[유비쿼터스 컴퓨팅 개론] 15강 - 인공 지능

💡해당 게시글은 방송통신대학교 정광식 교수님의 '유비쿼터스 컴퓨팅 개론' 강의를 개인 공부 목적으로 메모하였습니다.

학습 개요

---

• 현대적인 의미의 컴퓨터가 등장한 이후 1950년대에 이미 인공 지능이란 용어가 사용 되었음
• 하지만 당시에는 컴퓨팅 인프라도 부족했고, 인공 지능을 위한 대용량 데이터 뿐만 아니라 이 데이터를 효과적으로 학습할 수 있는 알고리즘도 없었음
• 이후 인공 지능 암흑기를 거친 후, 여러 실증 연구에서 성과가 보이기 시작함
• 인공 지능 연구는 패턴 인식, 예측, 강화 학습 등 우수한 연구 성과를 기반으로 현재까지 활발하게 진행되고 있음
• 인공 지능은 인간처럼 생각하고 행동할 수 있는 기계를 만드는 기술을 의미함
• 이는 일반 프로그래밍과 달리 컴퓨터가 입력 데이터를 이용하여 스스로 알고리즘을 찾아내는 것으로, 여러 산업 영역에서 인공 지능 기술을 적용하면서 많은 성과를 내고 있음
• 이러한 인공 지능의 동작 원리를 이해하고, 향후 발전 방향에 대하여 살펴봄

학습 목표

---

• 인공 지능의 장점과 단점, 향후 전망에 대해 설명할 수 있음
• 인공 지능의 정의와 역사를 살펴보고, 그 과정에서 어떤 사건들이 있었는지 이해할 수 있음

강의록

---

인공 지능, 머신 러닝, 딥 러닝

인공 지능의 역사

• 2016년 3월, 국내 바둑 기사 이세돌과 알파고의 대국이 개최되었고, 결과는 알파고의 4대 1 완승이었음
• 그 이후 인공 지능을 갖춘 다양한 서비스가 우리의 삶 속에 제공되기 시작하였음
• 인공 신경 망
  • 인공 신경 망은 인간의 뇌에 있는 뉴런 구조를 흉내 낸 모델로 인공 지능에서 활용하는 기술 중 하나임
  • 즉, 뇌에 있는 뉴런은 여러 계층으로 나열되어 있고, 인접한 계층의 뉴런들이 서로 연결되어 있음
  • 외부의 입력은 입력 층으로 전달되고, 각 뉴런은 입력 신호들에 대하여 내부에 저장된 가중치(weight)를 이용하여 적절한 출력을 계산하여 다음 계층으로 보내게 됨

  

  

• 1940년대 중반 현대적인 컴퓨터가 등장했고, 1956년 존 매카시가 인공 지능이란 용어를 처음 사용하였음
• 앨런 튜링(Alan Turing)이 처음 제안한 튜링 테스트(Turing Test)는 컴퓨터의 지능을 평가하는 지표가 되었음
  • 튜링 테스트는 기계가 수행한 행동이 인간과 동등하거나 구별할 수 없을 정도인지를 테스트하는 것임
• 신경 외과 의사 워렌 매컬록(Warren McCullonch)과 논리 학자 월터피츠(Walter Pitts)가 인간의 뇌 구조와 유사하게 인공 신경을 그물 망으로 연결하여 간단한 기능을 구현할 수 있음을 증명하였음
• 추론 문제에서 인공 지능의 한계가 드러나면서 1차 암흑기가 도래하였음
  • 당시에는 컴퓨팅 인프라도 부족했고, 인공 지능을 위한 대용량 데이터뿐만 아니라 데이터를 효과적으로 학습할 수 있는 알고리즘도 없었음
• 1980년대에 이르러서 전문가 시스템(Expert System)과 딥 러닝 기술이 제안 되면서 인공 지능 연구가 되살아났음
• 전문가 시스템은 특정 분야(예를 들면, 의료나 제조업, 설계 등)의 전문 지식을 컴퓨터가 이해할 수 있도록 표현하여 일반인도 이를 이용할 수 있도록 하였음
• 제프리 힌튼(Geoffrey Hinton)과 데이비드 루멜하트(David Rumelhart)는 역전파(Backpropagation) 개념을 이용하여 학습 방법을 대중화하였음
• 고가의 전문가 시스템은 일부 영역을 제외하면 범용화 할 수 없다는 점에서 부정적으로 평가 받기 시작하였음
  • 이로 인해 인공지능 연구는 2차 암흑기에 들어섰고, 관련 연구는 대부분 슈퍼 컴퓨터를 활용한 시뮬레이션으로 전환하게 됨
• 2차 암흑기 시기에도 기존에 수학적으로만 증명된 심층 신경 망을 실질적으로 구현할 수 있는 컴퓨터 성능과 알고리즘 개선은 여러 연구자들에 의해서 계속적으로 이루어져 왔음
• 컴퓨팅 하드웨어 성능이 향상되면서 인공 지능 관련 연구에 필수적인 컴퓨팅 파워가 제공되기 시작하였음
• 1997년 IBM의 딥블루(Deep Blue)가 인간 체스 챔피언을 이겼음
• 2006년에 힌튼 교수는 심층 신경 망(딥러닝)을 제안하여 인공 지능의 실증 연구가 가능할 수 있었음
• 인공 지능 연구는 패턴 인식, 예측, 강화 학습 등의 우수한 연구 성과를 기반으로 현재까지 활발하게 진행되고 있음

인공지능의 정의

• 인간처럼 생각하고 행동할 수 있는 기계를 만드는 기술
• 인간이 학습을 통해 지식을 배워가듯이 기계가 유사하게 많은 데이터로부터 학습하면서 지식을 쌓고 행동할 수 있는 컴퓨터 시스템을 개발하는 것
• 컴퓨터 관련 이론뿐만 아니라 통계학, 의학, 철학, 심리학, 윤리학 등 다양한 학문 연구 결과를 활용함
• IT 관점에서 인공 지능은 주어진 문제를 해결할 수 있는 능력을 갖춘 시스템을 구현하는 것임
• 문제의 정의에 따라 강 인공 지능과 약 인공 지능으로 구분할 수 있음
• 약 인공 지능
  • 스팸 메일을 걸러내거나 바둑을 두고 인간과 대화가 가능한 기술 개발 등 특정한 주제에 한정된 문제를 해결할 수 있는 기술임
• 강 인공 지능
  • 인간의 지성 자체를 인공적으로 구현한 기술임
• 질문
  • 인간이 하는 여러 가지 일을 각각 구현한 후 이를 합치면 강 인공 지능이 가능할까?
• 답
  • 현재로서는 인간의 지성 자체를 올바르게 정의할 수 없을 뿐만 아니라, 뇌 과학 자체도 완벽하지 않기 때문에 강 인공 지능은 미래 공상 과학 영화에서만 가능한 것으로 간주하고 있다

• 일반적인 프로그래밍

  

  • (a): 프로그래머가 주어진 문제를 이해한 후
  • 그와 동일하게 기계가 동작할 수 있도록 알고리즘 구현 및 개발
  • 적절한 입력(Data)
  • 프로그램의 수행 및 결과(Output) 생산
• 하지만 해결해야 할 문제 자체가 간단하지 않다면, 그 알고리즘을 개발하는 것도 용이하지 않음
• 예를 들면, 사람마다 필기하는 방식이 모두 동일하지 않은데, 모든 종류의 필기를 인식할 수 있는 일반화된 알고리즘을 개발하는 것은 용이하지 않음
• 이에 따라 여러 사용자의 필기 데이터(Data)를 이용하여 컴퓨터가 스스로 여러 사용자들의 필기를 인식할 수 있는 알고리즘(Program)을 찾아내도록 하는 것이 기계 학습 개발 방식
• 이미지 속에서 개와 고양이를 구분하는 응용
  • 이를 위해 개와 고양이 사진을 상당히 많은 양을 확보한 다음, 이 사진들을 컴퓨터가 반복해서 학습하면서 가장 잘 구분할 수 있는 프로그램(혹은 알고리즘)을 찾도록 하는 것임
• 머신 러닝에서 주어진 문제에서 데이터를 기반으로 컴퓨터가 학습하면서 성능을 높일 수 있도록 스스로 만들어 낸 알고리즘을 모델(Model)이라고 함
• 딥 러닝
  • 머신 러닝의 한 종류
  • 인공 신경 망(Artificial Neural Network)의 은닉층(hidden layer)을 여러 계층 쌓아서 만든 깊은 신경 망(Deep Neural Network) 구조를 가짐
  • 뇌의 신경 망 구조와 유사한 방식으로 동작하도록 계층적인 인공 신경 망을 기반으로 설계되었음
• 인공 지능, 머신 러닝, 딥 러닝은 사람처럼 동작하는 기계를 만드는 동일한 목적을 가지고 있음
• 인공 지능
  • 큰 의미에서 인간처럼 동작할 수 있도록 컴퓨터 시스템을 구현하기 위한 방식
• 머신 러닝
  • 인간처럼 동작하기 위해 컴퓨터가 사람처럼 학습하여 스스로 규칙을 만들어낼 수 있도록 함
• 딥 러닝
  • 머신 러닝을 구현하는 방식 중 하나로 인공 신경 망 구조를 활용하였음

• 일반적인 인공 지능, 머신 러닝, 딥 러닝의 관계

  

머신 러닝

• 머신 러닝(Machine Learning, 기계 학습)
  • 인공 지능 기술 중 하나이며, 관련 분야의 데이터를 바탕으로 지식을 자동으로 습득하여 스스로 성능을 향상 시키는 기술
• 대상과 관련된 데이터 분석
  • 데이터 학습
  • 학습한 것을 적용해 입력이 주어지면 적절한 결정을 수행하는 알고리즘 개발

머신 러닝의 분류

개요

• 최근의 기술적 성과와 다양한 응용의 개발은 주로 머신 러닝과 딥 러닝에 기반함
• 머신 러닝과 딥 러닝은 데이터를 이용하여 기계가 스스로 일정한 규칙을 찾도록 함
• 2012년 구글과 앤드류 응(Andrew Ng) 교수는 딥 러닝을 활용하여 1,000만 개의 유튜브 영상에서 고양이를 74.8%의 정확도로 식별하였고, 이 과제가 성공하면서 머신 러닝 및 딥 러닝의 가능성이 크게 주목 받게 되었음
• 특정 문제에 대하여 머신 러닝을 활용하기 위해서는 주제와 관련된 대용량 데이터, 이를 학습할 수 있는 알고리즘, 그리고 데이터와 알고리즘을 처리할 수 있는 컴퓨팅 자원이 필요함
• 최근에는 클라우드 시스템이 대중화되고 빅 데이터 처리 기술이 성숙하면서 컴퓨팅 인프라가 충분하게 제공될 수 있게 되었음
• 머신 러닝이 해결하고자 하는 문제는 학습 종류에 따라 지도 학습, 비지도 학습, 강화 학습으로 구분하며, 그 외에 반 지도 학습도 있음
• 지도 학습과 비 지도 학습은 학습 데이터마다 관련된 정보인 레이블 유무에 따라 구분함
• 강화 학습은 컴퓨터가 주어진 상황에 대해 적절한 행동을 수행한 후 적절한 보상을 수행하는 방식임

지도 학습

• 모든 학습 데이터(x)에 적당한 레이블(y)을 부여한 후, 기계가 입력 집합 x를 모델에 넣어 결과에 해당하는 y값과 비교함으로써 모델의 성능을 높이는 학습을 진행하게 됨
• 레이블은 각 학습 데이터에 대한 정답으로 이해할 수 있음
  • 학습 데이터로 수집한 이미지에 이미지의 내용에 해당하는 ‘개’, ‘고양이’ 등을 레이블로 지정해 둔 후, 학습을 진행하면서 이미지가 무엇을 표현하는지 구분할 수 있도록 함
• 머신 러닝을 수행하기 위해 수집 된 데이터 중 일부는 학습에 사용하고, 나머지는 테스트에 사용함
• 학습을 진행한다는 것은 레이블 된 학습 데이터를 머신 러닝 알고리즘에 전달하여 예측을 수행하고, 그 예측이 정확한지 레이블과 비교하면서 정확도를 높여 나가는 과정
• 이 과정에서 내부 가중치를 조절하기 위해 비용 함수, 활성화 함수 등 다양한 개념이 적용됨
• 지도 학습은 학습하는 목적에 따라 분류와 회귀 모델로 구분함
  • 분류
    • 학습 데이터 집합을 지정 된 항목 중 하나로 선별하는 문제이며, 분류 문제에서 레이블은 이산적이고 순서가 없음

• 이미지 집합이 주어졌다면, 학습된 결과는 {cat, dog, mug, hat} 중 하나로 분류되는 문제가 될 수 있음

  

• 메일에서 스팸 메일을 필터링 하기 위해 지도 학습을 사용하는 경우
  • 먼저 수집 된 수많은 이메일 각각에 ‘정상 메일’과 ‘스팸 메일’이라는 레이블을 부여함
  • 각 메일에 대하여 학습을 수행함
  • 새롭게 들어온 메일을 ‘정상 메일’과 ‘스팸 메일’으로 구분함
• 스팸 메일 필터도 분류 문제가 됨
• 회귀 모델
  • 주어진 데이터의 속성 값을 기준으로 연속된 값 또는 분류된 값 중 N개의 값 중 하나를 예측하는 문제이며, 출력 되는 값이 분명하게 예측하는 것이 아니라, 연속된 값들 중 하나로 출력하는 것임
• 특정 지역에서 동네 별 범죄율, 세금, 집의 크기, 방의 개수와 같은 데이터를 집합 및 그 집 가격에 해당하는 레이블을 사용하여, 새로운 집의 가격을 예측하는 문제임
  • 여기서 동네별 범죄율, 세금, 집의 크기, 방의 개수와 같은 변수를 예측 변수 혹은 특성이라고 하고, 집의 가격을 결과라고 함
• 학생들의 수학 과목을 공부한 시간(x)과 성적(y)과의 관계를 이용하여 모델을 만드는 경우
  • 공부한 시간에 해당하는 독립 변수가 주어졌을 때, 그에 해당하는 성적이란 종속 변수 값을 분석하여 예측하는 모델을 생성할 수 있음
  • 이때 성적은 0부터 100점 사이의 임의의 실수 값이 되므로 회귀 분석의 예가 됨

  

비 지도 학습

• 비 지도 학습은 주어진 데이터에 대한 어떤 지식이나 레이블도 없는 데이터를 다룸
• 레이블이 없는 데이터를 학습하는 목적은 해당 데이터에 있는 알려지지 않은 특징이나 구조를 스스로 파악하여 일정한 규칙성을 찾아내는 것임
• 지도 학습의 데이터는 학습 과정에서 주어진 입력에 대한 정답에 해당하는 레이블을 가지고 있음
• 비 지도 학습은 결과에 대한 어떤 가정도 없이 학습을 수행하고, 그 결과로부터 유의미한 지식을 얻고자 함
• 비 지도 학습의 주요 응용에는 군집화와 차원 축소가 있음
• 군집화
  • 주어진 입력 데이터를 의미 있는 N개의 클러스터로 구분하는 데이터 분석 기법
  • 각 클러스터 내에 포함된 데이터들은 다른 클러스터의 데이터와는 다른 어떤 공통된 특징을 가지고 있음
  • 예를 들면, 마케팅 회사에서 관리하는 고객 데이터를 고객의 나이(x)와 고객의 홈페이지 방문 횟수(y)와의 유사도를 기반으로 세 개의 그룹으로 군집화 할 수 있음

  

• 비 지도 학습의 차원 축소
  • 다 차원 데이터의 집합에서 일부 속성을 제거하여 새로운 차원의 데이터 집합을 생성하는 작업임
  • 대개 하나의 데이터는 여러 특성으로 구성되어 있으며, 차원은 특성의 개수를 의미함
  • 일반적으로 차원이 클 경우, 데이터 간의 거리가 기하급수적으로 커지기 때문에 모델의 예측 정확도가 떨어지게 됨
• 일반적으로 차원 축소는 피처 선택과 피처 추출로 구분함
• 피처 선택
  • 특정 피처에 강하게 연관된 다른 피처를 제거하는 것
• 피처 추출
  • 기존 피처를 중요한 피처 위주로 저 차원으로 압축해서 추출하는 것임

반 지도 학습

• 반 지도 학습은 전체 데이터 중에서 일부만 레이블을 가지고 있을 때 적용함
• 대부분의 반 지도 학습은 지도 학습 알고리즘과 비 지도 학습의 조합으로 이루어짐
• 레이블이 없는 데이터에 대해 일부 레이블 있는 데이터로 보충해서 학습을 시키는 방식임

강화 학습

• 사람들은 경험으로부터 배운다는 말을 구현한 것이 강화 학습임
• 지도 학습과 비 지도 학습은 현재 상태를 특별히 가정하지 않고, 단지 주어진 데이터를 이용하여 학습을 수행하면서 특정 문제에 대한 모델을 생성해 나가는 방식임
• 강화 학습
  • 행동을 수행할 에이전트가 현재 상태를 기반으로 하여 행동을 선택함
  • 가능한 행동 중에서 가장 큰 보상을 받을 수 있는 행동이 무엇인지 스스로 학습하도록 함
  • 현재 상황에 따라 보상을 크게 받을 수 있도록 시행 착오를 하면서 학습을 진행함
• 바둑의 경우, 현재 바둑판에 놓인 백돌과 흑돌이 현재 상태가 되며, 그에 따라 다음에 둘 수 있는 위치들의 집합이 선택 가능한 행동임
• 대국 도중에는 그 선택 가능한 행동 중에서 승리하기 위해 가장 좋은 수가 무엇인지 알기 힘듦
• 대국이 끝나면 각각의 수에 대해 피드백을 받아, 이겼을 때에는 양의 보상을 받고 졌을 때에는 음의 보상을 받도록 함
  • 강화 학습의 학습 방식
• 강화학습에서는 에이전트에게 무엇을 하라고 명령을 내리지 않고, 단지 강화 학습의 목표가 무엇인지 지정해 둠
• 이후 여러 차례 시행착오를 통해 얻은 결과를 바탕으로 에이전트는 지속적으로 보상을 받으면서 성능이 향상됨

• 강화 학습 모델

  

• 현재 상태 Sₜ에서 수행할 행동 Aₜ를 결정해야 하는데 이를 정책이라고 함
• 강화 학습의 목적이 보상을 최대로 할 수 있도록 정책을 학습해야 하는데, 이는 가치 함수로 표현하고 가치 함수는 현재 상태를 입력으로 주었을 때 출력 되는 리턴 값에 대한 기댓 값으로 표현하며, 벨만(Bellman) 방정식으로 표현할 수 있음
• 바둑에서는 여러 차례 대국을 진행하면서 가치 함수를 높일 수 있도록 에이전트의 정책이 개선되는 것임

인공 지능의 미래

개요

• 2016년 세계 경제 포럼(WEF)에서 처음 언급된 4차 산업 혁명은 향상 된 정보 통신(IT) 기술을 타 산업에 융합하여 혁신 시키고자 하는 차세대 산업 혁명임
• 이를 위한 핵심 기술에는 빅 데이터, 인공지능, 사물 인터넷, 로봇, 3차원 프린팅, 나노 기술 등이 있음
• 지난 10여 년간 인공 지능 관련 여러 기반 기술이 성숙해지고, 대용량의 데이터를 수집하여 처리할 수 있는 알고리즘 및 컴퓨팅 인프라가 충분히 지원되면서, 보안, 자율 주행 자동차, 금융, 마케팅, 물류, 엔터테인먼트, 의료 등 다양한 분야에 적용되고 있음

인공 지능 기술의 특징

• 인공 지능은 사람을 흉내 내는 것을 목표로 하지만, 일부 영역에서는 이미 사람보다 우수한 성능을 보이고 있음
• 머신 러닝이나 딥 러닝처럼 입력 데이터로 학습하면서 생성해 낸 알고리즘은 결국 방대한 데이터를 처리하여 나온 결과이며, 이러한 방대한 데이터 처리 역시 우수한 컴퓨팅 인프라를 활용하고 있음
• 특정 분야와 관련된 방대한 데이터를 수집하고 이를 처리한 후, 적절한 모델에 적용할 수 있다면 인공 지능은 상당히 많은 영역에서 사람들의 행동 양식에 영향을 줄 것으로 기대됨
• 일단 특정 응용에서 인공 지능의 초기 모델이 생성 된 후에도 지속적으로 데이터가 추가된다면 기계 스스로 계속 학습하면서 성능이 더 좋아질 수 있다는 것도 중요한 장점이 될 수 있음
• 다만, 얼마 전 이슈가 된 초 거대 언어 모델(LLM)처럼 이전과 비교할 수 없을 정도의 양을 가진 데이터를 학습하기 위해서는 엄청난 컴퓨팅 파워가 필요함
• 자본, 기술, 인프라를 갖춘 대기업을 중심으로 선도적인 기술 및 서비스 개발이 이루어질 수 있음을 시사함

인공 지능의 부정적인 미래

• 여러 산업 영역과 관련된 데이터와 올바른 모델만 있다면 사람처럼 동작할 수 있는 인공 지능 기계가 등장할 수 있으며, 결국 그 자리에서 일하던 인간의 필요성이 사라질 수 있다는 의미이기도 함
• 대표적으로 단순 반복 업무인 고객 응대, 애프터 서비스(AS), 정보 요청(FAQ)은 챗 봇으로 대체될 수 있음
• 뿐만 아니라 전문직으로 여겨졌던 은행 및 보험 업무, 회계사, 공무원의 행정 업무, 법률 서비스 등도 인공지능에 의해 일자리가 위협 받는 직업으로 예측됨
• 2011년 IBM이 개발한 왓슨은 퀴즈 대회에서 인간 챔피언을 이기고 우승했음
• 왓슨은 왓슨헬스 그룹을 설립한 후 50만 편의 논문을 통해 여러 항암 유전자를 찾아냄
• 그 외에도 헬스케어, 법률, 광고, 요리 등에서도 활약하고 있음
• 학습에 사용된 원천 데이터에 포함된 개인 정보 보호 이슈, 개인의 잊혀질 권리, 콘텐츠의 원 저작자와 저작권 문제 등은 아직 해결되지 않은 주요 쟁점임
• 초 거대 언어 모델과 ChatGPT
  • 자연어 처리는 컴퓨터가 음성이나 문자 형태인 사람의 언어를 이해하고, 생성 및 조작할 수 있는 기술임
  • ChatGPT는 OpenAI가 개발한 프로토 타입 대화형 인공지능 챗봇(Chat Bot)임
  • GPT는 Generative Pre-trained Transformer의 약자로, Transformer 아키텍처를 기반으로 구축된 신경 망 기반 언어 예측 모델임
  • 즉, 사람이 자연어로 질의한 질문을 분석하고 언어에 대한 이해를 바탕으로 가능한 최상의 응답을 예측하여 생성할 수 있음
  • 2018년 개발된 GPT-1은 1억 1,700만 개의 파라미터를 가지고 있지만, GPT-3은 1,750억 개, GPT-4는 수십조 개의 파라미터를 가진 것으로 예상 됨
  • 이처럼 엄청난 파라미터를 가진 초거대 언어 모델을 만드는 이유는 일단 완성되면 다양한 목적에 맞게 수정될 수 있기 때문임
  • 이를 위해 다양한 목적에 적용할 수 있도록 먼저 일반적인 지식을 학습 시키는 사전 학습과 사전 학습 결과를 목적에 맞게 특수 화 시키는 전이 학습이 활용

정리 하기

• 인공 지능은 큰 의미에서 인간처럼 동작할 수 있도록 컴퓨터 시스템을 구현하기 위한 방식들을 의미함
• 머신 러닝은 인간처럼 동작하기 위해 컴퓨터가 사람처럼 학습하여 스스로 규칙을 만들어 낼 수 있도록 함
• 딥 러닝은 머신 러닝을 구현하는 방식 중 하나로 인공 신경 망 구조를 활용함

연습 문제

---

1. 모든 학습 데이터(x)에 적당한 레이블(y)을 부여한 후, 기계가 입력 집합 x를 모델에 넣어 결과에 해당하는 y값과 비교함으로써 모델의 성능을 높이는 학습 방식은 무엇인가?

   a. 지도 학습(Supervised Learning)

2. 위 지문은 무엇에 대한 설명인가?

    인공신경망(Artificial Neural Network)에서 은닉층(hidden layer)을 여러 계층 쌓아서 만든 깊은 신경망(Deep Neural Network)이며, 
    뇌의 신경망 구조와 유사한 방식으로 동작하도록 계층적인 인공신경망을 기반으로 설계된다
   

   a. 딥 러닝

3. 출력 되는 값이 분류 문제처럼 N개의 값 중 하나를 예측하는 것이 아니라, 연속된 값 중 하나를 출력하는 것은 무엇인가?

   a. 회귀 모델

정리 하기

---

• 인공 신경망
  • 인간의 뇌에 있는 뉴런 구조를 흉내 낸 모델로 인공 지능에서 활용하는 기술 중 하나임
  • 즉, 뇌에 있는 뉴런은 여러 계층으로 나열되어 있고, 인접한 계층의 뉴런들이 서로 연결되어 있음
  • 외부의 입력은 입력 층으로 전달되고, 각 뉴런은 입력 신호들에 대하여 내부에 저장된 가중치(weight)를 이용하여 적절한 출력을 계산하여 다음 계층으로 보내게 됨
• 머신 러닝(Machine Learning, 기계 학습)
  • 인공 지능 기술 중 하나이며, 관련 분야의 데이터를 바탕으로 지식을 자동으로 습득하여 스스로 성능을 향상 시키는 기술임
• 딥러닝
  • 머신 러닝의 한 종류이며, 인공 신경 망(Artificial Neural Network)의 은닉 층(hidden layer)을 여러 계층 쌓아서 만든 깊은 신경 망(Deep Neural Network) 구조를 가짐
• 강화 학습
  • 컴퓨터가 주어진 상황에 대해 적절한 행동을 수행한 후 적절한 보상을 수행하는 방식임
• 지도 학습
  • 모든 학습 데이터(x)에 적당한 레이블(y)을 부여한 후에 기계가 입력 집합 x를 모델에 넣어 결과에 해당하는 y값과 비교함으로써 모델의 성능을 높이는 학습을 진행함
• 비 지도 학습
  • 주어진 데이터에 대한 어떤 지식이나 레이블도 없는 데이터를 다룸
• 강화 학습
  • 행동을 수행할 에이전트가 현재 상태를 기반으로 하여 행동을 선택하고, 가능한 행동 중에서 가장 큰 보상을 받을 수 있는 행동이 무엇인지 스스로 학습하도록 함