머신러닝? 딥러닝?
AI, ML, DL
알파고의 등장 이후로 AI 기술은 빠르게 성장하고 있습니다. 인공지능, 머신러닝, 딥러닝 이 세 단어는
IT 분야에서 빠짐없이 등장하는 기술 명칭들인데요. 기사를 읽다보면 이 세 개는 같은 개념인지 각기 다르다면 무슨 차이가 있는지 헷갈리는 경우가 종종 있습니다.
이 세 개념 간에는 어떤 차이가 있는지 한번 정리해볼까요?
인공지능이란?
인간의 지능을 기계로 구현한 것
인공지능은 인간의 감각과 사고력을 가지고 인간처럼 생각하고 판단할 수 있도록 만든 기계를 뜻합니다. 즉, 인공지능에 대한 정의는 사람이 수행하는 지능적인 작업을 자동화하기 위한 연구 활동 전체를 뜻합니다.
이미지 분류 서비스나 얼굴 인식 기능 등과 같이 특정 작업을 인간 이상의 능력으로 해낼 수 있는 기술들은 모두 해당됩니다. 이처럼 인공지능은 머신러닝과 딥러닝을 포괄하는 개념입니다.
머신러닝이란?
인공 지능을 구현하는 구체적인 접근 방식
인공지능의 하위 집합 개념인 머신러닝은 컴퓨터가 스스로 학습하여 정답을 예측하는 인공지능의 한 분야입니다. 머신러닝은 제공된 데이터를 통하여 스스로 학습하고 학습에 의한 판단을 내릴 수 있습니다. 머신러닝은 기본적으로 알고리즘을 이용해 데이터를 분석하고 분석을 통해 학습하며 학습한 내용을 기반으로 판단이나 예측을 합니다. 즉, 머신러닝은 인공지능을 달성하기 위한 구체적인 방법 중 하나로 볼 수 있습니다. 궁극적으로 의사결정 기준에 대한 구체적인 Input과 Ouput, Logic을 소프트웨어에 미리 정의하고 개발하여 넣는 것이 아닌, 대량의 데이터와 알고리즘을 통해 컴퓨터 자체를 학습시켜 작업 수행 방법을 익히는 것을 목표로 합니다.
딥러닝이란?
완전한 머신 러닝을 실현하는 기술
딥러닝은 인공신경망에서 발전한 형태의 인공지능으로, 인간의 신경망 원리를 모방하여 고안된 머신러닝 방법의 일종입니다. 인공 신경망의 기본 아이디어는 트레이닝 세트(training set)라고 불리는 수많은 데이터들을 공급해서, 뇌의 뉴런과 유사한 정보의 입출력 계층을 활용해 데이터를 학습시키는 것입니다.
딥러닝은 많은 양의 연산을 필요로 하여 병렬 연산에 최적화된 GPU의 등장과 함께 진정한 딥러닝 기반 인공 지능의 등장을 불러왔습니다.
결론적으로 딥러닝은 머신러닝의 한 분야이자 데이터 수집과 분석을 기반으로 인간의 두뇌를 본떠서 모델링 하는 데 초점을 맞추고 있습니다. 여기서 머신러닝과 딥러닝의 가장 큰 차이점은 딥러닝은 분류에 사용할 데이터를 ‘스스로’ 학습할 수 있는 반면 머신 러닝은 학습 데이터를 수동으로 제공해야 한다는 점입니다.
AI(인공지능) > 머신러닝 > 딥러닝
결론은 세 개념의 관계는 위와 같습니다. 인공지능은 머신러닝과 딥러닝을 포괄하는 개념입니다. 딥러닝의 등장으로 인해 머신러닝은 강화되었고 인공지능의 영역은 확장되었습니다.
머신러닝 및 딥러닝과 기존 프로그램의 알고리즘의 구동 방식의 차이를 비교해볼까요?
Symbolic AI vs Machine Learning
머신러닝은 프로그래머가 하나하나 규칙을 설정하여 심어놓지 않고 컴퓨터 스스로 데이터를 보고 규칙을 자동으로 학습할 수 없을까?라는 질문에서부터 시작되었습니다.
기존의 알고리즘은 데이터가 주어졌을 때, 컴퓨터에게 문제를 푸는 방법을 가르칩니다. 컴퓨터는 주어진 방식을 통해 해답을 도출하고 이 방식을 Symbolic AI라고 부릅니다. 이에 반해 머신러닝 방법은 데이터와 이에 맞는 해답이 이미 주어지고 각각의 데이터들 간의 규칙성을 도출합니다. 이러한 규칙성을 찾는 과정을 학습 Training이라고 부릅니다.
딥러닝 역시 머신러닝 방법론 중 하나이므로 동일한 방법을 이용합니다. 초기의 Symbolic AI는 스스로 지능을 발현해냈다기보다는 정의된 수많은 양의 규칙을 통해 컴퓨터가 전문가의 선택을 모방하는 것에 가까웠습니다. 머신러닝은 Symbolic AI 에 대한 대안으로 등장한 개념입니다.
일례로 우리가 고양이를 판별한다고 할 때 머신러닝은 Symbolic AI처럼 입력과 규칙을 통하여 최종적으로 ‘고양이’를 도출되도록 만드는 것이 아니라, 수많은 데이터을 입력하여 머신러닝이 ‘고양이’를 배우게 만드는 방식인 것입니다. 쉽게 말해 규칙을 도출해 내고 이렇게 도출된 규칙을 머신러닝이 또 습득하여 머신러닝은 더 견고해지게 되면서 예측 정확도를 훨씬 더 높일 수 있는 것이지요.
