스크랩 인공지능의 기초개념

[초롱이]

인공지능의 정의

인공지능(AI, Artificial Intelligence)에 대한 관심이 높아지면서 2016년 구글(Google)의 ‘알파고(AlphaGo)’와 이세돌 9단의 바둑 대결 이후, 많은 사람들이 이 기술에 주목하게 되었습니다. 그러나 ‘인공지능이란 무엇인가?’라는 질문에 정확하게 답할 수 있는 사람은 많지 않습니다. 이는 인공지능의 개념이 꽤 복잡하기 때문입니다.

인공지능이라는 용어가 처음 등장한 것은 1956년 다트머스 회의입니다. 존 매카시(John McCarthy)는 이 회의에서 인공지능을 “지능이 있는 기계를 만드는 과학과 공학”이라고 정의했습니다. 그러나 실제로 인공지능이라는 용어를 처음 사용한 이조차도 지능(Intelligence)이란 무엇인지 명확하게 설명하지 못했습니다.

2019년에는 우리나라 정부에서 인공지능 전략을 발표하면서 인공지능을 “인간의 지적 능력을 컴퓨터로 구현하는 과학 기술로, 상황을 인지하고 이성적·논리적으로 판단·행동하며, 감성적·창의적인 기능을 수행하는 능력까지 포함한다”라고 정의했습니다. 이 정의를 간단히 설명하면, 인공지능은 ‘인간이 할 수 있는 일을 기계가 할 수 있도록 구현하는 과학 기술’이라고 할 수 있습니다.

알파고와 같은 대규모 프로젝트는 현재의 기준에서 인공지능을 다루는 데 있어 매우 높은 수준이라고 볼 수 있지만, 실제로 우리 주변에서는 이미 오랜 기간동안 인공지능을 사용해왔습니다. 1990년대부터는 차량의 번호판을 인식하는 인공지능 시스템을 사용하였고, 2000년대 초반에는 옷감과 무게 등을 인식해 맞춤 세탁이 가능한 인공지능 세탁기와 주방의 음식 냄새를 감지하는 인공지능 환기 시스템이 등장했습니다.

실제로 인공지능을 정의하는 것은 어렵습니다. 각각의 사용자마다 다르게 정의되며, 아직까지 합의된 단 하나의 정의는 없습니다. 이것이 어려운 이유는 인간의 지능에 대한 이해가 학자마다 다르기 때문입니다. 인간의 지능이란 무엇이며 어떻게 구성되어 있는지에 대한 정의가 없기 때문에 결국 인공지능도 명확하게 정의할 수 없는 것입니다.

인공지능의 네 가지 유형

인공지능을 보다 쉽게 이해하기 위해, 일본의 인공지능 연구의 선구자인 마쓰오 유타카는 『인공지능과 딥러닝』에서 이를 네 가지 수준으로 나누었습니다.

첫 번째 수준은 인공지능 세탁기나 인공지능 청소기와 같이 단순 제어 프로그램을 인공지능이라는 이름으로 홍보하는 경우입니다. 예를 들어, 1990년대에는 “인공지능 탑재”라는 문구가 자주 사용되었습니다.

두 번째 수준은 자체적인 학습 기능이 없지만, 입출력이 많고 기능이 복잡한 경우입니다. 이는 고전적인 인공지능 문제인 탐색(미로 찾기), 논리적인 추론, 또는 특정 분야의 지식을 활용해 질문에 대한 답을 찾는 전문가 시스템 등을 포함합니다.

세 번째 수준은 학습 데이터를 이용해 규칙이나 지식을 스스로 학습하면서 품질을 높여 나가는 ‘머신러닝(Machine Learning)’ 기법을 활용하는 경우입니다. 이 수준에서는 머신러닝을 통해 수준 2의 인공지능을 발전시킬 수 있습니다.

마지막으로 네 번째 수준은 ‘딥러닝(Deep Learning)’을 이용하는 경우입니다. 딥러닝은 머신러닝의 한 분야로, 데이터에서 특징을 직접 추출합니다.

경우에 따라 다르지만, 음성 인식이나 이미지 인식과 같은 작업에서는 딥러닝이 머신러닝보다 우수한 성능을 보입니다. 그러나 딥러닝은 학습 데이터가 많을 때에만 적용할

수 있습니다. 인공지능이 딥러닝이라고 오해하는 경향이 있지만, 딥러닝은 인공지능의 일부에 불과합니다.

따라서 제품에 “인공지능이 탑재되었다”는 말을 들거나 “인공지능 방식을 적용하였다”는 이야기를 들었을 때, 이것이 어느 수준에 해당하는지 주목하는 것이 중요합니다. 인공지능이란 용어가 과장되어 사용되는 경우가 많기 때문에, 어느 부분에 인공지능이 적용되었는지도 확인하는 것이 좋습니다.

머신러닝에 대한 개념

머신러닝(Machine Learning)이라는 용어는 1959년에 컴퓨터 과학자인 아서 사무엘(Arthur L. Samuel)이 처음 사용하였습니다. 그는 머신러닝을 “컴퓨터가 명시적으로 프로그래밍되지 않고서도 학습할 수 있도록 하는 연구 분야”라고 정의했습니다.

이 정의만으로는 이해가 어려울 수 있습니다. 머신러닝을 이해하기 위해 프로그래밍과 비교해보겠습니다. 기존의 프로그래밍은 ‘A라는 입력에 B라는 조건이 성립하면 Y를 출력한다’라는 규칙을 사람이 작성하는 반면, 머신러닝은 ‘A라는 정보가 입력될 때 정답이 Y가 되는 조건 B’를 기계(인공지능)가 찾을 수 있도록 학습시킵니다.

예를 들어, 집의 가격을 예측하는 프로그램을 생각해보겠습니다. 기존의 프로그래밍 방식에서는 사람이 집의 가격을 결정하는 규칙을 찾아 프로그램을 작성해야 합니다. 하지만 머신러닝에서는 머신러닝 알고리즘이 학습 데이터로부터 가격을 예측하는 규칙을 찾아 프로그램을 만듭니다.

하지만 머신러닝에서도 프로그램이 완전히 자동으로 만들어지는 것은 아닙니다. 사람은 집의 가격에 영향을 미치는 속성을 찾아내고 이를 기계에게 알려주어야 합니다. 이 속성을 찾아내면 머신러닝 알고리즘이 학습 데이터로부터 각 속성이 집의 가격에 미치는 영향을 계산하여 프로그램을 완성합니다.

머신러닝과 프로그래밍을 다른 측면에서 비교해보겠습니다. 기존의 프로그래밍은 사람이 입출력 사이의 규칙을 찾아 작성하는 반면, 머신러닝은 대량의 학습 데이터를 이용하여 기계를 학습시킨 후 서비스에 활용합니다.

요즘에는 머신러닝의 정의로 카네기 멜론 대학의 교수인 톰 미첼(Tom Mitchell)이 1998년에 만든 것이 많이 사용됩니다. 그는 머신러닝을 다음과 같이 정의했습니다.

“만약 어떤 작업 T에서 경험 E를 통해 성능 측정 방법인 P로 측정했을 때 성능이 향상된다면, 이런 컴퓨터 프로그램은 학습을 한다고 말한다.”

필기체 문자를 인식하는 프로그램을 예로 들면, 작업 ‘T’는 필기체 문자 인식, 성능 ‘P’는 필기체 인식의 정확도, 경험 ‘E’는 정답이 표시된 필기체 문자의 입력입니다. 이 경우, 정답이 표시된 필기체 문자(경험 ‘E’)를 이용하여 인식의 성능 ‘P’가 향상된다면 해당 프로그램은 학습된 것으로 볼 수 있습니다.

딥러닝의 개념

딥러닝은 현대 인공지능 분야에서 가장 핵심적이고 혁신적인 기술 중 하나입니다. 이를 이해하기 위해서는 먼저 인공 신경망에 대한 개념을 살펴볼 필요가 있습니다.

인공 신경망은 인간의 뇌를 모방한 컴퓨터 모델로, 여러 개의 뉴런이 연결된 구조를 가지고 있습니다. 이러한 뉴런들은 입력을 받아들이고 이를 처리하여 출력을 생성합니다. 이러한 구조를 통해 데이터를 처리하고 패턴을 인식할 수 있습니다.

딥러닝은 이러한 인공 신경망을 여러 층으로 쌓아 올린 것입니다. 따라서 “딥”이라는 용어가 붙게 된 것이며, 이는 여러 층을 가진 깊은 신경망을 의미합니다. 딥러닝은 이러한 깊은 신경망을 통해 복잡한 패턴을 인식하고 학습할 수 있습니다.

딥러닝은 머신러닝 분야에서 가장 뛰어난 성능을 보이고 있으며, 다양한 분야에서 활용되고 있습니다. 음성 인식, 이미지 분류, 자율 주행 자동차 등 다양한 분야에서 딥러닝 기술이 적용되고 있습니다.

인공 신경망과 딥러닝의 발전에는 여러 가지 기술적인 도전과 과제가 있었습니다. 예를 들어, 딥러닝 모델을 학습시키기 위해서는 많은 양의 데이터가 필요합니다. 또한, 딥러닝 모델은 많은 계산 리소스를 필요로 합니다.

하지만 이러한 도전들은 기술의 발전과 함께 극복되어 왔습니다. 학습 데이터의 양이 증가함에 따라 데이터셋이 점점 풍부해지고 있으며, 더욱 정확하고 효율적인 딥러닝 모델을 만들 수 있게 되었습니다. 또한, 컴퓨팅 기술의 발전으로 인해 더욱 강력한 하드웨어를 사용하여 딥러닝 모델을 학습시킬 수 있게 되었습니다.

딥러닝의 발전에는 다양한 알고리즘과 기술의 발전이 큰 영향을 미쳤습니다. 예를 들어, 사전 학습과 누락(Dropout) 기법을 사용하여 학습을 개선하는 방법이 있습니다. 또한, 활성화 함수로 렐루(Rectified Linear Unit, ReLU) 함수를 사용함으로써 성능을 향상시킬 수 있었습니다.

딥러닝의 발전은 현대 인공지능 기술의 중심으로 자리 잡고 있으며, 앞으로 더욱 다양한 분야에서 활용될 것으로 기대됩니다. 딥러닝은 음성 인식, 이미지 분석, 자연어 처리 등 다양한 분야에서 혁신적인 결과를 이끌어 내고 있으며, 더 나아가서는 의료, 금융, 자동차 등의 산업에도 큰 변화를 가져올 것으로 예상됩니다.

뿐만 아니라, 딥러닝 기술은 인간의 노동력을 대체하고 생산성을 향상시키는 데도 큰 기여를 할 것으로 전망됩니다. 예를 들어, 자율 주행 자동차 기술은 운전자의 부담을 줄이고

교통사고를 줄일 수 있습니다. 또한, 의료 분야에서는 의료 이미지를 분석하여 질병을 조기에 진단할 수 있는 등의 잠재력이 있습니다.

하지만 이러한 기술의 발전은 동시에 윤리적인 문제와 고민을 일으키기도 합니다. 예를 들어, 개인정보 보호와 관련된 문제나 인공지능이 인간의 결정을 대체하면서 발생할 수 있는 윤리적 문제 등이 그 예입니다. 따라서 딥러닝 기술을 발전시키는 동시에 이러한 윤리적 문제들을 고려하여 적절한 대응이 이루어져야 합니다.

딥러닝은 머신러닝 분야에서 혁신적인 기술로서 많은 주목을 받고 있으며, 앞으로 더욱 빠르게 발전해 나갈 것으로 기대됩니다. 이러한 발전은 다양한 산업과 사회 전반에 큰 변화를 가져올 것으로 기대되며, 이를 위해 끊임없는 연구와 노력이 필요할 것으로 보입니다.

GPT와 ChatGPT란?

초거대 인공지능 언어 모델 GPT-3는 현재 많은 사람들의 관심을 끌고 있는 기술 중 하나입니다. 이 모델은 실시간으로 대화를 할 수 있는 인공지능 서비스인 ChatGPT를 개선한 것으로, GPT-3.5라는 버전이 사용되고 있습니다.

GPT-3는 입력된 문장 뒤에 어떤 단어가 올지를 예측하는 방식으로 학습되었으며, 이를 통해 자연스러운 대화를 가능케 합니다. 또한, 사람이 작성한 질문과 답변을 추가로 학습하여 보다 자연스러운 대화가 가능하도록 했습니다.

이러한 언어 모델은 최근에는 “거대 언어 모델(Large Language Model, LLM)”이라고도 불리며, 대규모 기업들 사이에서 인공지능 개발 경쟁이 치열해지면서 더욱 중요한 위치를 차지하고 있습니다. 이러한 초거대 인공지능 언어 모델은 매우 많은 층, 유닛, 가중치로 구성되어 있으며, 방대한 양의 학습 데이터를 기반으로 학습됩니다. 주로 언어 모델로 개발되었으며, 이를 “초거대 인공지능 언어 모델(Hyperscale AI Language Model)”이라고도 합니다.

2020년 6월, 일론 머스크와 샘 알트만이 공동 설립한 연구소인 OpenAI에서는 GPT-3라는 이름의 언어 모델을 발표했습니다. 이 모델은 이전 모델들에 비해 엄청난 성능을 자랑하며 다양한 분야에 활용될 수 있습니다. 예를 들어, 영어 문장 생성, 프로그램 코드 작성, 그래프 생성 등 다양한 활용 사례가 있습니다.

GPT-3의 파라미터 수는 약 1750억 개로, 이는 이전 모델인 GPT-2의 파라미터 수의 비약적인 증가를 보여줍니다. 이 모델을 학습시키기 위해서는 방대한 양의 학습 데이터가 필요하며, GPT-3는 약 3000억 개의 학습 데이터를 기반으로 학습되었습니다. 이러한 엄청난 성능을 가진 모델은 악용 가능성 때문에 처음에는 비공개되었으며, 현재는 유료 서비스로 제공되고 있습니다.

국내 기업들도 이러한 초거대 인공지능 언어 모델을 개발하기 위해 노력하고 있습니다. 하지만 이를 학습시키기 위해서는 막대한 연산 자원이 필요하며, 이는 학습 비용 또한 막대하게 증가시킵니다. 또한, 인공지능 기술의 발전은 윤리적인 문제와 함께 다양한 사회적 영향을 끼칠 수 있으며, 이러한 측면도 고려해야 합니다.

요컨대, GPT-3와 같은 초거대 인공지능 언어 모델은 현재 인공지능 기술의 중심에 서 있으며, 앞으로 더욱 빠르게 발전할 것으로 예상됩니다. 이러한 발전은 다양한 분야에서 혁신적인 결과를 이끌어 낼 것으로 기대되지만, 동시에 윤리적인 문제와 사회적 영향도 함께 고려해야 합니다.