Unsplash
AI란, AI 발전과 역사
[밸류체인타임스=김시현 칼럼니스트] “기계가 인간처럼 스스로 생각할 수 있을까?” 인류는 오랜 과거부터 ‘인간처럼 생각하고 소통할 수 있는 기계’를 발명하고 싶어 했다. 인간은 학습, 추리, 적응, 논증 등 다양한 뇌 영역에서 지능을 가지고 있다. 70여 년 전부터 인간의 학습능력, 추론능력, 지각능력 등 인간의 지능을 모방하여 인공적으로 구현시키려는 시도는 계속되어왔다.
인공지능(AI)은 컴퓨팅 환경에 내장된 알고리즘을 생성하고 적용하여 학습, 창조, 이미지 인식 등 인간의 지능을 인공적으로 재현한다. 존스홉킨스 대학의 석좌교수이자 '지능' 전문가로 불리는 이대열 교수는 지능을 "다양한 환경에서 복잡한 문제를 해결하는 능력"이라고 정의한다. 즉, 인공지능은 '인간의 지능을 모방하여 문제를 푸는 기술'이며, 이를 '약한 인공지능'이라고 부른다. 더 나아가 '인간처럼 생각하며 감정과 의식을 갖고 창의성을 발휘'하는 기계를 ‘강한 인공지능’이라고 부른다.
오늘날 AI는 방대한 데이터를 분석하고 추론하여 인지 문제를 해결하고 행동할 수 있는 컴퓨터 공학 분야다. 사람의 지능을 흉내 내는 소프트웨어, 프로그램, 인공적인 장치를 모두 인공지능이라고 한다. 오늘날 AI는 테슬라의 자율주행 자동차부터 스마트 스피커, 넷플릭스 추천 시스템, 운송 로봇 등 다양한 분야에서 우리에게 편리함을 제공한다.
AI의 시작, ‘튜링 테스트(The Turing Test)’
AI의 시작은 1950년대로 거슬러 올라간다. 1950년, 컴퓨터 과학의 아버지로 불리는 영국의 수학자 앨런 튜링(Alan Turing)은 “기계가 인간처럼 생각할 수 있을까?”라는 기발한 궁금증을 갖고, 이를 테스트하고자 ‘튜링 테스트(The Turing Test)’를 고안했다.
튜링 테스트는 인간과 컴퓨터 프로그램의 의사소통이 가능한지 판별하는 테스트다. <계산기계와 지성>이라는 제목의 논문에서는 인간과 컴퓨터가 정해진 시간 동안 대화를 나눈 후, 컴퓨터의 반응과 인간의 반응을 구별할 수 없다면 해당 컴퓨터가 사고할 수 있는 것으로 간주했다. 이 논문에는 지능적 기계의 개발 가능성, 학습하는 기계 등에 대한 내용이 기술되어 있다.
인공지능에 대한 기술을 현실화시킨 기계가 바로 '튜링 머신'이다. 튜링 머신은 컴퓨터를 최초로 구현한 '존 폰 노이만' 교수에게 직, 간접적으로 영향을 주며, 현대 컴퓨터 구조의 표준이 되었고, 세간에서는 이를 인공지능 역사의 시작으로 본다. 앨런 튜링을 시작으로 인공지능의 개념이 파생되었지만, 인공지능이라는 용어가 처음 사용되며 세상에 알려진 것은 1956년 '다트머스 회의(Dartmouth Conference)'를 통해서다.
다트머스 회의로 부상한 ‘인공지능’
'다트머스 회의’는 다트머스 대학에서 개최된 학술회의로 인공지능에 대한 세계적인 관심을 불러일으켰다. ‘존 매카시(John McCarthy)’, ‘마빈 민스키(Marvin Lee Minsky)’, ‘앨런 뉴웰(Allen Newell)’, ‘허버트 사이먼(Herbert Alexander Simon)’ 교수 등 세계적인 과학자들이 모여 인공지능에 대해 토론하며 연구를 진행했다. ‘다트머스 회의’는 인공지능에 대한 국가의 막대한 투자로까지 이어졌다.
현재의 AI는 컴퓨터 공학, 데이터 분석 및 통계, 하드웨어와 소프트웨어의 엔지니어링, 신경과학, 철학, 심리학 등 여러 학문을 포괄하며 광범위하게 작용한다. 오늘날의 인공지능은 머신러닝, 특히 딥러닝 기술을 기반으로 한다. 머신러닝과 딥러닝은 AI의 하위 개념으로 ▲데이터 분석, ▲예측, ▲객체 분류, ▲자연어 처리, ▲추천 시스템, ▲지능형 데이터 수집 등을 수행하며, ‘비즈니스 의사 결정’의 기반이 되는 미래의 핵심 기술로 꼽힌다.
Unsplash
머신러닝(Machine Learning)
현재 머신러닝과 딥러닝은 자율 주행 자동차, 사이버 보안 관리, 디지털 제조 설계, 고객과의 소통 등 다양한 분야에서 이미 활발히 수행되고 있다. 1990년, 인터넷이 폭발적으로 성장함에 따라 방대한 데이터를 사용할 수 있게 되었다. 이에 ‘머신러닝(Machine Learning, 기계학습)’ 알고리즘이 등장하며 인공지능의 역사적 흐름이 뒤바뀌었다.
초기 AI는 인간이 주입한 지식과 규칙을 통해서만 학습할 수 있었던 반면, 머신러닝(기계학습)은 컴퓨터가 직접 수많은 데이터를 분석함으로써 규칙을 찾아 스스로 학습할 수 있게 되었다.
초기 AI '전문가 시스템'의 원리는 컴퓨터의 특정 분야에 한정하여 거대한 데이터베이스를 구축한 후 지식을 추출해서 문제를 해결하는 방식이었다. 그러나 시스템 내 입력된 지식(규칙)만을 활용할 수밖에 없다는 한계점이 존재했는데, 입력된 지식의 범위에서 조금만 벗어나도 엉뚱한 답을 내놓았다. 또한 스스로 학습할 수 없었기 때문에 시대가 변함에 따라 바뀌는 지식(규칙) 변화 또한 인간이 일일이 수정해야 하는 등 한계점이 많았다.
머신러닝의 등장으로 AI는 기존 '지식 기반 방법론'에서 '데이터 기반 방법론'으로 발전됐다. '전문가 시스템'이 지식을 데이터 형태로 저장하는 것이었다면, '기계학습'은 데이터로부터 새로운 지식을 끄집어내는 방식이다. 현재 머신러닝 기술은 우리의 일상 속에서 쉽게 접할 수 있다. 각 사람에게 좋아하는 영상이나 상품 등을 맞춤으로 제공해 주는 알고리즘은 머신러닝 기술을 바탕으로 학습한다.
머신러닝 3가지 학습 방법, ‘지도학습, ‘비지도학습’, ‘강화학습’
머신러닝의 학습 방법은 3가지로 컴퓨터가 스스로 규칙을 찾아 문제를 해결할 수 있도록 한다. 첫 번째 ‘지도학습(Supervised Learning)’은 컴퓨터에게 문제에 대한 답을 미리 학습시킴으로써 새롭게 들어온 데이터에 대한 결과를 예측하고자 하는 방법이다.
두 번째, ‘비지도학습(Unsupervised Learning)’은 지도학습과 달리 정답을 알려주지 않고 예측하는 방법으로 가공되지 않은 데이터들의 패턴이나 형태를 찾아 비슷한 데이터들끼리 군집화하여 예측하는 학습 방법이다.
세 번째, ‘강화학습(Reinforcement Learning)’은 어떤 환경 안에서 정의된 에이전트의 행동을 관찰하여 행동에 따른 보상을 주는 방식으로 에이전트의 행동이 최대화되도록 하는 학습 방법이다. 알파고가 강화학습의 대표적인 예라고 할 수 있다.
딥러닝(Deep Learning)
머신러닝 모델은 새로운 데이터를 학습시킬수록 특정 기능을 수행하는 데 점점 능숙해지지만, 여전히 인간의 개입을 필요로 했다. AI 알고리즘이 부정확한 예측을 반환할 경우 엔지니어가 개입하여 조정해야 했다. 하지만 딥러닝 모델은 알고리즘이 자체 ‘신경망’을 통해 예측 정확성 여부를 스스로 판단할 수 있어 인간의 도움이 필요 없다.
딥러닝은 인간의 뇌의 학습 원리를 모방하기 위해 인간의 뉴런을 본떠 인공신경망을 토대로 학습하고 데이터를 처리하는 기술이다. 딥러닝은 인공신경망이 여러 층으로 쌓여 인간처럼 사고하도록 반복 학습한다. 딥러닝은 일반적으로 인간의 지능이 필요한 작업을 자동화하는 데 사용된다. 그림, 텍스트, 사운드 등 기타 데이터의 복잡한 패턴을 인식하여 정확한 인사이트와 예측을 생성할 수 있다.
Unsplash
머신러닝 vs 딥러닝
딥러닝은 인공지능 분야 중 머신러닝의 하위 개념으로 둘 다 데이터를 기반으로 문제를 해결하고, 패턴을 학습하는 점에서 비슷하지만, ‘구조의 복잡성’에 대한 명확한 차이가 있다. 머신러닝은 설계된 모델에 의존하여 문제를 해결하는 반면, 딥러닝은 인공신경망을 기반으로 여러 겹의 은닉층을 통해 학습함으로 데이터의 추상적인 표현까지도 학습할 수 있다. 즉, 딥러닝은 다층 구조로 이루어져 있어 복잡한 패턴을 자동으로 학습하는 데 용이하다.
머신러닝과의 두 번째 차이점은 ‘규모’와 ‘성능’이다. 머신러닝은 상대적으로 간단한 구조와 적은 데이터셋과 계산 성능으로도 작동하지만, 딥러닝은 복잡한 심층 구조로 대규모 데이터셋과 높은 계산 성능을 필요로 한다.
딥러닝은 머신러닝의 학습법인 지도학습, 비지도학습, 강화학습 등 다양한 학습법을 적용시킬 수 있지만, 그중 지도학습에서 뛰어난 성능을 보이는데 대규모 데이터셋에서 높은 수준의 특성을 자동으로 추출하고 학습하여 예측할 수 있는 특성 때문이다.
AI는 1950년대 앨런 튜링의 질문에서 시작되어, 1956년 다트머스 회의를 통해 본격적으로 연구가 시작되었다. 튜링 테스트와 튜링 머신을 통해 인공지능의 기초가 마련되었으며, 이후 AI 연구는 전 세계적으로 확대되었다. 1990년대에는 인터넷의 급속한 성장과 함께 머신러닝 알고리즘이 등장하면서 AI 기술이 비약적으로 발전하였다.
특히, 딥러닝은 인간의 뇌 구조를 모방한 인공신경망을 통해 복잡한 패턴을 학습하고, 높은 수준의 데이터 분석 및 예측 능력을 갖추게 했다. 이는 자율 주행, 사이버 보안, 디지털 제조, 고객 서비스 등 다양한 분야에서 실질적인 성과를 내며 우리의 삶에 깊숙이 스며들고 있다. AI 기술의 진보는 인류의 삶과 산업 전반에 걸쳐 막대한 영향을 미치고 있다.
저작권자 © 밸류체인타임스 무단전재 및 재배포 금지
[밸류체인타임스 = 김시현 칼럼니스트]
AI란, AI 발전과 역사
[밸류체인타임스=김시현 칼럼니스트] “기계가 인간처럼 스스로 생각할 수 있을까?” 인류는 오랜 과거부터 ‘인간처럼 생각하고 소통할 수 있는 기계’를 발명하고 싶어 했다. 인간은 학습, 추리, 적응, 논증 등 다양한 뇌 영역에서 지능을 가지고 있다. 70여 년 전부터 인간의 학습능력, 추론능력, 지각능력 등 인간의 지능을 모방하여 인공적으로 구현시키려는 시도는 계속되어왔다.
인공지능(AI)은 컴퓨팅 환경에 내장된 알고리즘을 생성하고 적용하여 학습, 창조, 이미지 인식 등 인간의 지능을 인공적으로 재현한다. 존스홉킨스 대학의 석좌교수이자 '지능' 전문가로 불리는 이대열 교수는 지능을 "다양한 환경에서 복잡한 문제를 해결하는 능력"이라고 정의한다. 즉, 인공지능은 '인간의 지능을 모방하여 문제를 푸는 기술'이며, 이를 '약한 인공지능'이라고 부른다. 더 나아가 '인간처럼 생각하며 감정과 의식을 갖고 창의성을 발휘'하는 기계를 ‘강한 인공지능’이라고 부른다.
오늘날 AI는 방대한 데이터를 분석하고 추론하여 인지 문제를 해결하고 행동할 수 있는 컴퓨터 공학 분야다. 사람의 지능을 흉내 내는 소프트웨어, 프로그램, 인공적인 장치를 모두 인공지능이라고 한다. 오늘날 AI는 테슬라의 자율주행 자동차부터 스마트 스피커, 넷플릭스 추천 시스템, 운송 로봇 등 다양한 분야에서 우리에게 편리함을 제공한다.
AI의 시작, ‘튜링 테스트(The Turing Test)’
AI의 시작은 1950년대로 거슬러 올라간다. 1950년, 컴퓨터 과학의 아버지로 불리는 영국의 수학자 앨런 튜링(Alan Turing)은 “기계가 인간처럼 생각할 수 있을까?”라는 기발한 궁금증을 갖고, 이를 테스트하고자 ‘튜링 테스트(The Turing Test)’를 고안했다.
튜링 테스트는 인간과 컴퓨터 프로그램의 의사소통이 가능한지 판별하는 테스트다. <계산기계와 지성>이라는 제목의 논문에서는 인간과 컴퓨터가 정해진 시간 동안 대화를 나눈 후, 컴퓨터의 반응과 인간의 반응을 구별할 수 없다면 해당 컴퓨터가 사고할 수 있는 것으로 간주했다. 이 논문에는 지능적 기계의 개발 가능성, 학습하는 기계 등에 대한 내용이 기술되어 있다.
인공지능에 대한 기술을 현실화시킨 기계가 바로 '튜링 머신'이다. 튜링 머신은 컴퓨터를 최초로 구현한 '존 폰 노이만' 교수에게 직, 간접적으로 영향을 주며, 현대 컴퓨터 구조의 표준이 되었고, 세간에서는 이를 인공지능 역사의 시작으로 본다. 앨런 튜링을 시작으로 인공지능의 개념이 파생되었지만, 인공지능이라는 용어가 처음 사용되며 세상에 알려진 것은 1956년 '다트머스 회의(Dartmouth Conference)'를 통해서다.
다트머스 회의로 부상한 ‘인공지능’
'다트머스 회의’는 다트머스 대학에서 개최된 학술회의로 인공지능에 대한 세계적인 관심을 불러일으켰다. ‘존 매카시(John McCarthy)’, ‘마빈 민스키(Marvin Lee Minsky)’, ‘앨런 뉴웰(Allen Newell)’, ‘허버트 사이먼(Herbert Alexander Simon)’ 교수 등 세계적인 과학자들이 모여 인공지능에 대해 토론하며 연구를 진행했다. ‘다트머스 회의’는 인공지능에 대한 국가의 막대한 투자로까지 이어졌다.
현재의 AI는 컴퓨터 공학, 데이터 분석 및 통계, 하드웨어와 소프트웨어의 엔지니어링, 신경과학, 철학, 심리학 등 여러 학문을 포괄하며 광범위하게 작용한다. 오늘날의 인공지능은 머신러닝, 특히 딥러닝 기술을 기반으로 한다. 머신러닝과 딥러닝은 AI의 하위 개념으로 ▲데이터 분석, ▲예측, ▲객체 분류, ▲자연어 처리, ▲추천 시스템, ▲지능형 데이터 수집 등을 수행하며, ‘비즈니스 의사 결정’의 기반이 되는 미래의 핵심 기술로 꼽힌다.
머신러닝(Machine Learning)
현재 머신러닝과 딥러닝은 자율 주행 자동차, 사이버 보안 관리, 디지털 제조 설계, 고객과의 소통 등 다양한 분야에서 이미 활발히 수행되고 있다. 1990년, 인터넷이 폭발적으로 성장함에 따라 방대한 데이터를 사용할 수 있게 되었다. 이에 ‘머신러닝(Machine Learning, 기계학습)’ 알고리즘이 등장하며 인공지능의 역사적 흐름이 뒤바뀌었다.
초기 AI는 인간이 주입한 지식과 규칙을 통해서만 학습할 수 있었던 반면, 머신러닝(기계학습)은 컴퓨터가 직접 수많은 데이터를 분석함으로써 규칙을 찾아 스스로 학습할 수 있게 되었다.
초기 AI '전문가 시스템'의 원리는 컴퓨터의 특정 분야에 한정하여 거대한 데이터베이스를 구축한 후 지식을 추출해서 문제를 해결하는 방식이었다. 그러나 시스템 내 입력된 지식(규칙)만을 활용할 수밖에 없다는 한계점이 존재했는데, 입력된 지식의 범위에서 조금만 벗어나도 엉뚱한 답을 내놓았다. 또한 스스로 학습할 수 없었기 때문에 시대가 변함에 따라 바뀌는 지식(규칙) 변화 또한 인간이 일일이 수정해야 하는 등 한계점이 많았다.
머신러닝의 등장으로 AI는 기존 '지식 기반 방법론'에서 '데이터 기반 방법론'으로 발전됐다. '전문가 시스템'이 지식을 데이터 형태로 저장하는 것이었다면, '기계학습'은 데이터로부터 새로운 지식을 끄집어내는 방식이다. 현재 머신러닝 기술은 우리의 일상 속에서 쉽게 접할 수 있다. 각 사람에게 좋아하는 영상이나 상품 등을 맞춤으로 제공해 주는 알고리즘은 머신러닝 기술을 바탕으로 학습한다.
머신러닝 3가지 학습 방법, ‘지도학습, ‘비지도학습’, ‘강화학습’
머신러닝의 학습 방법은 3가지로 컴퓨터가 스스로 규칙을 찾아 문제를 해결할 수 있도록 한다. 첫 번째 ‘지도학습(Supervised Learning)’은 컴퓨터에게 문제에 대한 답을 미리 학습시킴으로써 새롭게 들어온 데이터에 대한 결과를 예측하고자 하는 방법이다.
두 번째, ‘비지도학습(Unsupervised Learning)’은 지도학습과 달리 정답을 알려주지 않고 예측하는 방법으로 가공되지 않은 데이터들의 패턴이나 형태를 찾아 비슷한 데이터들끼리 군집화하여 예측하는 학습 방법이다.
세 번째, ‘강화학습(Reinforcement Learning)’은 어떤 환경 안에서 정의된 에이전트의 행동을 관찰하여 행동에 따른 보상을 주는 방식으로 에이전트의 행동이 최대화되도록 하는 학습 방법이다. 알파고가 강화학습의 대표적인 예라고 할 수 있다.
딥러닝(Deep Learning)
머신러닝 모델은 새로운 데이터를 학습시킬수록 특정 기능을 수행하는 데 점점 능숙해지지만, 여전히 인간의 개입을 필요로 했다. AI 알고리즘이 부정확한 예측을 반환할 경우 엔지니어가 개입하여 조정해야 했다. 하지만 딥러닝 모델은 알고리즘이 자체 ‘신경망’을 통해 예측 정확성 여부를 스스로 판단할 수 있어 인간의 도움이 필요 없다.
딥러닝은 인간의 뇌의 학습 원리를 모방하기 위해 인간의 뉴런을 본떠 인공신경망을 토대로 학습하고 데이터를 처리하는 기술이다. 딥러닝은 인공신경망이 여러 층으로 쌓여 인간처럼 사고하도록 반복 학습한다. 딥러닝은 일반적으로 인간의 지능이 필요한 작업을 자동화하는 데 사용된다. 그림, 텍스트, 사운드 등 기타 데이터의 복잡한 패턴을 인식하여 정확한 인사이트와 예측을 생성할 수 있다.
머신러닝 vs 딥러닝
딥러닝은 인공지능 분야 중 머신러닝의 하위 개념으로 둘 다 데이터를 기반으로 문제를 해결하고, 패턴을 학습하는 점에서 비슷하지만, ‘구조의 복잡성’에 대한 명확한 차이가 있다. 머신러닝은 설계된 모델에 의존하여 문제를 해결하는 반면, 딥러닝은 인공신경망을 기반으로 여러 겹의 은닉층을 통해 학습함으로 데이터의 추상적인 표현까지도 학습할 수 있다. 즉, 딥러닝은 다층 구조로 이루어져 있어 복잡한 패턴을 자동으로 학습하는 데 용이하다.
머신러닝과의 두 번째 차이점은 ‘규모’와 ‘성능’이다. 머신러닝은 상대적으로 간단한 구조와 적은 데이터셋과 계산 성능으로도 작동하지만, 딥러닝은 복잡한 심층 구조로 대규모 데이터셋과 높은 계산 성능을 필요로 한다.
딥러닝은 머신러닝의 학습법인 지도학습, 비지도학습, 강화학습 등 다양한 학습법을 적용시킬 수 있지만, 그중 지도학습에서 뛰어난 성능을 보이는데 대규모 데이터셋에서 높은 수준의 특성을 자동으로 추출하고 학습하여 예측할 수 있는 특성 때문이다.
AI는 1950년대 앨런 튜링의 질문에서 시작되어, 1956년 다트머스 회의를 통해 본격적으로 연구가 시작되었다. 튜링 테스트와 튜링 머신을 통해 인공지능의 기초가 마련되었으며, 이후 AI 연구는 전 세계적으로 확대되었다. 1990년대에는 인터넷의 급속한 성장과 함께 머신러닝 알고리즘이 등장하면서 AI 기술이 비약적으로 발전하였다.
특히, 딥러닝은 인간의 뇌 구조를 모방한 인공신경망을 통해 복잡한 패턴을 학습하고, 높은 수준의 데이터 분석 및 예측 능력을 갖추게 했다. 이는 자율 주행, 사이버 보안, 디지털 제조, 고객 서비스 등 다양한 분야에서 실질적인 성과를 내며 우리의 삶에 깊숙이 스며들고 있다. AI 기술의 진보는 인류의 삶과 산업 전반에 걸쳐 막대한 영향을 미치고 있다.
저작권자 © 밸류체인타임스 무단전재 및 재배포 금지
[밸류체인타임스 = 김시현 칼럼니스트]