인공지능, 기계학습, 심화학습의 다름(3/5)

인공지능, 기계학습, 심화학습의 다름(3/5)

 

 

 

3) 기계학습-인공지능을 실현하기 위한 어프로치

 

 

본질적으로 <기계학습>이란 세상의 특정한 사상(事象/일)에 대하여 데이터를 해석하고 그 결과로서 학습하여 판단이나 예측을 행하기 위한 *알고리즘을 사용하는 수법이라고 할 수 있다. 곧 기계학습에서는 특정한 최소단위를 완료하기 위한 명확한 수순에 따라 수작업으로 소프트웨어 *루틴을 코딩하는 것이 아니고 대량의 데이터와 다스크(task=작업, 학업, 일 등의 의미)를 실현하는 방법을 학습할 수 있는 능력을 제공하는 알고리즘에 기초하여 기계의 <트레이닝>이 행해진다.

 

* 알고리즘(Algorithm)=알고리즘은 수학과 컴퓨터 과학, 언어학 또는 관련 분야에서 어떠한 문제를 해결하기 위해 정해진 일련의 절차나 방법을 공식화한 형태로 표현한 것을 말한다. 알고리즘은 연산, 데이터 진행 또는 자동화된 추론을 수행한다. 산법으로 번역되기도 한다. 위키백과。

 

* 루틴(routine)=모양 그대로의 (동작), 일과(日課)、정형업무(定形業務) 등의 의미.

 

기계학습은 초기 AI연구자의 정신에서 직접 생겨난 것인데 연월과 함께 그 알고리즘에 따라 어프로치에는 결정목학습(決定木學習)이나 귀납논리 프로그래밍, 크라스타링, 강화학습 베이즈 네트워크를 비롯한 수법이 들여졌다. 알고 있는 바와 같이 어느 것이나 <범용A>I의 최종적인 목표를 달성하는 것은 아니고 초기의 기계학습 어프로치에서는 <특화형AI>마저 거이l 실현하지 못하였다.

 

결국 기계학습의 최적한 응용분야의 하나는 장기에 걸쳐 <ㅡ컴퓨터비젼>이었지만 그것도 그 작업을 완료하기에는 꽤 수작업에 의한 코딩이 필요했다. 예를 들면 일시 정지의 도로표지를 식별하는 경우 프로그램이 오브젝트의 개시위치와 종료위치를 특정할 수 있도록 하기 위한 에지검출 필터나 팔각형인지 아닌지를 판단하기 위한 형상검출, <S-T-O-P>라는 문자를 인식하기 위한 분류자(分類子)를 수작업으로 코딩할 필요가 있었다. 그래서 그들 모두의 분류자에서 화상의 의미를 이해하고, 학습하고, 그것이 일시 정지의 표지가 어떤지를 판단하기 위한 알고리즘을 사람이 개발하고 있었다.

 

이 수법은 나쁘지는 않지만 놀라울 정도로 훌륭한 것도 아니다. 특히 안개가 깊은 날에 표지가 확실히 보이지 않는 경우나 나무로 표지의 일부가 감추어지는 경우에는 문제가 생긴다. 바로 최근까지 컴퓨터비젼이나 화상검출이 인간에게 대항할 수 있을 정도 진화하지 않은 이유는 매우 불안정하고 오류를 일으키기 쉬웠기 때문이다. 그러나 시간과 그리고 적절한 학습 알고리즘이 상황을 일변시켰다.

 

* 에지검출（Edge detection=화상처리나 컴퓨터비젼의 용어. 특징검출(特徴検出/Feature detection)이나 특징추출(特徴抽出/Feature ...)의 종류와 에지의 강함의 계산방법이 다르다.).

* 베이즈 네트워크(Bayesian Network)=베이즈 네트워크 혹은 빌리프 네트워크 또는 방향성 비순환 그래픽 모델은 랜덤 변수의 집합과 방향성 비순환 그래프를 통하여 그 집합을 조건부 독립으로 표현하는 확률의 그래픽 모델이다. 예를 들어, 베이지안 네트워크는 질환과 증상 사이의 확률관계를 나타낼 수 있다.위키백과

* 결정 트리 학습법(decision tree learning)=결정 트리 학습법은 어떤 항목에 대한 관측 값과 목표 값을 연결시켜주는 예측 모델로써 결정 트리를 사용한다. 이는 통계학과 데이터 마이닝, 기계 학습에서 사용하는 예측 모델링 방법 중 하나이다. 트리 모델 중 목표 변수가 유한한 수의 값을 가지는 것을 분류 트리라 한다. 위키백과

* 오브젝트(object)=물건, 물체, 목표물, 대상, 목적어, 객어의 뜻)

* 분류자(分類子/classifier)=분류지표, 가테고리 등

출처=미카엘 코플랜드(Michael Copeland) · August 9, 2016

출처=https://blogs.nvidia.co.jp/.../whats-difference-artificial-intelligence