인공 지능의 주요 기술

1. 기계학습 

 기계 학습이란 경험적 데이터를 통해 컴퓨터 스스로 새로운 지식과 능력을 개발하는 기술을 의미 한다. 

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

 " 주어진 데이터로부터 일반화된 지식을 추출해 내는 것" 이 주요 목표이다.

 

주로 지도 학습, 비지도 학습, 강화 학습으로 구분한다.

 

지도 학습 : 입력 데이터에 올바른 출력값을 갖는 라벨을 붙여두고 그 데이터를 컴퓨터가 학습 하면서 입력과 출력에 대한 일반적인 규칙이나 모델을 만드는 것

 

비지도 학습 : 라벨을 붙이지 않은 데이터를 토대로 데이터의 고유한 특성을 파악하여 그룹으로 분류하는 방법이다. 

 

강화 학습 : 어느 환경에서 정의된 에이전트가 현재 상태를 인식하여 최선의 행동이나 행동 순서를 선택하는 방법이다. 

 

2. 신경망

 뇌의 뉴런과 비슷하게 인공 뉴런을 배치하고 네트워크로 연결하여 모델링한 것이다. 인공 신경망이라고도 하며, 다수의 상호 연결된 노드로 구성된 층으로 이루어진 논리 구조이다. 

출처: https://sdc-james.gitbook.io/onebook/4.-and/5.2./5.2.2.

입력 벡터가 자리 잡는 곳은 입력층 최종 출력 결정을 담당하는 곳은 출력층 나머지 단계들을 다 묶어서 은닉층이라고 한다.  층수가 높아질수록 더 추상화된 정보 표현이 가능하지만 구조 복잡성도 크게 증가하게 된다. 

현재는 인공 신경망의 발전으로 계량적 의사결정을 수행할 수 있지만, 비정형적 의사결정을 대신할 수는 없다.

 

3. 딥러닝 

 기존 다중 구조 인공신경망 학습의 문제점을 개선하여 데이터 추상화 능력을 획기적으로 향상시킨 기술이다. 여기서 추상화는 다량의 복잡한 데이터 속에서 핵심적인 내용 또는 기슨을 요약하는 작업을 의미한다. 

 

기존의 신경망 연구에서는 과적합 문제( 특정 학습 데이터에 과도하게 적합되서 응용 문제를 풀지 못하는 현상 )로 한계가 있었으나 딥러닝으로 인하여 극복하고 있다. 

딥러닝 도입으로 이미지 인시그 음성 인식 등의 분야에서 문제 해결 성능이 기존 알고지름에 비해 비약적으로 향상되고 있다. 

 

4. 퍼지논리 

인간의 언어나 사고가 가진 애매한 정도를 수학적으로 다루고자 하는 논리체계로서 부정확한 현실 세계를 표현하는데 효과적이다. 

즉 0과 1로 다룰 수 없는 영역을 고려하는 기술이다.

예를 들어 이쁘다, 키가 크다 등 주관적 표현에 대해 집합에 속한 0과 1이 아닌 0~1 사이의 값으로 표현하는 것으로 과학의 주관화라고 규정하기도 하며, 인간의 주관을 반영할 수 있는 것이 주요 특징이다. 

 

5. 서포트 벡터 머신 

 서로 다른 계층 자료들 간 간격을 최대화하는 선을 구하여 데이터 분류를 최적화하기 위한 알고리즘이다. 

SVM의 예시

지도학습 방법으로 분류의 정확성 측면에 있어 뛰어난 성능을 보이며, 선형 분류 및 비선형 분류 모두 가능하다.

 

6. 인지 컴퓨팅 

'3세대 컴퓨팅'으로 불리는 인지 컴퓨팅은 학습하고 추론하며, 인간과 자연스럽게 상호 작용하는 시스템을 의미한다.

인지 컴퓨팅은 인고지능과 거의 유사한 개념으로 사용된다. 

즉 데이터를 통한 인간과 현실 세계의 이해를 바탕으로 보다 인간 중심적인 문제를 해결할 수 있는 시스템을 구현한 것이다. 

인지 컴퓨팅은 의사결정이 요구되는 거의 모든 분야에서 빅 데이터에 대한 인간의 해석을 향상시키고, 전문 지식을 제공하여 의사결정에 도움을 줄 것으로 기대된다.