[AI 기초] I-1. 인공지능의 개념과 특성
모두의 인공지능 기초
인공지능이 이제 공교육 속으로 들어왔습니다. 정보 교과에 '인공지능 기초' 과목이 진로 과목으로 도입되었으며, 고등학교 학년 구분없이 언제든 배울 수 있도록 편성할 수 있습니다.
하지만 시대적 수요와 달리 인공지능 기초를 가르칠 선생님들은 턱없이 부족하죠. 사범대 컴퓨터 교육과의 예전 교육과정에서는 개설이 되지 않았던 내용이기에 생소한 내용들이 많기도 해요. 일부 학교에서는 인공지능 기초를 가르칠 선생님을 구하기 힘든 상황 때문에 학생들이 배우고 싶어도 배우지 못하는 경우도 있습니다.
앞으로 제가 수업 시간 가르치는 내용을 기반으로 (저희 학교 교과서인 길벗 외에 보조 자료로 씨마스를 주로 활용합니다.) 인공지능 기초 교과서의 내용과 제가 수업에서 다룬 내용들을 좀 소개해 드리려고 합니다.
I-1. 인공지능의 개념과 특성 (1)
첫 시간에는 인공지능의 개념이 무엇인지, 특성들은 무엇이 있는지를 살펴보는 것이 학습 목표입니다. 수업이 끝난 다음
- 인공지능이 뭘까?
- 인공지능은 어떤 것들이 있을까?
- 인공지능의 특성은 무엇일까?
를 다시 한 번 정리할 필요가 있겠죠!
제 친구가 운영하는 이효석 아카데미도 있고.. 생기부 쓸 때 계속 들었던, 예전 돌파고님이 추천해준 '코딩 노동요'도 보입니다. 태연은..*_* 저희 첫째가 정말 즐겨보는 '방과 후 설렘'의 영향이었던 것 같아요. ㅎㅎ 둘째가 좋아하는 농구 영상도 보입니다.
질문 : 유튜브는 어떻게 저 영상들을 저에게 추천을 할까요? 무엇이 작용하기 때문에 평소 조회하거나 잘 보던 것을 알 수 있을까요?
바로 '알고리즘' 때문이죠! 유튜브에서 우리가 조회하는 데이터들을 학습한 유튜브의 알고리즘, 정확하게는 인공지능 추천 서비스가 작동하기 때문입니다. 알고리즘이란 단어를 누구나 잘 알고 있지만 사실 이 용어는 수학과, 컴공과 같은 이과, 공대 학생들에게나 친숙한단어였거든요. 그런데 이제는 모두가 다 알고 있는.. 심지어 개그의 소재로도 활용됩니다.
이미지 출처 : 씨마스 교과서 '인공지능 기초'도대체 인공지능이란 무엇일까요? 수학의 여느 용어와 달리 인공지능은 모두가 인정하는 하나의 정의가 존재하지 않습니다. 위의 그림은 인공지능이란 용어를 만들었던 매카시부터 러셀까지 인공지능에 대한 학자들의 다양한 정의가 그려져습니다. 시대가 바뀌고 각자가 인공지능을 만드는 목적이 다르면 인공지능을 정의하는 것도 다르다는 것을 알 수 있죠. 각 시대에 기술력에 따라 인공지능을 이해하는 기준도 달라집니다.
1991년 나왔던 금성 OK 인공지능 세탁기 광고입니다. (...) 지금은 대부분의 세탁기에 기본적으로 구현되어있는 매우 평범한 기능인데 그 때는 저 기술이 '인공지능'으로 무장을 하고 나왔습니다.
교과서에서는 그래도 학생들이 인공지능을 이해할 수 있도록 나름의 정리를 해주고 있습니다. 인공지능이란 '인간의 지적 능력을 컴퓨터를 통해 구현하는 기술'을 의미합니다. 그 중에서 데이터를 기반으로 학습하여 문제를 해결하는 기술을 기계학습(=머신러닝), 여러 층의 깊은 인공신경망을 기반으로 하는 기계학습 기술을 딥러닝(=심층학습)이라고 합니다.
그런데.. 기계학습은 한자로.. 딥러닝은 굳이 영어로.. 차라리 머신러닝, 딥러닝으로 가거나 기계학습, 심층학습으로 가는게 어땠을지..;;
인공지능의 특징은 교과서마다 정리한 것이 다른데요.. 저는 길벗 출판사 교과서에 정리된 인공지능의 특성으로 수업을 하기 때문에 그 내용으로 정리를 했습니다.
먼저 '빅데이터'는 데이터의 중요성을 언급하기 위해 도입합니다. 그런데 '대규모의 데이터를 바탕으로 힉습을 한다.'라는 교과서의 표현이 좀 아쉽습니다...(좀 더 보완해서 '대규모의 다양한 데이터를 실시간으로 학습을 진행한다.'라고 쓰는게 좋았을 것 같습니다.) 데이터는 학습을 하는데 매우 중요하죠. 좋은 데이터가 들어가 좋은 데이터가 나오기 때문에 데이터 수집도 중요하고, 기계학습에 사용하기 적합하도록 데이터를 가공하는 '데이터 전처리'도 무척 중요합니다. 수학의 통계가 인공지능 시대에 무척 중요한 이유는 아직까지 데이터를 잘 정제하고 다듬어야 효율도 좋아지고 좋은 성능을 내는 기계학습을 만들 수 있기 때문입니다.
'인식'에서 보이는 그림은 사물을 인식하고 그 사물이 무엇인지를 모여주는 '컴퓨터 비전'의 예시입니다. 이 내용은 II-2. 컴퓨터 비전에서 다시 다루게 됩니다.
'학습'은 기계학습에서 가장 중요한 요소 중 하나입니다. 인공지능이 학습을 한다는게 처음 들을 띠는 매우 생소하고 어색할 수 있는데, 쉽게 설명하면 데이터에 잘 안 보이는 규칙이나 패턴, 특성 등을 인공지능이 스스로 찾아내는 과정을 의미합니다.
'다양한 데이터를 학습할수록 정확도가 높아진다.'는 표현은 좀 무리가 있습니다. 바르게 고친다면 '좋은 데이터를 많이 학습할수록 정확도가 높아진다.'라고 말하는게 맞을텐데.. GIGO (Garbage in Garbage Out)이니까요.
'추론'은 I-2장에서 등장하는 '전문가 시스템'에서 잘 다루는 내용입니다. 기존의 지식을 어떻게 표현할 것인가, 그 지식들을 기반으로 어떤 지식을 도출해내는 과정이 추론입니다. 따라서 여기서는 '데이터'가 아닌 '정보'라는 용어가 사용되었습니다.
'예측'은 인공지능의 결과물인 모델과 함께 등장합니다. 결국 인공지능을 사용하는 이유는 불확실한 미래를 예측해보기 위함이죠. 데이터를 분석하는 이유도 상황을 파악하고 좋은 해결책을 만들기 위해서입니다. 이 과정에서는 학습된 알고리즘을 기반으로 새로운 데이터를 분류하거나 예측해볼 수 있습니다.
실제 상황에서는 문제를 해결하는 과정이 다양할 수 있습니다. 학습과 예측을 통해 각각의 해결 방법이 어떤 결과를 도출하는지를 살펴보고 그 중 가장 좋은 결과를 선택하는 것이 '문제 해결'입니다. 인공지능 기초가 아닌 인공지는 수학에서 다루는 '최적화 기법'이 문제 해결에서 활용됩니다.
다음 글에서는 2차시 '인공지능이 적용된 소프트웨어는 어떻게 다를까?' 에 대해서 살펴볼께요~
