인공지능, 기계학습, 심화학습의 다름(4/5)

인공지능, 기계학습, 심화학습의 다름(4/5)

 

 

 

4) 딥러닝-기계학습을 실제장식하기 위한 수법

 

 

초기 기계학습연구자에 의하여 생겨난 다른 알고리즘 어프로치에 <인공 뉴랄 네트워크>가 있는데, 수십 년 간에 나타나고서는 태반이 사라지고 말았다. 뉴랄 네트워크는 인간의 뇌의 생물학적 구조(뉴런 사이의 모든 상호접촉)의 이해에서 착상을 얻은 것이다. 단지 모든 뉴런이 특정한 물리적 범위 내에 있는 다른 어떤 뉴런에도 접속할 수 있는 생물학적인 뇌와는 다르고 인공 뉴랄 네트워크에서는 데이터의 전달에 있어서 층(層), 접속, 방향이 별개로 정의된다.

 

예를 들면 화상을 추출하고 그것을 다수의 타일로 나누어 뉴랄 네트워크의 최초의 층에 입력한다고 한다. 최초의 층의 개개의 뉴런에 의하여 두 번째의 층에 데이터가 건네져서 최종적인 출력이 생성되기까지 같은 모양의 처리가 반복된다.

각 뉴런은 각각의 입력에 대하여 겹침을(실행되는 최소 단위에 대한 정오의 확률)할당한다. 그리고 최종적인 출력이 그들의 겹침의 합계에 따라 결정된다.

 

그러면 앞의 일시정지표지의 예를 생각해 보자. 일시정지표지의 화상의 속성이 잘게 나누어져 뉴런에 따라 <검증>된다.(예를 들면 그 팔각형의 형상, 빨간 색, 특유의 문자, 도로표지 사이즈, 움직이는지 어떤지 등)이다. 뉴랄 네트워크의 최소 단위는 그것이 일시정지표지인지 아닌지를 가려내어 겹침에 기초하여 <확률벡터(vector=힘, 이동, 속도 같은 양)(매우 고도의 지견에 따라 받침 되는 추측)를 제시한다.

 

예를 들면 이 예로 말한다면 시스템은 화상이 일시정지표지일 확률이 86%, 제한속도표지인 확률이 7%, 나무에 걸린 연일 가능성이 5%이라고 하는 정도로 제시할 것이다. 그리고 네트워크 아키텍처(network architecture=컴퓨터 네트워크의 디자인이다. 네트워크의 물리적인 요소들과 기능 조직, 구성, 동작 원칙, 절차, 사용되는 통신 프로토콜의 사양을 위한 프레임워크이다.위키백과)가 뉴랄 네트워크에 그것이 바른지 어떤지를 전한다.

 

다시 말하자면 바로 최근까지 뉴랄 네트워크는 AI연구 커뮤니티에서 거의 경원시하고 있었으므로 이 예는 앞서가는 것인지 모른다. AI의 초창기부터 존재한 뉴랄 네트워크이지만 지금까지 거의 <지능>을 낳지 않았다. 문제는 가장 기본적인 뉴랄 네트워크마저 계산처리상의 요구가 매우 높고, 단순히 실용적인 어프로치는 아니라는 것이 된다. 그렇지만 오히려 토론토대학의 제프리 힌톤(Geoffrey Hinton）씨가 이끄는 이단연구(異端硏究)의 소인수 그룹은 체념하지 않고 연구를 계속하여 마침내 슈퍼컴퓨터에서의 실행에 대응한 알고리즘의 병렬화에 성공하여 그 개념을 실증하였다. 단지 그 목표가 실현된 것은 GPU를 연구에 도입해서부터이다.

 

다시 일시정지표지의 예로 돌아가면, 네트워크의 최적화, 곧 <트레이닝>을 행하는 방은 틀린 답을(대량으로) 나타낼 가능성이 크다. 그 해결에는 트레이닝이 있을 뿐이다. 뉴런의 입력에 대한 겹침이 철저해서 최적화되고 안개의 유무나 맑은지 흐린지 하는 것과 무관하게 거의 매회 바른 정답을 내게 될 때까지 몇 십만 매, 혹은 몇 백만 매의 화상을 읽어낼 필요가 있다.

그러함으로써 뉴런 네트워크는 일시정지표지의 눈금을 독습할 수 있게 되는 것이다.

 

이것은 Facebook의 경우라면 어머니의 얼굴, 혹은 2012년에 앤드류 응（Andrew Ng）씨가 Google에서 성공시킨 고양이에게도 해당된다.

응씨의 획기적인 어프로치는 그러한 뉴랄 네트워크를 이용하여 본질적으로 그것들을 대폭 확대하고 층(層)과 뉴런을 늘려서 팽대한 데이터를 시스템으로 처리함으로써 시스템과 트레이닝을 행한다는 것이다. 응씨의 경우 그것은 1,000만 본의 YouTube 비디오의 화상이었다. 동씨는 딥러닝에 뉴랄 네트워크의 모든 층을 나타내는 <딥  Deep>(심층)를 들여 넣은 것이다.

 

현재 몇 개의 시나리오에서는 딥러닝을 이용하여 트레이닝이 행해진 기계에 의한 화상인식이 인간의 능력을 초월하기까지에 이르렀다. 그 범위는 고양이에서, MRI스캔에서의 종양이나 혈액에서의 암의 걸림의 특정까지, 여러 갈래에 이른다. 또 Googl의 알파고는 바둑을 학습하여 알파 바둑 자신과의 대국을 몇 번이나 반복하여 트레이닝을 행하여 그 뉴랄 네트워크(Neural Network=인공신경망은 기계학습과 인지과학에서 생물학의 신경망에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다.위키백과)를 최적화하였다.

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

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