유비쿼터스컴퓨팅개론 15강 - 인공지능과 머신러닝의 미래
인공지능의 역사와 정의, 머신러닝과 딥러닝의 관계를 학습합니다. 지도·비지도·반지도·강화학습의 차이를 비교하고 인공지능의 산업적 특징, 부정적 미래와 초거대 언어모델의 쟁점을 정리합니다.
1. 인공지능의 역사
초기 연구와 튜링 테스트
1940년대 중반 현대적인 컴퓨터가 등장한 뒤 1956년 존 매카시가 인공지능이라는 용어를 처음 사용했다. 앨런 튜링이 제안한 튜링 테스트는 기계가 수행한 행동이 인간과 동등한지, 또는 인간과 구별하기 어려운지를 평가하는 지표가 되었다.
신경외과 의사 워런 매컬럭과 수학자 월터 피츠는 인간의 뇌 구조와 유사하게 인공신경망으로 연결된 기본 기능을 구현할 수 있음을 증명했다. 그러나 초기에는 컴퓨팅 인프라와 대용량 데이터, 학습 알고리즘이 부족하여 추론 문제의 한계가 드러났고 첫 번째 인공지능 침체기가 찾아왔다.
전문가 시스템과 두 번째 침체기
1980년대에는 인공지능 전문가 시스템과 딥러닝의 기반 기술이 제안되면서 연구가 다시 활성화되었다. 전문가 시스템은 특정 분야의 문제해결 지식을 컴퓨터가 이해하도록 표현하여 일반인도 전문가 시스템을 사용할 수 있게 한 방식이다.
제프리 힌튼과 데이비드 루멜하트는 역전파 개념을 이용하여 신경망 학습 방법을 대중화했다. 하지만 전문가 시스템은 일부 영역을 제외하면 범용화하기 어려웠고 다시 부정적인 평가를 받으면서 두 번째 침체기가 이어졌다. 그럼에도 성능 개선과 알고리즘 연구는 계속되었다.
현대 인공지능의 전환점
컴퓨터 하드웨어의 성능이 향상되고 필수 컴퓨팅 파워와 데이터가 제공되면서 연구가 다시 성장했다. 1997년 IBM의 딥 블루가 인간 체스 챔피언을 이겼고, 2006년 힌튼 교수는 심층신경망의 학습 방법을 제안하여 딥러닝의 실용 연구 기반을 넓혔다.
2012년 앤드루 응 교수는 딥러닝으로 대규모 유튜브 영상에서 고양이 이미지를 자동으로 식별하는 과제를 수행하여 머신러닝과 딥러닝의 가능성을 알렸다. 2016년 알파고가 이세돌 9단과의 대국에서 승리한 뒤 인공지능 서비스가 일상에 빠르게 확산되었다.
2. 인공지능·머신러닝·딥러닝의 관계
인공지능의 정의
인공지능(AI)은 인간처럼 생각하고 행동할 수 있는 기계를 만드는 기술이다. 인간이 학습으로 지식을 배우듯 기계가 의사결정 규칙을 데이터로 학습하여 지식을 쌓고 행동하도록 컴퓨터 시스템을 개발한다. 컴퓨터과학뿐 아니라 통계학·의학·철학·심리학·윤리학 등 여러 분야의 연구 결과를 활용한다.
IT 관점에서는 주어진 문제를 해결할 수 있는 능력을 갖춘 시스템을 구현하는 것이다. 문제의 적용 범위에 따라 약인공지능과 강인공지능으로 구분할 수 있다. 약인공지능은 스팸메일 분류나 바둑처럼 특정 문제를 해결하고, 강인공지능은 인간의 지성 자체를 인공적으로 구현하는 개념이다.
머신러닝
머신러닝(Machine Learning)은 인공지능 기술 중 하나로, 관련 분야의 데이터를 바탕으로 지식을 자동으로 습득하여 스스로 성능을 향상하는 기술이다. 데이터를 분석하고 학습 결과를 적용해 새로운 입력에 적절한 결정을 내리는 알고리즘을 개발한다.
일반 프로그래밍은 문제를 이해한 사람이 직접 규칙과 프로그램을 작성하고 데이터를 입력해 결과를 얻는다. 반면 머신러닝은 다양한 기존 데이터에서 규칙을 학습하여 새로운 입력을 처리할 모델을 만든다. 예를 들어 개와 고양이 이미지에 정답 레이블을 붙여 학습시키면, 새로운 사진이 어느 범주에 속하는지 판단할 수 있다.
딥러닝
딥러닝(Deep Learning)은 머신러닝의 한 종류이며 여러 은닉층을 가진 심층 인공신경망 구조를 사용한다. 뇌의 신경망과 유사한 계층 구조에서 입력정보가 여러 층을 통과하고, 각 노드는 연결 가중치를 이용해 적절한 출력값을 계산하여 다음 계층으로 보낸다.
| 개념 | 범위와 역할 |
|---|---|
| 인공지능 | 컴퓨터가 인간처럼 판단·행동하도록 구현하는 가장 넓은 분야 |
| 머신러닝 | 데이터에서 규칙을 학습하는 인공지능의 하위 분야 |
| 딥러닝 | 심층 인공신경망을 활용하는 머신러닝의 하위 분야 |
포함관계: 인공지능 ⊃ 머신러닝 ⊃ 딥러닝이다.
3. 머신러닝 문제와 학습 데이터
머신러닝이 문제를 해결하려면 주제와 관련된 대용량 데이터, 데이터를 학습할 알고리즘, 데이터와 알고리즘을 처리할 컴퓨팅 자원이 필요하다. 클라우드 시스템과 대용량 데이터 처리 기술의 성숙은 머신러닝의 성능을 높이는 기반이 되었다.
머신러닝이 해결할 문제는 학습 데이터에 정답 레이블이 있는지와 학습 목적에 따라 지도학습·비지도학습·강화학습으로 구분하며, 그 사이에 반지도학습도 있다. 지도학습과 비지도학습은 레이블 유무가 핵심 구분 기준이다.
| 학습 방식 | 정답 레이블 | 핵심 목적 |
|---|---|---|
| 지도학습 | 있음 | 입력과 정답 관계를 학습해 새 입력 예측 |
| 비지도학습 | 없음 | 데이터의 숨은 구조와 규칙 발견 |
| 반지도학습 | 일부만 있음 | 소량 레이블과 대량 무레이블 데이터 결합 |
| 강화학습 | 정답 대신 보상 | 환경과 상호작용해 장기 보상을 최대화 |
4. 지도학습
지도학습은 모든 학습 데이터에 정답 레이블을 부여한 후 기계가 입력과 정답 사이의 관계를 학습하는 방식이다. 학습 데이터로 수집한 이미지에 개·고양이 등의 레이블을 붙여 학습시키면 새로운 이미지가 어느 범주인지 예측할 수 있다.
데이터 일부는 학습에 사용하고 나머지는 테스트에 사용한다. 학습 데이터는 같은 레이블의 특성을 알고리즘에 전달하여 예측하게 하고, 예측이 정확하지 않으면 정답 레이블과 비교하여 내부 가중치를 조정한다. 비용함수·활성화함수 등 다양한 개념을 사용해 정확도를 높인다.
분류와 회귀
분류는 입력을 정해진 범주 가운데 하나로 선택하는 문제이다. 정상 메일과 스팸메일 구분, 개·고양이·머그컵·모자 구분이 예이다.
회귀는 주어진 속성으로 연속적인 값을 예측하는 문제이다. 방의 개수·크기·세금·침실 수 같은 독립변수를 이용해 집값이라는 종속변수를 예측하는 선형회귀가 대표 사례이다.
분류의 출력은 범주이고, 회귀의 출력은 연속적인 수치이다.
5. 비지도학습과 반지도학습
비지도학습
비지도학습은 주어진 데이터에 정답이나 레이블이 없는 데이터를 학습한다. 데이터에 알려지지 않은 특성이나 구조를 스스로 파악하여 일정한 규칙성을 찾고, 가정 없이 학습한 결과에서 유의미한 지식을 얻는다. 주요 응용은 군집화와 차원축소이다.
군집화는 입력 데이터를 의미 있는 여러 클러스터로 구분한다. 같은 클러스터의 데이터는 공통 특징이 있고 다른 클러스터와는 다르다. 고객 나이와 홈페이지 방문 횟수의 유사도를 이용해 고객군을 세 개로 나누는 것이 예이다.
차원축소는 다차원 데이터 집합에서 일부 속성을 제거하여 새로운 저차원 데이터 집합을 생성하는 작업이다. 데이터의 특성 개수를 차원이라고 하며, 차원이 너무 많으면 데이터 사이의 거리가 기하급수적으로 커지고 모델 예측 정확도가 떨어질 수 있다. 피처 선택은 관련 없는 피처를 제거하고, 피처 추출은 여러 피처를 조합하여 새 피처로 축소한다.
반지도학습
반지도학습은 전체 데이터 중 일부만 레이블을 가지고 있을 때 사용하는 방식이다. 지도학습과 비지도학습 알고리즘을 조합하며, 레이블이 있는 소량 데이터로 레이블이 없는 대량 데이터의 학습을 보완한다.
6. 강화학습
강화학습은 사람이 경험으로 배우는 과정을 구현한 방식이다. 지도학습처럼 정답 레이블을 직접 제공하지 않고, 주어진 상황에서 에이전트가 행동을 선택한 뒤 받은 보상을 통해 어떤 행동이 좋은지 학습한다.
에이전트는 현재 상태를 바탕으로 행동을 선택하고, 환경은 그 행동의 결과로 다음 상태와 보상을 제공한다. 가능한 행동 중 보상을 최대화할 수 있는 정책을 학습하는 것이 목표이다. 바둑에서는 현재 바둑판 상태가 상태, 둘 수 있는 위치가 행동, 대국 결과의 승패가 보상이 된다.
각 수에 대해 피드백을 받아 이겼을 때 양의 보상, 졌을 때 음의 보상을 반복하면서 정책이 개선된다. 보상 자체가 목표이고 정답을 명령으로 주지 않는다는 점이 중요하다.
| 요소 | 의미 |
|---|---|
| 에이전트 | 행동을 선택하고 학습하는 주체 |
| 환경 | 행동 결과로 새 상태와 보상을 제공 |
| 상태 | 현재 환경의 상황 |
| 행동 | 현재 상태에서 선택할 수 있는 동작 |
| 보상 | 행동 결과에 대한 수치 피드백 |
| 정책 | 상태에서 행동을 선택하는 전략 |
7. 인공지능 기술의 특징과 산업적 미래
2016년 세계경제포럼에서 처음 언급된 4차 산업혁명은 향상된 정보통신 기술을 다른 산업에 융합해 혁신시키는 차세대 산업혁명이다. 빅데이터·인공지능·사물인터넷·로봇·3차원 프린팅·나노기술 등이 핵심 기술로 제시된다.
지난 100여 년간 기반 기술이 성숙하고 대용량 데이터를 처리할 알고리즘과 컴퓨팅 인프라가 지원되면서 인공지능은 보안·자율주행·금융·마케팅·물류·엔터테인먼트·의료 등 다양한 분야에 적용된다.
인공지능은 사람을 흉내 내는 것을 목표로 하지만 일부 영역에서는 이미 인간보다 우수한 성능을 보인다. 대규모 데이터를 처리할 수 있는 알고리즘과 컴퓨팅 인프라를 활용해 방대한 데이터에서 결과를 만든다. 특정 분야의 초기 모델이 만들어진 뒤 데이터가 지속적으로 추가되면 스스로 계속 학습하며 성능이 좋아질 수 있다.
이전까지 해결하기 어려웠던 문제를 데이터 학습으로 해결하려면 대규모 자본·기술·인프라를 가진 기업의 역할이 커질 수 있다. 다만 초거대 언어모델처럼 이전의 패러다임을 바꾸는 기술은 빅테크뿐 아니라 다양한 분야에 새로운 서비스 기회를 제공한다.
8. 인공지능의 부정적 미래와 초거대 언어모델
일자리와 사회적 영향
여러 산업 영역에 관련 데이터와 올바른 모델이 있으면 인간처럼 동작하는 AI가 가능해지고 해당 영역의 인간 필요성이 줄어들 수 있다. 반복 업무인 고객응대, 애프터서비스, 정보 요청뿐 아니라 은행·보험·회계·공공행정·법률서비스 같은 전문직도 영향을 받을 수 있다.
2011년 IBM 왓슨은 퀴즈대회에서 인간 챔피언을 이겼고, 방대한 문헌에서 암 유전자를 찾는 등 의학·법률·광고·윤리 분야에서 활용 가능성을 보였다. 기술의 효율성과 함께 직업 구조와 책임의 변화를 준비해야 한다.
개인정보·저작권과 윤리
학습에 사용된 데이터에 포함된 개인정보, 개인이 잊힐 수 있는 권리, 콘텐츠 원저작자와 저작권 문제는 해결되지 않은 주요 쟁점이다. 데이터 편향이 모델의 차별적 결과로 이어질 수 있으며, 의사결정의 책임과 설명 가능성도 중요하다.
초거대 언어모델
자연어 처리는 컴퓨터가 음성이나 문자 형태의 인간 언어를 이해하고 생성·조작하게 한다. ChatGPT는 대화형 인공지능 챗봇이며 GPT는 Generative Pre-trained Transformer의 약자이다. Transformer 아키텍처를 기반으로 구축된 신경망 예측 모델이다.
사람이 자연어로 질문하면 문맥을 분석하고 기존 학습을 바탕으로 가능한 최상의 응답을 예측해 생성한다. 대규모 파라미터를 가진 모델은 다양한 목적에 맞게 수정할 수 있으며, 일반적인 지식을 학습시킨 뒤 특정 목적의 데이터로 결과를 특수화하는 전이학습이 활용된다.
균형 있는 관점: 인공지능은 생산성과 문제해결 능력을 높이지만 일자리·편향·개인정보·저작권·책임 문제를 함께 관리해야 한다.
핵심 개념 정리
- 인공지능은 인간처럼 생각하고 행동할 수 있는 시스템을 구현하는 기술이다.
- 인공지능 안에 머신러닝이 있고, 머신러닝 안에 심층신경망 기반 딥러닝이 있다.
- 지도학습은 정답 레이블, 비지도학습은 숨은 구조, 반지도학습은 일부 레이블, 강화학습은 보상을 이용한다.
- 지도학습의 대표 문제는 분류와 회귀, 비지도학습의 대표 문제는 군집화와 차원축소이다.
- 강화학습은 에이전트가 환경과 상호작용하며 장기 보상을 최대화하는 정책을 배운다.
- AI는 데이터와 컴퓨팅 인프라를 바탕으로 다양한 산업에 적용되고 지속 학습으로 성능을 높인다.
- AI의 확산에는 일자리·편향·개인정보·저작권·책임·설명 가능성의 쟁점이 따른다.
최종 암기: 레이블이 있으면 지도학습, 없으면 비지도학습, 일부만 있으면 반지도학습, 정답 대신 보상을 받으면 강화학습이다. 인공지능의 미래는 성능 향상뿐 아니라 데이터와 결과를 누가 책임지고 공정하게 관리할 것인지까지 포함한다.
예상문제 20선
1. 1956년 인공지능이라는 용어를 처음 사용한 인물은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
존 매카시는 1956년 인공지능이라는 명칭을 사용했다.
2. 튜링 테스트의 목적은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
튜링 테스트는 대화를 통해 기계와 인간을 구분할 수 있는지를 본다.
3. 1997년 인간 체스 챔피언을 이긴 시스템은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
딥 블루의 승리는 인공지능 성능 발전을 보여 준 대표 사건이다.
4. 인공지능·머신러닝·딥러닝의 포함관계는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
딥러닝은 머신러닝의 일부이고 머신러닝은 인공지능의 일부이다.
5. 약인공지능의 사례는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
약인공지능은 정해진 주제와 문제 범위에서 작동한다.
6. 머신러닝의 특징은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
머신러닝은 기존 데이터에서 일반화된 모델을 학습한다.
7. 딥러닝의 핵심 구조는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
딥러닝은 다층 신경망에서 가중치를 학습한다.
8. 지도학습과 비지도학습을 나누는 핵심 기준은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
지도학습에는 정답이 있고 비지도학습에는 정답이 없다.
9. 개·고양이 이미지를 정해진 범주로 구분하는 문제는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
분류는 여러 범주 중 하나를 출력한다.
10. 방의 크기와 개수로 집값을 예측하는 문제는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
회귀는 집값처럼 연속적인 수치를 예측한다.
11. 비지도학습의 대표 응용은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
레이블 없이 데이터의 숨은 구조를 찾는 대표 방법이다.
12. 차원축소의 목적은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
차원이 지나치게 높을 때 학습 부담과 예측 저하를 줄인다.
13. 반지도학습에 적합한 데이터는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
소량의 레이블 정보를 이용해 대량의 무레이블 학습을 보완한다.
14. 강화학습에서 행동을 선택하는 학습 주체는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
에이전트는 상태를 보고 행동하며 보상으로 정책을 개선한다.
15. 강화학습의 최종 목표는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
현재 보상뿐 아니라 미래 보상까지 고려한 행동 전략을 배운다.
16. AI 기술의 특징으로 옳지 않은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
AI 결과는 데이터 품질·편향·모델과 컴퓨팅 조건에 영향을 받는다.
17. 인공지능의 부정적 미래 쟁점은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
기술의 이익과 함께 사회·법·윤리 문제를 관리해야 한다.
18. GPT의 의미는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
GPT는 사전학습된 생성형 Transformer 모델이다.
19. 전이학습의 설명으로 옳은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
사전학습된 능력을 새로운 과제에 재사용해 특수화한다.
20. 머신러닝 학습 방식의 구분으로 옳은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
네 방식의 핵심 차이는 학습에 제공되는 지도정보와 목표이다.
댓글
댓글 쓰기