우리는 인공지능 AI가 굉장히 발달하고 있는 급변하는 세상에서 살고 있습니다.
그러나 배우지 않으면 활용할 수 없기 때문에 오늘은 인공지능(AI)의 주요 내용과 우리 사회를 어떻게 발전시키고 있는지 알아보도록 하자.
AI는 Artificial Intelligence의 약자로, 한국어로는 인공지능이라고 하며, 주요 의미는 기계나 컴퓨터가 인간처럼 학습하고 사고하며 문제를 해결할 수 있도록 하는 기술을 말합니다.
좀 더 구체적으로 알아보겠습니다.
1. AI 정의
인간 지능의 핵심 특징은 제한된 수단을 무한히 활용할 수 있는 능력입니다(Humboldt, 1836; Chomsky, 1965). 이는 작은 요소 집합(예: 단어)을 활용해 무한한 방식으로 (예: 새로운 문장으로) 생산적으로 구성할 수 있는 능력을 의미합니다.
이는 "조합적 생성 원리"를 반영하는데, 이는 알려진 구성 요소로부터 새로운 추론, 예측, 행동을 구성하는 것을 의미합니다(Battaglia et al., 2018).
1)일정의 어휘를 조합하여 무한 것을 만들 수 있는 능력이 사람의 지능이라고 일컬어지고 있습니다.
(예시 : 영어는 26개 단어를 조합해 수많은 뜻, 문장을 만들어 낼 수 있습니다. 이러한 능력을 지칭합니다.)
2) 과거의 경험으로 미래를 예측, 과거의 패턴으로부터 일반화하고 대처할 수 있는 능력
3) 지능은 새로운 상황에 적응하는 능력이다
2. 인공지능 AI 적용사례(기능)
1) 학습 및 적응
AI 시스템은 방대한 양의 데이터를 처리하고 학습할 수 있으며, 명시적인 프로그래밍 없이 시간이 지남에 따라 행동을 적응시키고 성능을 향상합니다.
이는 정적 규칙을 기반으로 작동하며 새로운 데이터에서 학습할 수 없는 비AI 기술들과 대조됩니다.
2) 추론
AI는 불완전하거나 모호한 정보를 바탕으로 의사결정을 내리고, 논리적 과정을 적용하여 결론을 도출하는 복잡한 추론을 할 수 있습니다. 반면, 규칙 기반 시스템은 프로그래밍된 지침의 엄격한 범위 내에서만 의사결정을 내릴 수 있으며, 모호성이나 변화를 인간의 개입 없이 처리할 수 없습니다
3) Problem-Solving
AI 기술은 복잡하고 비구조적인 문제를 자율적으로 탐색하고, 혁신적인 솔루션을 생성하며, 학습된 데이터 패턴을 기반으로 결과를 최적화하는 데 뛰어납니다. 이는 사전 정의된 경로가 필요하고 특정 프로그래밍 외의 문제를 해결할 수 없는 비 AI 시스템의 능력을 넘어서는 중요한 진전입니다.
4) Language Use
자연어 처리(NLP)를 통해 AI는 인간의 언어를 이해하고 생성할 수 있으며, 이를 통해 사용자와의 정교한 상호작용 및 커뮤니케이션이 가능합니다. 이는 구조화된 명령에 의존하고 자연어를 처리하거나 생성할 수 없는 전통적인 소프트웨어와는 뚜렷한 차이를 보입니다.
3. AI 대표적 모델
2000년대 ANN (인공지능 신경망, Artificial Neural Network) 이 대두된 이후 시각적 image의 경우 CNN: Convolutional Neural Network (합성곱 신경망) 으로 발전했고, 시간적인 sequential data는 RNN: Recurrent Neural Network (순환 신경망)으로 발전했다. 최근에서는 2개 모델을 통합하는 Multimodal 이 대두되고 있습니다.
Multimodal은 여러 종류의 데이터를 결합하여 처리하는 방식을 의미합니다. 예를 들어, 텍스트, 이미지, 오디오 등 다양한 형태의 데이터를 동시에 처리하고 분석하는 기술을 말합니다. Multimodal AI 시스템은 이러한 다양한 데이터 소스를 결합해 더 풍부하고 정확한 분석을 제공할 수 있습니다. 예를 들어, 이미지와 텍스트를 함께 분석하여 더 나은 결과를 도출하는 방식입니다.
RNN (Recurrent Neural Network)은 순차적인 데이터(예: 시간에 따른 변화, 텍스트, 음성 등)를 처리하는 데 특화된 인공 신경망으로, 시계열 예측 등의 분야에서 유용하게 사용됩니다. 그러나 긴 시퀀스를 처리할 때 발생할 수 있는 기울기 소실 문제를 해결하기 위해 LSTM(Long Short-Term Memory)이나 GRU(Gated Recurrent Unit)와 같은 변형이 사용되기도 합니다.
Seq2 Seq (Sequence to Sequence)는 주로 시퀀스 데이터 간의 변환을 수행하는 딥러닝 모델 구조입니다.
번역과 같은 작업에 일반적으로 사용되는 모델 구조로, 하나의 시퀀스를 다른 시퀀스로 변환하며, 주로 RNN이나 트랜스포머를 사용합니다
반복을 자주한 것, 자주 머무르 것을 기억하게 됩니다.
▶ 인코더: 입력 시퀀스를 처리하고, 이를 고정 길이의 벡터(콘텍스트 벡터)로 압축합니다.
▶ 디코더: 이 벡터를 받아서 출력 시퀀스를 생성합니다.
Transformer: 입력 시퀀스의 병렬 처리를 가능하게 하는 자기 주의 메커니즘(self-attention)을 기반으로 한 모델 구조로, NLP 작업에서 최첨단 성능을 보여줍니다. (Transformer는 크게 GPT와 BERT로 구분됩니다.)
GPT (Generative Pretrained Transformer): 대규모 텍스트 코퍼스에서 사전 학습된 트랜스포머 기반 언어 모델로, 일관되고 맥락에 맞는 텍스트를 생성할 수 있습니다.
BERT (Bidirectional Encoder Representations from Transformers): 단어의 맥락을 모든 방향에서 이해하도록 사전 학습된 트랜스포머 기반 모델로, 다양한 NLP 작업에서 매우 효과적입니다.
4. 트랜스포머 모델 구조
트랜스포머 모델 는 인코더와 디코더로 불리우는 두 가지 주요 구성 요소로 이루어져 있습니다.
인코더는 입력 데이터를 처리하는 역할을 합니다. 인코더는 동일한 레이어들이 쌓여 있으며, 각 레이어는 두 가지 주요 구성 요소를 갖습니다: 멀티-헤드 어텐션(Multi-Head Attention)과 피드포워드 신경망(Feed Forward Neural Networks). 인코더의 역할은 입력 데이터의 중요한 특징을 추출하고 이를 표현하는 것으로, 입력 토큰 간의 맥락적 관계에 집중합니다.
디코더는 출력 시퀀스를 생성하며, 인코더와 유사한 레이어가 쌓여 있지만 마스크드 멀티-헤드 어텐션(Masked Multi-Head Attention) 메커니즘이 추가됩니다. 이는 디코더가 시퀀스에서 "미래 토큰"을 볼 수 없도록 하여 자가 회귀적 생성(autoregressive generation)을 보장합니다. 또한, 디코더는 인코더의 출력을 참조하여 처리된 입력 데이터를 바탕으로 맥락에 맞는 출력을 생성할 수 있습니다.
인코더는 입력 데이터를 이해하는 역할을 합니다. 예를 들어, 번역할 때 영어 문장을 이해하고, 그 문장의 핵심적인 의미를 추출하는 역할을 합니다. 즉, 주어진 입력 데이터를 이해하여 필요한 정보 추출합니다.
디코더는 출력 데이터를 생성하는 역할을 합니다. 인코더가 추출한 정보를 바탕으로 새로운 언어나 형태로 출력을 만들어냅니다. 즉, 디코더는 인코더가 이해한 내용을 바탕으로 새로운 결과를 만들어내는 과정입니다.
따라서, 인코더는 "이해"를 하고, 디코더는 "생성"을 한다고 생각하면 됩니다.
5. AI 의 사회적 역할
AI가 우리 사회를 어떻게 발전시키고 있는지 알아봅시다.
인공지능(AI)은 최근 몇 년간 급속도로 발전하며 우리 사회의 다양한 분야에 큰 영향을 미치고 있습니다.
AI는 의료, 교육, 교통, 제조업 등 여러 분야에서 혁신을 이끌어내며, 인간의 삶을 더욱 편리하고 효율적으로 변화시키고 있습니다.
1. 의료 분야의 혁신
AI는 의료 분야에서 진단 및 치료 방법을 혁신하고 있습니다. 예를 들어, 엑스레이, CT 판독 등의 영상의학 분야에서는 이미 AI 알고리즘이 의료 이미지를 분석하여 질병을 조기에 발견하는 데 도움을 주고 있습니다.
정확성과 정밀도 측면에서 AI 가 판단한 결과가 전문 의사가 판단한 결과보다 신뢰성이 높다는 것이 수치적으로 증명되고 있는 상황입니다. 추가로, 기존 의사들보다 정확한 진단을 내려 질병을 조기가 발견하여, 완치되는데 기여하고 있습니다.
2. 교육의 변화
AI는 교육 분야에서도 큰 변화를 가져오고 있습니다. 도서관이 기능도 단순 도서 대여에서 확장하여, 각종 디지털 자료, 글로벌 특허, 논문, 구독형 유료 데이터 제공 등 학술정보관으로 바뀌어 학생과 연구원들의 연구에 효율적인 뒷받침을 해 주고 있습니다.
일반 학생을 대상으로 하는 AI 기반의 교육 플랫폼이 등장하면서, 학생들은 AI의 진단을 통해 자신이 부족한 부분을 쉽게 파악하고, 부족한 과목을 공부할 수 있어 학습의 효율성이 높아졌다고 생각됩니다.
3. 자율 주행차
자율 주행 레벨 3은 이미 사용화 되었으며, 급격한 AI 기술 개발로 향후 자율 주행 레벨4/5도 멀리 않아 달성될 것입니다. 이러한 자율 주행은 주변 사물을 인지/파악하는 AI 기술이 필수적으로 필요하며, 이동 수단의 새로운 혁명을 가지고 올 것으로 판단됩니다. 또한 현재에도 데이터 분석을 통해 는 실시간 교통 데이터를 분석하여 최적의 경로를 제시함으로써, 이동 시간을 절약할 수 있습니다.
4. 제조업의 혁신
디지털 트윈, IIOT 등을 활용한 스마트 플랜트로 생산 시스템의 생산성을 높이고, 불량률을 줄이는 데 기여할 수 있습니다. 실시간으로 기계의 상태를 실시간으로 모니터링하고, predictive maintenance를 통해 주요 장비의 효율적인 점검 및 점검을 생산 중단을 최소화할 수 있습니다.
특히 공장 내 수 많은 운전 변수들에 실시간 데이터 분석을 통해 최적점을 알려주므로, 생산 효율성을 극대화할 수 있습니다.
또한, 고소작업, 위험한 작업을 AI 기반의 로봇이 수행함에 따라 인간 대비 빠른 작업이 가능하며, 휴먼 에러를 줄일 수 있으며, 안전사고도 방지할 수 있다는 장점이 있습니다.
추가로, 자재 및 에너지 비용 관리 측면에서 AI 기반의 정확한 분석을 통해 실시간 재고 관리 및 사용되는 에너지를 최적화 할 수 있습니다.
AI 인공지능에 대해서 학습하고 배워가는 과정. 지금부터 천천히 학습해보자.