포스팅 목차
AI가 발전하게 되면서 우리는 인공지능 스피커, 알파고 등 새로운 기술력에 신선한 충격을 받기도 했습니다. 이제는 이러한 기술을 통하여 미래에는 얼마나 더 뛰어난 기술력이 펼쳐질지 기대가 되기도 합니다. 챗GPT가 이슈 되면서 많은 분들이 인공지능이나 머신러닝에 대해 궁금해하실 것 같습니다. 지금부터 머신러닝 뜻을 한 번 살펴보도록 하겠습니다.
우리는 이 세상에 태어나고 살아가면서 계속해서 학습을 하게 됩니다. 걷기도 하고 뛰기도 하며 말을 배우고 도구를 사용하는 법들을 배웁니다. 지속적으로 지식을 쌓아가며 여러 기술들을 배우기도 합니다. 이러한 과정을 겪으면서 인류는 계속해서 발전해오고 있는 중입니다.
컴퓨터의 경우 인간처럼 생각을 하는 것이 아니라 개발자가 프로그래밍 한 내용을 반복적으로 작업을 하게 됩니다. 그런데 이러한 기계적인 반복작업을 인간처럼 배우도록 만든다는 것이 바로 머신러닝입니다. 컴퓨터가 빅데이터 속에서 특정한 규칙들을 찾아내도록 만드는 것으로 기계학습이라 부르고 있습니다.
머신 러닝의 알고리즘
머신러닝은 컴퓨터가 데이터로부터 학습을 하고 시간이 지나면서 성능을 향상할 수 있는 알고리즘과 통계 모델의 생성을 다루는 인공지능의 하위분야라고 할 수 있습니다. 경험을 하며 배우고 새로운 입력에 적응을 하며 프로그래밍되지 않고 작업을 수행할 수 있는 컴퓨터 시스템을 만드는데 이용됩니다.
기계학습의 알고리즘은 크게 세 가지로 구분을 할 수 있습니다. 첫 번째로 지도 학습입니다. 입력한 데이터가 출력 레이블과 연결되는 레이블이 지정된 데이터 세트에서 훈련을 하는 방식입니다. 지도 학습의 목표는 입력한 데이터를 출력한 레이블에 정확히 맵핑할 수 있는 함수를 구현하는 것입니다. 이미지 분류나 감정 분석, 스팸 감지 등이 이에 해당됩니다. 다음은 비지도 학습입니다. 입력 데이터에 연결된 출력 레이블이 없는 레이블이 지정되지 않은 데이터 세트에서 훈련을 하는 방식입니다. 오픈형 학습이라는 것을 의미하며 비지도 학습의 목표는 클러스터링 및 차원 감소와 같은 수집한 데이터의 패턴과 구조를 발견하는 것입니다. 이상 감지나 고객 세분화, 데이터 시각화를 예로 들 수 있습니다. 세 번째는 강화 학습입니다. 환경과 상호 작용하고 보상이나 벌칙의 형태로 피드백을 받아 학습하는 방법입니다. 이는 인간의 학습 모델을 많이 모방하고 있는 방식입니다. 시간이 지남에 따라서 누적 보상을 최대화하는 알고리즘을 학습하는 것을 목표로 하고 있습니다. 로봇 공학이나 자율 주행 등이 있습니다.
머신 러닝의 사용 분야
머신러닝은 자연어 처리나 컴퓨터 비전, 음성 인식 등 여러 분야에서 사용이 되고 있습니다. 다른 방식에 비하여 기본적이며 저차원적인 알고리즘을 지니고 있지만 안정성을 높이는 작업에 강점을 보이고 있습니다. 그렇기 때문에 기계학습은 비즈니스 및 산업 현장에서 사용이 될 만큼 활용도가 높다고 할 수 있습니다. 그럼 지금부터 실제 사용되고 있는 사례를 간단하게 살펴보도록 하겠습니다.
먼저, 이미지 분류입니다. 이미지의 객체를 인식하고 분류하도록 훈련이 됩니다. 사진에서 차량이나 건물을 인식하도록 훈련을 할 수 있으며 해당 기술은 자율주행이나 보안 시스템 등 여러 분야에 응용되어 사용하고 있습니다. 다음은 의료 서비스입니다. 진단이나 치료 계획, 약물 발견 등의 작업을 위하여 의료에 사용이 됩니다. 의료 영상에서 암세포를 식별한다거나 환자가 특정 질병에 노출될 가능성을 예측하도록 훈련을 할 수 있습니다. 권장 시스템이라는 것이 있습니다. 사용자의 선호도와 과거 상호작용을 기반으로 제품이나 콘텐츠를 제안하는 것입니다. 우리가 흔히 보는 넷플릭스와 같은 OTT 서비스를 이용해 보면 봤던 영화와 비슷한 유형의 영상 콘텐츠들이 추천되는 것을 볼 수 있습니다. 이 기술은 전자상거래나 스트리밍, 뉴스 플랫폼 등 여러 곳에서 사용이 되고 있습니다. 이처럼 머신러닝은 다양한 곳에서 활용이 되고 있습니다.