딥러닝 기술의 과거와 미래

딥러닝 기술의 과거와 미래

참고로 저는 컴퓨터공학을 전공한 사람이 아닌, 비전공자임을 말씀드리겠습니다.
1. 딥러닝의 등장과 발전 인공지능은 1950년대부터 연구되었고, 1960년대 들어 딥러닝의 개념이 등장했습니다.

1.1 인공지능의 탄생과 발전 1950년대는 IBM의 왓슨(Watson)과 같은 범용 인공지능(General Artifical Intelligence, GAI)이 등장하기 전입니다.
범용 인공지능은 인간과 비슷한 행동을 할 수 있는 인공지능을 의미합니다.

1957년 미국 다트머스대와 캘리포니아대를 중심으로, 인공지능(Artificial Intelligence, AI)는 개념 정립과 연구가 진행됐고, 1960년대 들어 이 GAI를 중심으로 본격적인 기술 개발의 시대가 열립니다.
1.2 인공지능의 종류 범용 인공지능(General AI)은 컴퓨터로 구현할 수 있지만, 인간의 사고를 모방할 수 없는 인공지능을 의미합니다.

대표적으로 '튜링(Turing)'과 '튜링 테스트(Turing Test)'가 있습니다.
튜링은 체스의 챔피언을 이기는 기계를 만들고자 했습니다.

그러나 기계는 인간의 수준을 따라잡지 못했고, 결국 튜링은 컴퓨터를 이용한 최초의 게임인 '튜링 테스트'를 고안하게 됩니다.
튜링 테스트: A와 B라는 두 사람이 주어진 문제를 풀었을 때의 결과가 같은지를 살펴보는 테스트 인공지능은 1970년대 들어 다양한 영역에서 발달했고, 1980년대는 인공지능의 황금기(Golden Age)로 불립니다.

이 시기에 머신러닝(Machine Learning)이라는 용어가 사용되고, 신경망(Neural Networks)이 등장하기 시작합니다.

1.3 머신러닝의 개념 머신러닝은 인공지능(AI)의 한 분야로, 데이터를 통해 컴퓨터가 학습할 수 있도록 만드는 것입니다.
기계가 인간의 학습 원리를 모방함으로써 스스로 생각하는 것(Self-Organizing)을 가능케 합니다.

1.4 머신러닝의 발전 머신러닝은 1980년대부터 1990년대 초반, 데이터를 효과적으로 학습하는 기술들이 발달하게 됩니다.
'순환 신경망(Recurrent NeuralNetwork, LNN)'이 대표적입니다.

순환 신경망은 입력값에 따라 데이터를 학습하는 머신러닝 알고리즘입니다.
LNN은 입력값과 출력값이 항상 동일해야 합니다.

만약 입력값과 출력값이 서로 다를 경우, 입력값은 버려지고, 출력값만 활용됩니다.
그러나 학습을 한 번에 끝내는 것이 아닌, 여러 번 학습을 해야 학습이 가능합니다.

즉, LNN은 머신러닝의 한 종류입니다.
이를 이용하는 대표적인 알고리즘에는 '딥러닝'이 있습니다.

2. 딥러닝의 등장과 발전 기계가 스스로 학습하는 것을 딥러닝이라 부릅니다.

딥러닝을 실현하기 위해서는 여러 가지의 문제를 해결해야 합니다.
그 중 딥러닝을 구현하는데 가장 기본이 되는 것은 모델입니다.

모델은 데이터를 입력받아 데이터를 통해 컴퓨터가 학습할 수 있도록 만드는 것입니다.
2.1 딥러닝의 정의 딥러닝은 컴퓨터가 학습할 수 있도록, 데이터를 반복 학습하는 것을 뜻합니다.

즉, 학습을 통해 데이터를 스스로 학습하는 것입니다.
여기서 데이터는 우리가 학습한 모델이고, 여러 데이터 중에 학습하는 것은 주로 훈련셋(Training Set)이라 부릅니다.

2.2 딥러닝의 장점 딥러닝의 장점은 먼저 데이터 학습에 대한 오류를 수정할 수 있다는 것입니다.
또, 학습하지 않은 데이터에도 예측을 할 수 있습니다.

2.3 딥러닝의 단점 반면에, 단점은 데이터에 대한 학습 속도가 느리고, 계산량이 많다는 것입니다.
그래서 딥러닝은 보통 데이터를 이용한 학습이 아닌, 데이터를 입력으로 사용합니다.

즉, 딥러닝은 데이터에 대한 학습을 통해 데이터를 자신만의 것으로 만들 수 있습니다.

3. 머신러닝과 딥러닝의 차이점 머신러닝과 딥러닝은 같은 분야이지만, 인공지능을 실현하기 위해 접근하는 방법에 차이가 있습니다.
머신러닝은 데이터로부터 학습을 위한 모델을 만들고, 이를 이용해 다양한 상황에 적용합니다.

즉, 머신러닝은 수많은 데이터를 바탕으로 학습하는 형태를 말합니다.
반면에, 딥러닝은 수많은 데이터를 기반으로 학습하는 것이 아닌, 스스로 학습을 통해 데이터를 학습합니다.

즉, 머신러닝은 데이터로부터 학습하는 모델이고, 딥러닝은 스스로 학습하는 모델입니다.
3.1 머신러닝 vs 딥러닝 머신러닝과 딥러닝의 차이점은 데이터를 이용해 학습하는 방법에서 드러납니다.

과거에는 데이터를 분류하는 것에만 머신러닝을 이용하는 경우가 많았습니다.
머신러닝은 데이터를 분석해 데이터를 분류하는 형태를 취하고, 딥러닝은 학습할 데이터를 스스로 발견해 학습하는 형태를 취합니다.

따라서, '데이터를 분석하는 머신러닝이냐?
아니면 스스로 학습해 학습하는 딥러닝이냐?'의 차이가 있습니다.

3.2 머신러닝 vs 딥러닝 머신러닝과 딥러닝은 어떻게 구현하느냐에 따라 나뉘기도 하지만, 각각의 장단점이 다릅니다.

머신러닝의 장점은 학습 데이터가 많다면 많을수록 정확도가 향상된다는 것입니다.
즉, 머신러닝은 데이터를 분석해 데이터를 분류할 수 있습니다.

반면, 딥러닝의 장점은 사람이 아닌 컴퓨터가 학습하는 것입니다.
즉, 딥러닝은 스스로 학습해 인간이 학습한 것보다 높은 정확도를 가집니다.

반면에, 머신러닝의 단점은 데이터를 분석하는데 시간이 오래 걸릴 수 있습니다.
즉, 데이터가 많지 않을 경우 효율성이 떨어지기도 합니다.

4. 딥러닝의 미래 딥러닝은 이제 시작 단계입니다.
앞서 딥러닝의 정의에서 설명했듯이, 딥러닝은 데이터를 학습해 스스로 학습하는 형태를 의미합니다.

미래에는 머신러닝이 데이터의 양이 많아질수록 더 발전할 것입니다.
하지만, 머신러닝이 발전한다 해서 딥러닝이 되는 것은 아닙니다.