머신 러닝과 딥 러닝 이해하기

오늘날, 인공지능(artificial intelligence, AI)이라는 말이 컴퓨터에 기반한 모든 형태의 지능을 통칭하는 용어로 통용되고 있습니다. 이 말은 입력에 대한 반응, 데이터 분석, 패턴 인식, 전략 개발 등 인간의 학습과 의사결정 과정을 흉내내는 모든 시스템에 대략적으로 적용할 수 있습니다. 머신 러닝(ML)과  러닝(DL)이라는 말은 오늘날 지능형 컴퓨팅 시스템의 현실, 그리고 개발자와 최종 사용자를 위해 이러한 시스템이 해결해줄 수 있는 문제를 보다 명확하게 보여줍니다.

머신 러닝 vs 러닝

오늘날 최신 머신 러닝과 딥 러닝 컴퓨터 지능 시스템은 지속적으로 데이터와 다른 입력 정보에 노출된 후 작업을 조정할 수 있습니다. 이 두 컴퓨터 공학 분야는 비슷한 성격을 가지고 있지만 약간의 차이점도 가지고 있습니다.

 

머신 러닝 (ML)은 수동적으로 정보를 받아 처리하기보다는 능동적으로 학습하는 시스템을 나타냅니다. 이 컴퓨터 시스템은 데이터를 분석하여 패턴이나 구조를 찾아내는 알고리즘을 이용하여 입력된 정보에 인간처럼 반응합니다. ML 알고리즘은 시간이 지나면서 더 많은 데이터에 노출되고 성능을 개선하도록 설계되었습니다.

 

인간은 사물을 바로 인식합니다. 이 과정을 흉내내기 위해 머신 러닝 알고리즘은 신경망을 이용합니다. 인간의 학습 과정과 마찬가지로, 신경망 컴퓨팅은 방대한 사진 모음 등 데이터를 이미지 내에서 인식된 요소를 토대로 분류합니다. 정확한 분류 성공률은 정확한 결정과 잘못된 결정을 구분하여 배우고 확인하도록 도움을 주는 인간 "전문가"의 피드백을 통해 최적의 효율성과 높은 정확성을 추구하고 지속적으로 개선될 수 있습니다. 신경망 알고리즘은 피드백을 토대로 향후의 모든 결정을 수정합니다. 이 과정은 바람직한 결과를 도출하도록 하는 교육을 통해 인간의 인지능력을 흉내냅니다.


1. 신경망은 다음을 묘사할 수 있습니다.

1. 형태는 반복되는 요소이다
2. 이것은 가능한 형태이다.

machine intelligence example 1

2. 그러면, 알고리즘은 정의된 요소를 찾고 분류하여 학습 내용을 데이터에 적용합니다.

machine intelligence example 2

3. 과정은 인간의 피드백을 통해 시간이 지남에 따라 개선될 있습니다. 신경망 알고리즘은 피드백을 토대로 향후의 모든 결정을 수정합니다. 이를 통해 데이터 수집이 보다 정확해집니다.

예를 들어, 인간의 피드백이 "형태는 여러 가지 변형을 가지고 있다"라고 하면 알고리즘은 결과를 다음과 같이 정리할 수 있습니다.

machine intelligence example 3

예를 들어, Google은 전문 사진가와 문서 작성자를 고용하여 지능형 카메라 Clips를 뒷받침하는 신경망 기반 알고리즘에 전문가의 조언을 제공했습니다. 인간의 피드백은 카메라가 디지털 사진술의 기술적 측면에서뿐만 아니라 기억에 남는 순간을 포착하는 보다 추상적인 면에서도 직관적으로 더 좋은 성과를 발휘하도록 도움을 주었습니다1

러닝 (DL)은 인간의 두뇌가 외부 전문가의 조언 없이도 정보를 인식하고 기억해내는 방법으로부터 영감을 받아 문제 해결 능력을 더 깊이 파고드는 머신 러닝의 하위분야에 초점을 둡니다. DL 응용 프로그램은 학습을 하고자 하는 많은 양의 데이터에 액세스해야 합니다. DL 알고리즘은 심층 신경망을 활용하여 Spotify나 Pandora의 모든 음악 파일 등 방대한 정보 모음에 접근하고, 탐구하고, 분석하여 특정 사용자의 취향을 기반으로 지속적으로 음악을 추천합니다.


1. 딥 러닝 알고리즘에서 이용하는 심층 신경망은 방대한 정보의 모음을 찾아 분석합니다.

deep learning example 1

2. 심층 신경망은 이 정보를 처리할 때 다음과 같은 새로운 분류를 이용합니다.

1. 형태는 여러 색상을 가질 수 있다.
2. 형태는 여러 두께를 가질 수 있다.
3. 총 2,000 가지의 형태가 있다.

3. 이를 통해 지속적으로 정확도가 높아지는 아주 정교한 결과를 만들 수 있습니다.


딥 러닝과 머신 러닝을 구분하는 주된 요소는 데이터의 표현입니다. 예를 들어, 위의 Google Clips 카메라를 통해 예로 든 머신 러닝은 시스템을 훈련시키기 위해 전문 사진가의 입력이 필요합니다. 하지만, 딥 러닝 시스템에서는 정확한 특징을 파악하는 데 전문가가 필요하지 않습니다. 입력 정보는 이미지든, 신문기사든, 노래든 변형을 최소화한 원래 형식 또는 태그되지 않은 형식으로 평가됩니다. 이와 같이 관리가 되지 않은 교육 과정은 표현 학습(representation learning)이라고도 합니다. 교육을 실시할 때 딥 러닝 알고리즘은 데이터를 통해 지속적으로 결론(추론이라고도 함)의 정확성을 개선하는 방법을 배웁니다.

 

오늘날 적용되는 딥 러닝의 일반적인 사례는 다음과 같습니다.

  • 자율 주행: 딥 데이터(지도, 위성 교통 이미지, 일기예보, 축적된 사용자 취향), 실시간 주변 환경 센서 입력(도로 위의 사슴, 방향을 바꾸는 운전자), 연산 능력을 활용하여 결정을 내립니다(감속, 핸들 돌리기).
  • 의료: 사진을 통한 흑색종 감지 등 암 연구2.
  • 스마트 홈: 지능형 개인비서 및 음성 인식 알고리즘을 이용하여 사용자의 음성 명령을 이해하고 반응하는 스마트 스피커.
  • 엔터테인먼트: 축적된 사용자 취향과 선호에 따라 방대한 영화/TV 데이터 라이브러리 분석(장르, 연기자, 감독, 리뷰)
  • 외식: 사용자의 위치, 리뷰, 예약 가능 여부, 지정된 선호도, 과거 행동을 토대로 한 직관적인 식당 추천.

스마트 용어: 머신 러닝과 러닝의 이해

  • 신경망: 인간의 두뇌와 신경계로부터 영감을 받아 계층화된 여러 개의 컴퓨터 노드(대규모 네트워크 내 단말기)로 구성된 컴퓨터 시스템. 서로 다른 계층은 일반적으로 다른 유형의 데이터를 계산합니다.
  • 심층 신경망: 여러 계층으로 구성되어 있으며 숨겨진 수준을 통해 표준 신경망보다 복잡하고 방대한 데이터세트에 접속할 수 있는 신경망.
  • 교육: 알고리즘이 더 빠르고 정확하게 데이터를 평가할 수 있도록 하는 수정 및 조정 과정. 교육은 관리를 받거나(인간의 정보 입력) 관리를 받지 않을 수 있습니다(원시 데이터 노출만을 토대로 정확한 자체 수정 실시).
  • 추론: 새로운 데이터와 누적된 교육을 조합하여 빠르고 예측 가능한 결론을 내립니다.
  • 표현: 원시 데이터로부터 자동으로 특징을 감지하거나 분류하여 시스템이 특정 작업을 학습하며 처리할 수 있도록 합니다.

AMD와 머신 러닝

인간과 같은 반사 작용으로 반응을 하는 지능적인 응용 프로그램을 만들기 위해서는 엄청난 연산 처리 능력이 필요합니다. 머신 러닝과 딥 러닝 시스템을 위한 AMD의 기여는 소프트웨어 개발을 위한 개방형 에코시스템과 함께 주로 고성능 컴퓨팅(CPU와 GPU)을 통해 이루어집니다. 머신 러닝과 딥 러닝 응용 프로그램은 최고의 처리 능력(속도, 용량, 조직)을 지원하여 여러 입력 스트림으로부터 복잡한 데이터세트를 동시에 관리할 수 있는 컴퓨터 하드웨어에 의존합니다.

예를 들어, 자율 주행의 경우, 딥 러닝 알고리즘은 녹색에서 노란색으로 바뀌는 다음 신호등과 가까이 있는 보행자의 움직임, 도로 위의 빗물을 비롯한 여러 실시간 변화, 기본적인 차량 작동을 인식해야 합니다. 훈련된 인간은 이와 같이 조율된 반응을 당연하게 생각합니다. 하지만, 인간 두뇌의 능력을 시뮬레이션하여 탑승자와 주변 사람들의 안전을 지키기 위해 자율 주행 알고리즘은 효율적이고 빠른 처리를 통해 빠르고 정확하게 복잡한 결정을 내려야 합니다.

AMD 하드웨어와 관련 소프트웨어의 성능은 또한 머신 러닝과 딥 러닝 시스템의 개발 과정에 큰 이점을 제공합니다. 오늘날 최신 AMD 기술을 이용하여 개발된 컴퓨팅 플랫폼 (AMD EPYC™ CPU and Radeon Instinct™ GPU)은 과거라면 몇 년이 걸렸을 새로운 지능형 응용 프로그램을 며칠 또는 몇 주 이내에 개발할 수 있습니다.

미래를 위한 힘과 자유

머신 러닝 특허는 2013년부터 2017년 사이에 34% 증가하였습니다.3 현재 이 분야에서는 많은 일들이 이루어지고 있지만 아직은 여러 유형의 데이터를 효율적으로 학습하는 데 도움이 필요한 형성 단계에 있습니다. 머신 러닝과 딥 러닝을 갖춘 지능형 시스템은 인간의 기억과 패턴 일치, 데이터 연관성 판단을 빠르고 정확하게 흉내낼 수 있는 높은 잠재력을 가지고 있습니다. 방향과 플랫폼은 마련되었으며 새로운 약진은 그리 멀지 않습니다.

보충설명
  1. Josh Lovejoy “AI의 UX,” Google Design 2018년 1월 25일, 2018년 4월 23일 액세스.
  2. Susan Scutti, “자동화로 피부암을 정확하게 감지하는 피부과 전문의,” CNN, 2017년 1월 26일.
  3. Louis Columbus, “기계 학습 및 시장 예측 요약, 2018,” Forbes, 2018년 2월 18일.