메뉴
큐브

딥 러닝이란?

사람들은 경험을 통해 배웁니다. 경험이 풍부할수록 더 많은 것을 배울 수 있습니다. 딥 러닝이라고 하는 인공 지능(AI) 분야에서도 AI 하드웨어와 소프트웨어로 구동되는 기계 또한 마찬가지라고 할 수 있습니다. 기계가 학습할 수 있는 경험은 획득하는 데이터에 따라 정의되며, 데이터의 양과 품질에 따라 기계가 학습할 수 있는 양이 결정됩니다.

딥 러닝은 머신 러닝의 한 분야입니다. 획득한 데이터의 양과 관계없이 학습할 수 있는 능력이 제한되어 있는 상당수의 기존 머신 러닝 알고리즘과 달리, 딥 러닝 시스템은 더 많은 데이터에 액세스하여 성능을 개선할 수 있습니다. 즉, 더 많은 경험을 할 수 있는 버전의 기계입니다. 기계는 딥 러닝을 통해 충분한 경험을 확보한 후 차량 운전, 밭의 잡초 탐지, 질병 감지, 결함 식별을 위한 기계 검사 등과 같은 특정 작업에 투입될 수 있습니다.

딥 러닝의 작동 방식

딥 러닝 네트워크는 경험하는 데이터에서 복잡한 구조를 찾아 학습합니다. 네트워크는 다중 처리 계층으로 구성된 컴퓨팅 모델을 구축하여 데이터를 나타내는 여러 수준의 추상화를 만들 수 있습니다.

예를 들어, 합성곱 신경망이라고 하는 딥 러닝 모델은 고양이가 있는 여러 이미지(수백만 가지)를 사용하여 학습할 수 있습니다. 이 유형의 신경망은 일반적으로 획득하는 이미지에 포함된 픽셀을 통해 학습합니다. 이미지에 고양이가 있음을 나타내는 발톱, 귀, 눈과 같은 여러 특징 그룹을 사용하여 고양이의 특징을 나타내는 픽셀 그룹을 분류할 수 있습니다.

딥 러닝은 기존의 머신 러닝과 근본적으로 다릅니다. 이 예시의 경우 분야의 전문가가 고양이를 나타내는 특징을 검출하도록 기존의 머신 러닝 시스템을 설계하는 데 상당한 시간을 들여야 합니다. 딥 러닝에서는 시스템에 상당한 양의 고양이 이미지를 제공하기만 하면 되며, 시스템은 고양이를 나타내는 특징을 자율적으로 학습할 수 있습니다.

딥 러닝 시스템의 성능은 컴퓨터 비전, 음성 인식(자연어 처리라고도 함), 기계 번역, 로봇 공학 같은 다양한 작업에서 기존 머신 러닝 시스템의 성능을 훨씬 뛰어넘습니다. 그렇다고 해서 기존의 머신 러닝 시스템에 비해 딥 러닝 시스템을 구축하는 것이 상대적으로 쉬운 것은 아닙니다. 딥 러닝은 특징을 자율적으로 인식하지만 딥 러닝 모델이 효과적으로 작동하려면 수천 개의 하이퍼파라미터(노브)를 조정해야 합니다.

딥 러닝이 중요한 이유

사람들은 유례없는 기회가 주어지는 시대에 살고 있으며, 딥 러닝 기술은 새로운 혁신을 이루는 데 도움이 될 수 있습니다. 딥 러닝은 태양계 외행성과 새로운 약물의 발견, 질병 및 아원자성 입자의 검출에 중요한 역할을 했습니다. 딥 러닝 기술은 유전체학, 단백질체학, 대사체학, 면역체학 등 생물학에 대한 본질적인 이해를 확장해 주었습니다.

사람들은 또한 끊임없는 과제에 직면하는 시대에 살고 있습니다. 기후 변화로 인해 식량 생산은 불안정해지고 있으며, 언젠가는 한정된 자원을 둘러싼 전쟁이 일어날 수도 있습니다. 2050년에는 인구가 90억 명에 달할 것으로 예상되면서 계속되는 인구 증가로 인해 환경 변화에 대한 당면 과제는 더욱 악화될 것입니다. 이러한 범위와 규모의 당면 과제를 해결하려면 딥 러닝을 통해 실현할 수 있는 새로운 수준의 인텔리전스가 필요합니다.

약 5억 4천만 년 전 캄브리아 폭발이 일어났을 때 동물에게는 시각이 경쟁적 우위로 떠올랐고 머지않아 시각은 진화의 주요 동력이 되었습니다. 시각적 정보를 처리하기 위한 생물학적 신경망의 진화와 더불어, 동물은 시각을 통해 주변 지리를 파악했고 외부 환경에 대한 높은 이해도를 얻을 수 있었습니다.

오늘날에는 인공적으로 재현한 눈에 해당하는 카메라와 그 눈으로 획득한 시각적 정보를 처리하는 신경망을 결합하여 데이터 중심 AI 애플리케이션이 폭발적으로 증가하고 있습니다. 시각이 지구의 생명체가 진화할 때 중요한 역할을 했던 것처럼 딥 러닝과 신경망으로 로봇의 기능이 향상될 것입니다. 로봇은 점차 주변 환경을 이해하고 자율적인 결정을 내려 사람과 협업하고 로봇을 통해 사람의 역량을 강화할 수 있게 될 것입니다.

딥 러닝 사용 사례 예시

로봇 공학

AI와 딥 러닝 기술의 혁신에 힘입어 최근 로봇 공학 분야는 많은 발전을 이루었습니다. 예를 들어, AI를 통해 로봇이 주변 환경을 감지하고 환경에 대응할 수 있게 되었습니다. 이 기능을 통해 창고 내 경로 탐색부터 높이가 서로 다르거나 깨지기 쉽고 뒤섞인 물품을 분류하고 처리하는 등 수행할 수 있는 기능의 범위가 넓어졌습니다. 딸기를 따는 것과 같은 간단한 작업은 사람에게는 쉬운 일이지만 로봇이 수행하기에는 매우 어려운 일입니다. AI가 발전하면서 로봇의 기능은 향상될 것입니다.

AI 기술이 발전하면 미래의 로봇으로 사람을 보조할 수 있는 일이 점차 많아질 것이라고 예상할 수 있습니다. 오늘날 일부 분야에서는 AI를 질문을 이해하고 답변하는 데 사용하지만, 이뿐만이 아닙니다. 음성 명령 및 제스처를 인식하여 행동할 수도 있으며, 작업자의 다음 행동도 예상할 수 있습니다. 오늘날 협업 로봇은 이미 사람과 함께 업무를 처리하며, 사람과 로봇은 각자 잘할 수 있는 가장 적합한 분야에 맞춰 작업을 개별적으로 수행하고 있습니다.

농업

AI는 농업 분야를 혁신할 수 있는 잠재력을 지니고 있습니다. 오늘날 농부는 딥 러닝을 통해 농작물과 잡초를 보고 구별하는 장비를 배포할 수 있습니다. 이 기능을 통해 제초기는 잡초에만 제초제를 선택적으로 살포하여 다른 작물에는 영향을 끼치지 않을 수 있습니다. 딥 러닝 기반의 컴퓨터 비전을 사용하는 농기계는 제초제, 비료, 살균제, 살충제 및 생물학적 제제를 선택적으로 살포하여 밭에 있는 작물별로 최적화할 수도 있습니다. 딥 러닝은 제초제 사용을 줄이고 농작물 생산량을 개선하는 것 외에도 비료 살포, 관개, 수확 등의 다른 농작업에 더욱 폭넓게 활용할 수 있습니다.

의료 영상 및 건강 관리

딥 러닝은 고품질 데이터의 가용성과 이미지를 분류하는 합성곱 신경망의 능력을 갖췄기 때문에 의료 영상 분야에서 특히 효과적으로 사용되고 있습니다. 예를 들어, 피부암을 분류하는 경우 딥 러닝이 피부과 전문의만큼 효과적일 수 있습니다. 이미 여러 공급업체에서는 종양학 및 망막 질환 이미지 분석을 비롯한 진단 목적의 딥 러닝 알고리즘에 대해 FDA 승인을 받았습니다. 또한, 딥 러닝은 전자 건강 기록 데이터에서 의학적 증례를 예측하여 의료 서비스 품질을 높이는 데 큰 역할을 하고 있습니다.

딥 러닝의 미래

오늘날 특정 유형의 입력과 작업에 최적화된 신경망 아키텍처가 다양하게 존재합니다. 합성곱 신경망은 이미지를 분류하는 데 매우 유용합니다. 또 다른 형태의 딥 러닝 아키텍처에서는 순환 신경망을 사용하여 순차 데이터를 처리합니다. 합성곱 신경망 및 순환 신경망 모델은 지도 학습이라고 하는 것을 수행하며, 모델의 학습을 위해 대량의 데이터를 제공해야 합니다. 앞으로는 비지도 학습이 더 정교한 AI 유형에 사용될 것입니다. 비지도 학습과 준지도 학습을 중심으로 상당량의 연구가 진행 중입니다.

강화 학습은 딥 러닝의 인식 체계와 약간의 차이가 있으며, 시뮬레이션된 환경에서 시행착오를 통한 보상과 처벌로만 학습합니다. 딥 러닝을 이 분야로 확장한 것을 심층 강화 학습(DRL)이라고 합니다. 바둑은 옛날부터 많은 사람들이 즐겼던 게임이지만, DRL 프로그램이 사람을 상대로 승리하는 등 심층 강화 학습 분야는 크게 발전했습니다.

문제를 해결하기 위해 신경망 아키텍처를 설계하는 것은 매우 어려운 일이며, 조정할 하이퍼파라미터가 많고 최적화하기 위해 타협하면서 사용하지 못하게 되는 기능이 많아 설계하기 더욱 복잡해졌습니다. 신경망 아키텍처의 우수한 자율 학습을 위해 많은 연구 활동이 이루어졌습니다. 메타학습이나 AutoML이라고 하는 학습을 위한 학습 분야는 꾸준히 발전하고 있습니다.

현재의 인공 신경망은 사람의 뇌에서 정보를 처리하는 방식에 대해 1950년대에 연구된 내용을 바탕으로 합니다. 이후 신경과학은 상당한 발전을 이루었고 딥 러닝 아키텍처는 매우 정교해져서 생물의 신경 두뇌에서 탐색할 때 사용하는 격자 세포와 같은 구조를 나타내는 것처럼 보입니다. 신경과학과 딥 러닝은 서로 아이디어를 차용하여 상호 이익을 얻을 수 있으며, 두 분야는 어느 시점에 병합되기 시작할 가능성이 높습니다.

사람은 더 이상 기계식 컴퓨터를 사용하지 않으며, 언젠가는 디지털 컴퓨터도 사용하지 않게 될 것입니다. 그때는 차세대 양자 컴퓨터를 사용할 것입니다. 최근 몇 년 동안 양자 컴퓨팅 분야에서 여러 획기적인 발전을 이루었고, 학습 알고리즘은 양자 컴퓨터가 제공하는 엄청난 양의 컴퓨팅을 활용하여 발전할 수 있을 것이 분명합니다. 또한 확률 양자 컴퓨터의 결과물을 이해하기 위해 학습 알고리즘을 사용할 수도 있습니다. 양자 머신 러닝은 머신 러닝 중 매우 활발히 연구되는 한 분야이며, 2018년에 양자 머신 러닝 국제 컨퍼런스가 최초로 개최되면서 좋은 시작을 보였습니다.

계속 읽기

Drift chat loading