[개미의 걸음 ADsP 1과목 심화] 인공지능(기계학습 * 딥러닝)

첫번째 인공 신경 - TLU[Thresold Logic Unit]

• 1943년 웨렌 맬컬록과 월터 피츠의 논문
• 뉴런의 동작 원리를 인공적으로 구현 → X1, X2가 동일한 가중치를 가짐
• 입력 신호의 합이 일정 부분을 넘으면 값을 출력 → And / Or 연산

가중치의 개념 도입 - 헵의 규칙

• 1949년 도널드 홀딩 헵의 책 'The Organization of Behavior'에서 소개
• 뉴런은 신호를 전달할 때, 효율성을 위해 신호가 자극됨을 주시
• 인공신경망은 가중치 개념을 설명 → 여러번 활성화된 연결은 가중치가 높아짐[자기강화학습 개념]
• 두개의 뉴런 A, B가 지속적으로 점화하여 한쪽 또는 양쪽에 변화를 야기하면 상호간 점화 효율은 점점 커짐

최고의 인공신경망 이론 구축 - 퍼셉트론

• 1958년 로센 블래트가 구축한 이론으로 TLU와 헵의 규칙을 조합
• 뉴욕 타임즈가 "전자두뇌가 스스로 배운다"라는 헤드라인을 소개
• And Perceptron / Or Perceptron

인공지능의 첫번째 암흑기 - 퍼셉트론의 한계[XOR 문제]

• 1969년 민키스의 저서는 회사성장방법, 질병치료법 등의 현실적 문제를 해하지 못하는 퍼셉트론의 한계점을 증명
• 선형분리문제[AND/OR]는 가능하지만 그렇지 않음 문제[XOR]는 적용이 어려움

• 1980년까지 인공지능의 암흑기 발생

인공지능의 재도약 - 전문가 시스템

• 1980년대 사람의 지식 기반으로 구현한 전문가 시스템의 유행
• 확률기반의 베이즈 규칙으로 불확실성 제거
• 의사결정트리, 서포트 벡터머신 등의 머신러닝 알고리즘 발표
• 1974년 폴 워보스는 다층 신경망으로 역전파 이론 소개
• 다양한 딥러닝 기술인 DBN, CNN 등의 알고리즘을 소개

인공지능의 두번째 암흑기 - 의미를 이해하지 못하는 기계

• 의미를 이해하지 못하는 기계의 지식으로 인해 1987~1993년 투자가 거의 끊김
• 고성능 컴퓨터 등장에도 불구하고 실험 결과가 형편없어 실망
• 얼마만큼 지식을 넣어야 진정한 인공지능이 되는지에 대한 의문

 

머신러닝 등장

• 컴퓨터의 성능 증가 + 대중적 인지도 향상[체스, 퀴즈쇼, 바둑 등에서 인간에게 승리]
• 빅데이터의 출현으로 인해 많은 학습데이터 확보
• 다양한 기계학습법의 출현과 성능 검증
• 인공지능 기술의 한계 3가지

프레임 문제	활용가능한 지식의 선택이 어려움
심볼 그라운딩 문제	끝없는 의미해석   * Symbol[기호]을 현실에 적용[Grounding]하여 이해하는 것은 불가능
특징설계문제	어떤 특징을 알려주느냐에 따른 성능차가 발생   * 개,고양이 구별을 위해 귀모양 등 많은 정보를 모두 알려주는데 한계

 

인공지능의 새로운 시대 - 딥러닝 기술

• 2012년 이미지 인식 대회에서 토론토 대학이 압도적으로 승리
      → 딥러닝 기술을 사용해 기존 20% Error율을 10%대로 낮춤
• 다양한 인공지능 산업이 딥러닝 기술 기반으로 전환함
• 컴퓨터가 높은 차원의 특징을 획득하고 분류함
• 딥러닝을 통해 컴퓨터가 스스로 획득할 수 있다는 가능성이 대두[기존 인공지능 문제 해결]