2. 1
Part1세미나리뷰
Artificial Intelligence (AI) 정의
– JohnMcCarthy (1956,father ofAI)
• “Thescienceandengineeringofmakingintelligent machines” 논문에 AI 용어기술
• “학습과기타다른지능의특징을기계가시뮬레이션할수있을것이다.’고선언
– PatrickHenryWinston
• “컴퓨터가지능을가질수있도록하는아이디어를연구하는학문(thestudyofideasthat
enablecomputers tobeintelligent)”
– Charniak&McDermott (1985)
• “계산 모델을 이용하여 정신적 기반을 연구하는 학문 (the study of mental faculties
through theuseofcomputationalmodels)”
– 사람의지적행동을컴퓨터가모방할수있도록하는과학분야
– 인공적인장치들이가지는지능 등정의다양
John McCarthy
Patrick Henry Winston
3. 2
Artificial Intelligence 의 역사
Part1세미나리뷰
1950년 앨런 튜링 ‘기계가 생각할 수 있는가?’라는
도발적 질문을 던진 ‘컴퓨팅 기계와 지능’ 논문
- 이후 지능을 갖는 기계에 대한 기초적 사유를 제시
- ‘튜링 테스트’라는 이미테이션 게임은 이후 지능을
가진 개체를 판단하는 가장 기초적인 기준으로 제시
1956년 존 매카시, 마빈 민스키, 나다니엘 로체스터,
클로드 샤논 등 당시 최고의 정보과학자들이 다트머스
학회 모여 AI 창시
- 인공지능으로 명명한 연구분야가 시작
1974년 1st AI Winter
1987년 2nd AI Winter
2012년 구글, 딥 러닝 프로젝트 ‘브레인’ (앤드류 응)
- 1만 6000개의 컴퓨터 프로세서, 10억 개 이상의
연결을 갖는 뉴럴 네트워크를 이용한 자율학습
방식의 딥러닝 기술을 적용해 유튜브 안에 있는
1000만 개의 이미지 중에서 고양이를 인식
출처: Karl Tate, History of A.I, 2014.8.25 재편집
5. 4
Part1세미나리뷰
강인공지능 (Strong AI, True AI, AGI (범용인공지능))
– 어떤 문제를 실제로 사고하고 해결할 수 있는 컴퓨터 기반의 인공적인 지능을 만들어
내는것에관한연구
– 즉,인공지능의강한형태는,지각력이있고,스스로를인식하는것
– 이론적으로두가지형태
• 인간의사고와같이컴퓨터프로그램이행동하고사고하는인간형인공지능
• 인간과다른형태의지각과사고추론을발전시키는컴퓨터프로그램인비인간형인공지능
약인공지능 (Weak AI, ANI)
– 어떤 문제를 실제로 사고하거나 해결할 수는 없는 컴퓨터 기반의 인공적인 지능을 만
들어내는것에관한연구
– 이와같은시스템은진짜지능이나지성을갖추고 있지는못하지만,어떤면에서보면
지능적인행동을보일것
– 주로 미리 정의된 규칙의 모음을 이용해서 지능을 흉내내는 컴퓨터 프로그램을 개발
하는것에 촛점
6. 5
Part1세미나리뷰
인공 지능 (AI) 의 범주 (접근 방식): Russell and Norvig’s Four Approaches
– (1)사람처럼생각하는시스템:인간과똑같이사고한다고가정
• GPS(General Problem Solver):Newell, Simon, 인지과학(Cognitive Science):컴퓨터모델,인간 심리 실험,자기 관찰
(Introspection) 등
– (2)사람처럼행동하는시스템:인간의기능을수행하면지능이있는것
• Turing Test: 영 Alan Turing (1950), 로봇 공학 (Robotics), Cog: MIT의 humanoid robot (인간형 로봇), 벤티드 (차폐 치
료를위해개발된교감능력과감성보유한휴머노이드로봇)등
– (3)이성적으로생각하는시스템:사고과정을수리적으로표현
• 추론,논리,삼단논법(Syllogism)
– (4)이성적으로행동하는시스템:주어진확률정도에따라목표달성
• Agent: 목표를성취하기위해행동,추론을포함,뜨거운물체에서손을갑자기떼는것(생각이아니라행동)
Thinking
(1) Systems that think humans
(인지과학적 접근):
사람처럼 생각하는 시스템
(3) Systems that think rationally
(사고의 법칙적 접근):
이성적/합리적으로 생각하는 시스템
Behavior
(2) Systems that act like humans
(튜링 테스트적 접근):
사람처럼 행동하는 시스템
(4) Systems that act rationally
(합리적 Agent적 접근):
이성적/합리적 으로 행동하는 시스템
Ideal Rational
8. 7
Part1세미나리뷰
인공지능 기술에 대한 낙관론과 우려 공존
– 낙관론: 인공지능 기술의 진보는 생각처럼 쉽게 이뤄지지
않았다.앞으로도그럴것이다.
• 모라벡의 역설 (Hans Moravec’s Paradox), ‘어려운 일은 쉽
고, 쉬운 일은 어렵다(Hard problems are easy and easy
problemsarehard)’→인간과는다른컴퓨터의능력을표현
– 비관론:TechnicalSingularity (기술적특이점)가머지않음
• 레이 커즈웨일 (Ray Kurzweil), ‘인간의 기술과 문명이 고도로
발전을거듭하다보면인공지능이나기타정보처리/생산설비
의 발전과 기술적 개념의 고도화 등으로 인해, 인간이 스스로
가만들어낸기술을이해하거나따라잡지못하는시점
• 인간이기술의발전을이해할수있는한계점
출처: the escapist,‘Why you'll be immortal if you're still alive in 2040!’, 2010.10.1
15. 14
신경망/신경회로망
(인공) 신경회로망 (ANN or NN)
– 정의
• 생물학적 신경계와 같은 방식으로 동작할 수 있도록 단순하지만 적응적인 요소들을 대량으로 병렬 연결한 망들의 계층적
조직
• 인간의두뇌작용을신경세포들간의연결관계로모델링→인간의학습을모델링
• 뉴런이라 부르는 구조단위로 구성되어 있고 경험을 통해 패턴인식 이나 인지 등 여러 특정한 기능들을 인식, 정보를 분석
하고새로운정보를예측하는데활용되는계층적조직
– 기본작업
• 학습(learning): 패턴부류에따라신경망의연결가중치조정
• 재생(recall): 학습된가중치와입력벡터와의 거리계산하여가장가까운클래스로분류
→사람과같은학습능력:패턴분류,인식,최적화,예측
→기존인공지능문제해결의새로운계산틀제공
16. 15
신경회로망의 특징
– 예를통한학습:예를계속제시하여원하는형태의사상학습
– 일반화:학습이완료된신경회로망은학습되지않은입력에대해서도올바른결과출력가능
– 연상기억:새로운입력,일부유실된정보를유사한출력가능
– 결함허용성:일부뉴런고장,단절에도작동보장
뉴런 (처리요소) 의 구조
– 뉴런1개는단순기능→다중으로연결되면강력한기능
– 다층신경회로망
• 입력층과출력층사이에새로운층추가→은닉층(hiddenlayer)또는중간층(internal layer)
신경망/신경회로망
∑i Xi • Wi -
X1
X2
Xn
W1
W2
Wn
OUT = F (∑i Xi • Wi - )
F
입력층
가중치
임계치 다른 뉴런의 입력으로
연결됨
전달 (활성화)
함수
.
.
.
.
은닉층(hiddenlayer) 출력층
17. 16
신경망/신경회로망
학습 방법
– 특정한응용목적에 적합하도록뉴련간의연결강도를적응시키는 과정
• 지도학습: 입력이 주어짐에 따라 원하는 출력값이 활성화되도록 가중치를 조절 (Hopfield 학습규칙, 델타규칙, 오류 역전
파학습규칙)
• 비지도학습: 목표값없이학습데이터만입력,스스로연결가중치학습,미리결정된해가불필요(경쟁학습,ART모델)
입력형식 학습방식 신경회로망 모델
이진입력
(Digital)
지도 학습
• Hopfield network
• Hamming net
지도 학습 및 비지도 학습의 결합 • Counter-Propagation Network
비지도 학습 • ART Model
실수입력
(Analog)
지도 학습
• Perceptron
• Multilayer Perceptron
비지도 학습
• Competitive learning
• Self-Organization Map (SOM)
18. 17
DeepLearning(DL)
딥러닝이란
– ’80년대에 처음 제안된 딥러닝은 오랜 기간 부침과 진화를 거듭한 끝에 음성 및 영상인식·인지 컴퓨팅 등 고도의
인공지능구현에적합한기계학습방법으로재조명(’12년구글의고양이얼굴인식프로젝트시연이후급부상)
– 심화/심층신경망(DNN:DeepNeuralNetworks) 를활용한기계학습
• 심층신경망은사람의두뇌에서정보처리가다층구조를가지고있다는점을모방하는데에서출발,입력층과출력층사
이에하나이상의숨겨진층을갖는신경망구조로구현
– 딥러닝은인공신경망의한계를극복하기위해제안된기계학습
• 인공신경망은 높은분류정확도에비해속도가느린것이단점
• 과적합(overfitting) 도웬만해선해결되지않는과제→이때문에비교적오랜기간실무에선배척
• 최근 들어 이 분야를 깊숙이 고민해온 연구자들이 해법을 내놓으면서 다시 각광을 받기 시작, 그 핵심에 캐나다 대학의 제
프리힌튼,뉴욕대얀리쿤교수,스탠포드대학의앤드류응교수등이있음
– 인간과 유사한 심층 신경망 정보처리 알고리즘을 활용하여 데이터분류의 정확도가 높으며, 사람처럼 배우고 추
론하면서스스로지능을발전시켜나가는‘자율적(unsupervised)’ 학습방식으로진화
– 인공지능을고도화시키고 관련비즈니스를활성화시켜줄핵심기술로평가
• 딥러닝은 2013년 MIT 선정 10대 혁신 기술 선정, 가트너의 2014 세계 IT 시장 10대 주요 예측 등을 통해 방대한 양의 데
이터처리에크게기여할기술로평가
• ETRI또한올해기술·인문·사회관점의미래변화를주도할‘핵심견인기술’ 분야의하나로‘딥러닝알고리즘‘을선정
19. 18
DeepLearning(DL)
딥러닝 프로젝트 ‘브레인’ (2012년)
– 스탠포드대학의 앤드류 응과 구글이 함께한 딥 러닝 프로젝트 (2006년 시작)에서는 16,000개의 컴퓨터 프로세
서와 10억 개 이상의 neural networks, DNN (deep neural networks)을 이용하여 유튜브에 업로드 되어 있는
천만개넘는비디오중고양이얼굴개별인식·구분에성공
출처: Masayuki Tanaka, “DNN and RBM”, 2015.8
20. 19
DeepLearning(DL)
Overfitting & Underfitting
– 미적합 (Underfitting): 특성을 설명할 만큼 충분한 학습이 되지 못한 상태 → 모델이 너무 단순해 훈련된 결과가
형편없음
– 과적함 (Overfitting): 너무 과도하게 특정 데이터에 대해 학습된 상태 (차원이 높은 경우 증폭되는 특성) → 학습
된데이터에만적합하며,아직직면하지못한신규데이터를만날경우엉뚱한결과를초래함