딥 러닝은 머신 러닝의 한 분야로, 다중 처리 계층으로 구성된 신경망을 사용해 데이터에서 복잡한 구조를 자율적으로 학습하는 기술입니다. 사람이 특징을 직접 설계할 필요 없이, 데이터가 많아질수록 성능이 향상됩니다.
사람들은 경험을 통해 배우며, 경험이 풍부할수록 더 많은 것을 배울 수 있습니다. 인공 지능(AI) 분야에서도 AI 하드웨어와 소프트웨어로 구동되는 기계에 같은 원리가 적용됩니다.
기계가 학습할 수 있는 경험은 획득하는 데이터로 정의되며, 데이터의 양과 품질이 학습량을 결정합니다. 딥 러닝은 머신 러닝의 한 분야이지만, 획득 데이터가 늘어도 학습 능력이 제한되는 상당수의 기존 알고리즘과 달리 더 많은 데이터로 성능을 개선합니다.
딥 러닝 네트워크는 경험하는 데이터에서 복잡한 구조를 찾아 학습합니다. 다중 처리 계층으로 구성된 컴퓨팅 모델을 구축해 데이터를 나타내는 여러 수준의 추상화를 만듭니다.
합성곱 신경망(CNN)이라고 하는 딥 러닝 모델은 고양이가 있는 수백만 장의 이미지로 학습할 수 있습니다. 이 신경망은 이미지의 픽셀을 통해 학습하며, 발톱, 귀, 눈과 같은 특징 그룹을 나타내는 픽셀 묶음을 분류해 고양이의 존재를 판별합니다.
딥 러닝은 기존 머신 러닝과 근본적으로 다릅니다. 기존 방식에서는 분야 전문가가 고양이를 나타내는 특징을 검출하도록 시스템을 설계하는 데 상당한 시간을 들여야 합니다. 딥 러닝에서는 대량의 고양이 이미지를 제공하기만 하면 시스템이 특징을 자율적으로 학습합니다.
딥 러닝 시스템은 컴퓨터 비전, 음성 인식과 자연어 처리(NLP), 기계 번역, 로봇 공학 등 다양한 작업에서 기존 시스템의 성능을 크게 앞섭니다. 다만 특징을 자율 인식하더라도 모델이 효과적으로 작동하려면 수천 개의 하이퍼파라미터(hyperparameter)를 조정해야 합니다.
딥 러닝은 머신 러닝의 하위 분야이지만, 특징을 학습하는 방식과 데이터 확장성에서 뚜렷이 구분됩니다.
| 기준 | 기존 머신 러닝 | 딥 러닝 |
|---|---|---|
| 특징 설계 | 사람이 직접 설계 | 시스템이 자율 학습 |
| 데이터 확장성 | 데이터가 늘어도 학습 능력이 제한됨 | 데이터가 늘수록 성능 향상 |
| 필요 데이터 양 | 상대적으로 적음 | 매우 많음 |
| 대표 작업 | 정형 데이터 분류, 예측 | 이미지·음성·언어 처리 |
| 구축 난이도 | 특징 공학에 시간 소요 | 하이퍼파라미터 조정에 시간 소요 |
딥 러닝에는 입력 유형과 작업에 따라 최적화된 여러 신경망 아키텍처가 있습니다. 대표적인 아키텍처는 다음과 같습니다.
딥 러닝은 새로운 발견을 이루는 데 핵심 역할을 합니다. 태양계 외행성과 신약의 발견, 질병과 아원자성 입자의 검출에 기여했으며, 유전체학, 단백질체학, 대사체학, 면역체학 등 생물학에 대한 이해를 확장했습니다.
사람들은 끊임없는 과제에 직면하는 시대에 살고 있습니다. 기후 변화는 식량 생산을 불안정하게 만들며, 2050년에 90억 명에 이를 것으로 예상되는 인구 증가는 환경 변화 과제를 더욱 심화시킵니다. 이러한 규모의 과제를 해결하려면 딥 러닝이 실현하는 새로운 수준의 인텔리전스가 필요합니다.
약 5억 4천만 년 전 캄브리아 폭발 당시 시각은 동물의 경쟁적 우위로 떠올랐고 진화의 주요 동력이 되었습니다. 시각적 정보를 처리하는 생물학적 신경망의 진화와 함께, 시각은 동물에게 주변 지리와 외부 환경에 대한 높은 이해를 제공했습니다.
카메라라는 인공적인 눈과 그 정보를 처리하는 신경망의 결합은 오늘날 데이터 중심 AI 애플리케이션의 폭발적 증가를 이끌고 있습니다. 딥 러닝과 신경망은 로봇이 주변 환경을 이해하고 자율적으로 결정하며 사람과 협업하는 능력을 향상시킵니다.
딥 러닝은 로봇 공학, 농업, 의료 영상을 비롯한 여러 산업에서 실제로 적용되고 있습니다. 각 분야의 대표 사례는 다음과 같습니다.
로봇 공학은 AI와 딥 러닝의 발전에 힘입어 크게 진화했습니다. AI를 통해 로봇은 주변 환경을 감지하고 대응할 수 있으며, 창고 내 경로 탐색부터 높이가 다르거나 깨지기 쉽고 뒤섞인 물품의 분류·처리까지 수행 범위가 넓어졌습니다.
딸기를 따는 것처럼 사람에게는 쉬운 작업도 로봇에게는 매우 어려웠지만, AI가 발전하면서 이러한 기능이 개선되고 있습니다. 오늘날 협업 로봇은 이미 사람과 함께 일하며, 음성 명령과 제스처를 인식하고 작업자의 다음 행동을 예상하기도 합니다.
농업에서 딥 러닝은 농작물과 잡초를 보고 구별하는 장비를 가능하게 합니다. 제초기는 잡초에만 제초제를 선택적으로 살포해 다른 작물에는 영향을 주지 않습니다.
딥 러닝 기반 컴퓨터 비전을 사용하는 농기계는 제초제, 비료, 살균제, 살충제, 생물학적 제제를 작물별로 최적화해 살포할 수 있습니다. 딥 러닝은 제초제 사용을 줄이고 생산량을 높이는 것 외에도 비료 살포, 관개, 수확 등 다양한 농작업에 확장됩니다.
의료 영상에서 딥 러닝은 고품질 데이터의 가용성과 이미지를 분류하는 합성곱 신경망(CNN)의 능력 덕분에 특히 효과적입니다. 예를 들어 피부암 분류에서 딥 러닝은 피부과 전문의만큼 효과적일 수 있습니다.
이미 여러 공급업체가 종양학 및 망막 질환 이미지 분석을 포함한 진단 목적의 딥 러닝 알고리즘에 대해 FDA 승인을 받았습니다. 딥 러닝은 전자 건강 기록 데이터에서 의학적 증례를 예측해 의료 서비스 품질을 높이는 데도 기여합니다.
딥 러닝에는 입력과 작업에 최적화된 여러 아키텍처가 있습니다. 합성곱 신경망(CNN)은 이미지 분류에, 순환 신경망(RNN)은 순차 데이터 처리에 사용되며, 두 모델 모두 대량의 데이터가 필요한 지도 학습을 수행합니다. 비지도 학습(unsupervised learning)과 준지도 학습(semi-supervised learning)은 더 정교한 AI를 위한 활발한 연구 분야입니다.
강화 학습은 시뮬레이션 환경에서 보상과 처벌만으로 학습하는 방식이며, 이를 딥 러닝으로 확장한 것을 심층 강화 학습(DRL)이라고 합니다. DRL 프로그램이 바둑에서 사람을 상대로 승리하는 등 이 분야는 크게 발전했습니다.
신경망 아키텍처를 설계하는 일은 조정할 하이퍼파라미터가 많아 매우 복잡합니다. 우수한 아키텍처를 자율적으로 학습하려는 연구가 이어지고 있으며, 메타학습 또는 AutoML이라고 하는 분야가 꾸준히 발전하고 있습니다.
현재의 인공 신경망은 1950년대의 뇌 정보 처리 연구에 기반합니다. 이후 신경과학이 발전하면서 딥 러닝 아키텍처는 생물의 뇌에서 탐색에 쓰이는 격자 세포와 유사한 구조를 나타낼 만큼 정교해졌습니다. 신경과학과 딥 러닝은 서로 아이디어를 주고받으며 발전하고 있습니다.
딥 러닝의 강점과 제약을 함께 이해하면 어떤 문제에 적합한지 판단할 수 있습니다. 주요 장점과 한계는 다음과 같습니다.
딥 러닝을 실제로 운영하려면 데이터, 컴퓨팅, 인프라가 함께 준비되어야 합니다. 기계가 학습하는 양은 데이터의 양과 품질로 결정되므로, 대량의 정제된 데이터에 대한 접근이 첫 번째 전제 조건입니다.
딥 러닝 모델 학습은 대규모 연산을 필요로 하며, 이를 위해 GPU와 같은 고성능 컴퓨팅 하드웨어가 사용됩니다. 데이터 수집, 저장, 학습 파이프라인이 원활히 연결되어야 프로젝트가 파일럿에서 프로덕션으로 나아갈 수 있습니다.
NetApp AI 솔루션은 이러한 데이터 인프라의 장애물을 제거해 더 효율적인 데이터 수집과 더 빠른 AI 워크로드를 지원합니다. 이는 딥 러닝 프로젝트가 필요로 하는 데이터 접근성과 확장성을 뒷받침합니다.
딥 러닝은 머신 러닝의 한 분야입니다. 기존 머신 러닝은 사람이 특징을 직접 설계해야 하지만, 딥 러닝은 대량의 데이터에서 특징을 자율적으로 학습하며 데이터가 많아질수록 성능이 향상됩니다.
딥 러닝은 다중 처리 계층으로 데이터의 여러 추상화 수준을 학습합니다. 충분한 데이터가 주어지면 사람이 정의한 특징에 의존하는 기존 머신 러닝보다 복잡한 패턴을 더 정확하게 인식합니다.
딥 러닝의 주요 장점은 특징을 자율적으로 학습하고 데이터가 늘어날수록 성능이 개선된다는 점입니다. 컴퓨터 비전, 음성 인식, 기계 번역에서 높은 정확도를 보입니다.
딥 러닝은 대량의 고품질 데이터와 상당한 컴퓨팅 자원을 필요로 합니다. 또한 수천 개의 하이퍼파라미터를 조정해야 하므로 효과적인 모델을 구축하기가 어렵습니다.
딥 러닝은 로봇 공학의 환경 인식, 농업의 잡초 탐지와 선택적 살포, 의료 영상의 피부암 및 망막 질환 분류 등에 적용됩니다.
합성곱 신경망(CNN)은 이미지 분류에, 순환 신경망(RNN)은 순차 데이터 처리에 쓰입니다. 심층 강화 학습(DRL)은 시행착오를 통한 보상 기반 학습에 사용됩니다.
AI 인프라의 장애물을 제거하여 더 효율적인 데이터 수집, 더 빠른 AI 워크로드 및 더 원활한 클라우드 통합을 지원하십시오.