, 딥러닝, 머신러닝에 대해 한 번에 정리해 드리겠습니다
목차
(1) 인공지능
(2) 머신러닝
(3) 딥러닝
(4) 인공지능의 발전
(1) 인공지능이란?
인간은 다른 생물체가 갖고 있지 않은 수준의 학습 능력, 추론 능력, 지각 능력 등을 갖고 있습니다. 예를 들어볼까요? 인간은 과수원에서 빨간색 사과를 마주했을 때, 그것이 사과라는 것을 압니다. 살아가면서 고작 몇십, 몇 백개의 사과밖에 경험하지 않았을 텐데 말이죠. 이렇게 인간만이 가지고 있는 능력을 모방하여 만들어진 것이 바로 인공지능입니다.
인공지능의 개념이 정확히 정해져 있지는 않지만, 보편적으로 인간의 지능을 컴퓨터 과학에 기반해서 모방하는 기술을 일컫죠. 운전을 학습시켜 자율주행 자동차를 만든다거나 사람의 얼굴을 학습시켜 핸드폰에 얼굴 인식 기능을 넣는 등 일상생활에서 인공지능은 다양하게 분포되어 있습니다.
머신러닝과 딥러닝은 인공지능에 포함되어 있는 개념입니다. 더 정확히 말하면, 인공지능 안에 머신러닝이 있고, 머신러닝 안에 딥러닝이라는 개념이 포함되어 있는 것이죠. 그렇다면 지금부터 머신러닝과 딥러닝의 개념에 대해 더 자세히 알아보도록 합시다.
(2) 머신러닝이란?
IT 저널 사이트 Wired에서는 머신러닝을 다음과 같이 정의했습니다.
“Machine Learning is using example data or experience to refine how computers make predictions or perform a task.” 머신러닝은 샘플 데이터나 경험을 사용해서 컴퓨터가 예측하거나 과제를 수행하는 방식을 개선하는 것이다.
위의 문장처럼 머신러닝은 컴퓨터가 많은 양의 데이터를 학습하여 새로운 데이터를 스스로 판단하는 것입니다. 머신러닝에서는 방대하고 정확한 데이터가 중요한 역할을 하는데요. 당연하게도, 인공지능이 학습한 데이터가 많으면 많을수록, 또 그것이 정확한 정보일수록 옳은 판단을 하기에 유리하겠죠.
머신러닝으로 학습하는 방식은 크게 3가지로 나뉩니다.
- 지도 학습
지도 학습은 데이터를 알려주고 학습하게 하는 방식인데요. 예를 들어, 여러 사과 이미지를 보여주고 이렇게 생긴 것들이 사과라는 것을 인지하게 하는 것이죠. 둥글다, 빨갛다 등의 사과의 특징이 잘 드러나는 이미지를 사용해야 합니다.
- 비지도 학습
비지도 학습은 지도 학습과 달리 답을 알려주지 않고 인공지능이 스스로 학습하게 하는 방식입니다. 예를 들어, 바나나와 사과 이미지를 보여준다면, 인공지능은 기준을 세워 그 이미지들의 공통점 차이점 등을 파악합니다. 길쭉하고 노란 것과 둥글고 빨간 것을 인식하고 분류하는 것이죠.
- 강화 학습
강화 학습은 정답에 가까워질수록 높은 보상을 주는 방식입니다. 인공지능은 높은 보상을 주는 방향으로 계속해서 데이터를 쌓아가고, 그 데이터는 정확해지는 것이죠.
(3) 딥러닝이란?
딥러닝은 머신러닝 중에서도 인공신경망을 사용하는 모델인데요. 정확히 말하자면, 인공신경망의 종류 중 하나입니다.
🧠 인공신경망이란? 인공신경망은 인간의 뉴런이 정보를 처리하는 방식을 본떠 만들어진 모델입니다. 사실 인공신경망 연구는 1940년대부터 시작되었는데요. 여러 한계로 인해, 빛을 보지 못하고 있었죠. 그러다 2000년대에 들어서서, 기존의 인공신경망 학습 방식을 뛰어넘을 수 있는 방법을 발견합니다. 그러한 방법을 가진 인공신경망을 바로 딥러닝이라 부르게 된 것입니다.
인간의 시냅스와 뉴런처럼, 인공신경망에는 파라미터와 노드가 있습니다. 파라미터는 가중치와 노드를 함께 일컫는 말로, 수많은 노드는 파라미터를 학습하며 파라미터, 즉 가중치와 편향을 결정하게 됩니다. 쉽게 말해, 어떤 일이 일어나기까지 중요한 정보에 비중을 더 두고, 그 일만 가지고 있는 특징(편향)을 더해주는 것이죠. 잘 학습된 인공신경망에 이미지를 입력한다면 어떤 일이 일어날까요? 예를 들어, 사과 이미지를 넣는다면, 사과 이미지에 맞는 가중치와 편향을 가진 노드를 찾아가면서 결국엔 ‘사과’라는 정답에 도달하게 됩니다.
노드는 입력층, 은닉층, 출력층으로 이루어져 있습니다. 입력된 값은 입력층에서 받고, 결과적으로 출력층에 도달하게 됩니다. 은닉층은 그 사이에 위치하는데요. 은닉층에서는 가중치와 편향을 반영해 값을 예측하게 됩니다. 통상적으로 입력층은 층의 개수에서 제외되기에, 아래 인공신경망은 3개의 층이 존재한다고 말할 수 있습니다. 인간이 사과를 마주한다면, 머릿속에 있는 데이터를 가지고 ‘이것은 사과다’라는 결론을 내듯이, 인공신경망도 수없이 학습된 인공신경망으로 사과라는 결론에 도달합니다.
초거대 AI? 발전하는 인공지능
딥러닝의 인공신경망에서 파라미터의 개수가 무수히 많아진 모델이 바로 초거대 AI인데요. 예컨대 네이버의 하이퍼클로바, 오픈AI의 챗지피티 등이 있습니다. 글로벌 기업들은 초거대 AI 사업에 심혈을 기울이고 있죠.
🤖 ChatGPT는 몇 개의 파라미터를 가지고 있을까? ChatGPT3.5는 1750억 개의 파라미터를 가지고 있다고 밝혀졌는데요. 오픈AI에서 정보를 공개하지는 않았지만, ChatGPT4는 최소 2,000억 개 이상의 파라미터를 사용하고 있으리라 예상됩니다.
지금도 초거대 AI는 일상생활에서 자주 사용되고, 사람들은 초거대 AI를 사용하는 것에 익숙해져 갑니다. 더 나아가 많은 기업은 초거대 AI로 마케팅 콘텐츠를 생산하고 있죠. 초거대 AI의 한계는 어디일지 예측할 수 없지만, 발전하는 인공지능을 받아들이고 효과적으로 사용할 수 있어야 합니다.
초거대 AI를 활용하여 기업의 생산성을 올리고 싶다면, 지금 바로 팀스파르타 기업교육과 함께해 보세요. 무궁무진한 성장의 토대가 되어드리겠습니다.
- 참고 자료
Share article
Subscribe to our newsletter