as_always

머신러닝 자체 규칙을 만들기 위해 제공된 데이터 분석, 학습 학습 받는 데이터가 많을수록 성능이 올라가기 때문에 빅데이터 필요 학습 바탕으로 문제 판단, 예측 딥러닝 인간의 뇌의 뉴런과 유사한 정보 입출력 계층으로 데이터 학습 데이터 스스로 학습 컴퓨터 성능에 따라 학습되는 양, 속도의 차이가 크다

8. 인공지능과 윤리 인공지능의 영향력이 계속해서 커지고 있다. 인공지능이 한 결과에 대한 책임은 누가 져야할 것인지가 문제가 되고 있다. 자율주행자동차에 대한 처벌의 책임은 사람이 개입하는 레벨2,3 그리고 완전히 자율주행하는 레벨 4로 단계를 나누어서 처벌수위와 책임을 정한다. 완전한 자율주행의 경우에는 제조사의 책임으로 보지만 그 안에서도 알고리즘을 개발한 프로그래머의 잘못인지, 데이터를 수집한 빅데이터 담당자의 잘못인지, 총관책임자의 잘못인지 가리는 것도 문제가 되고 있다. 인공지능의 윤리 문제는 인공지능 면접관에서도 나타내고 있다. 채용 시장에서 AI면접관의 도입은 수시 채용의 효율적 운용, 지원자의 신뢰감 확보, 인사 전반의 미래 예측 가능등의 이유로 시작되었다. 하지만 인공지능이 인간의 잠재..

7. 인공지능의 문제점 바로 알기 인공지능 기술은 사람을 편하게도 해주지만 문제점들도 많다. 인공지능이 가져올 사회 문제의 사례로는 저작권의 침해를 들 수 있다. 인공지능에게 특정 소설가의 문체를 학습시키면 인공지능이 그 소설가가 쓰는 것처럼 글을 쓸 수 있다. 인공지능이 그린 그림은 고가로 팔리기도 했다. 인간 고유의 영역인 예술 영역에 인공지능이 들어오고 있다는 것을 뜻하는 사례들이다. 따라서 인공지능이 개발한 예술작품의 저작권에 대한 문제가 발생하기 시작했다. 인공지능이 만든 창작물이 기존 작품에 저작권을 침해할 수도 있다. 불법 복제를 막기 위해 개발된 복제 방지 기술인 워터마크를 인공지능 기술로 지울 수 있는 기술이 개발되었다. 이러한 기술로 지워진 자료 사용 시 저작권 문제가 발생할 수 있다...

6. 인공지능으로 변화하는 직업 인공지능이 사람의 일자리를 뺏을 것이다 혹은 그에 반대되게 인공지능으로 인해 새로운 직업이 창출되어 일자리가 늘 것이다 라고 생각할 수 있다. 인공지능의 능력이 사람을 능가한다면 그 직업은 사라지겠지만 인공지능은 할 수 없고 인간만이 할 수 있는 일에는 더 일자리가 늘어날 것이다. 경기장에서 심판의 역할을 보조하는 존재로써 인공지능이 사용되기도 하고 음식을 서빙하는 일도 인공지능이 할 수 있게 되었다. 인공지능은 창의적인 영역도 가능하다. 대표적인 사례로는 기자, 화가 등이 있다. 구글에서는 인공지능 작곡가까지 나오기도 했다. 인공지능이 인간만이 할 수 있었던 영역에까지 들어오게 되면서 인간의 영역이 위협받는다는 느낌이 들기도 한다. 사람의 육체적 노동만 대체할 수 있었던..

5. 인공지능과 학습 – 지도학습, 비지도학습, 강화학습 전문가 시스템 사람의 지식을 규칙으로 만들어 프로그램에 넣는 방식, 규칙으로 만들기 쉬운 문제에서는 작동을 잘하는 편 -> 컴퓨터를 사람처럼 학습시켜 스스로 규칙을 찾아낼 수 있게 하는 기계학습 등장 기계학습의 학습방법에 따른 분류 강화학습, 비지도학습, 지도학습 지도학습 정답을 미리 알려주어 학습하는 방법 레이블이 있는 데이터를 수집, 목적에 맞는 기계학습 모델을 설계한 후 기계학습 모델에 데이터 학습 - 분류문제 어떤 대상이 두 개 혹은 그 이상의 그룹 중에 어느 그룹에 해당하는지 분류하는 문제 이중분류사례 - 댓글을 악플인지 아닌지, 메일이 스팸메일인지 아닌지 분류하는 문제 등 다중분류사례 - 자율주행자동차가 신호등의 색을 인식하는 것, 얼굴..

4. 인공지능과 다양한 기술 이야기 눈을 통해 들어오는 시각 정보를 처리하여 어떤 이미지인지 인식하거나 문장을 읽고 그 의미를 파악하는 능력, 귀를 통해 들어오는 청각정보가 어떤 의미를 나타내는지 분석하는 능력, 근육을 사용해 목표한 물건을 움직이는 것들이 사람의 지능을 가지고 있어야 가능한 능력들이다. 이러한 사람의 지능을 인공지능이 구현해내고 있다. 이미지 인식 기술은 이미지 데이터로 학습한 기계학습 모델을 사용하여 새로운 이미지를 보면 그것이 어떤 것인지 구분한다. 이미지 인식을 하기 위해서는 이미지 데이터를 픽셀 단위로 나누어 이미지를 픽셀에 부여된 숫자로 표현, 해당 숫자들을 기계학습, 딥려닝 모델로 학습시킨다. 그러면 학습한 특징들을 바탕으로 새로운 이미지가 어떤 이미지인지 알아낼 수 있다. ..

3. 데이터의 중요성과 인공지능 ​ 우리가 스마트폰으로 업로드한 사진, 동영상들은 네트워크를 통해 인터넷으로 흘러가며 다양한 네트워크 장비를 거쳐 데이터 센터에 저장된다. 데이터는 인공지능 시대에 중요한 자원이다. - 데이터는 인공지능을 만드는 재료이기 때문이다. - 기계학습 기법에 쓰이는 학습재료가 데이터이다. 전통적 인공지능인 지식기반 인공지능은 인간의 지식을 흉내내어 만들었으며 인간의 모든 지식을 규칙화하기 어렵다는 한계를 지닌다. 최근의 인공지능인 데이터 기반 인공지능은 인간의 학습을 흉내내어 만들며 적절한 데이터를 더 많이 줄수록 더 신뢰성 있는 규칙을 찾는다. 데이터 기반 인공지능은 다양한 분야에서 개발 및 서비스 되고 있다. 요즘 서비스되고 있는 인공지능의 기술 대부분이 데이터 기반 인공지능..

2. 생활 속 인공지능 인공지능은 이미 우리 생활 속에서 많이 사용되고 있다. 인공지능 스피커가 말 한마디로 스피커를 켜고 커튼을 치는 것을 경험할 수 있다. 이를 사물인터넷이라고 한다. 여러 가지 사물들이 다 연결되어 있어서 말 한마디만으로 집안의 여러 가전을 크고 킬 수 있다. 인공지능 스피커가 우리의 말을 알아들을 수 있는 것은 인공지능 기술인 음성인식 기술을 사용했기 때문이다. 오늘날 들어 말귀를 알아듣는 인공지능이 개발되고 있다. 음성인식은 우리의 말을 글자로 정확하게 나타내는 기술이다. 글자로만 나타내는 기술을 넘어 그 문맥을 이해하는 인공지능으로 발달했다. 기계가 말을 하는 부분에서도 인공지능이 사용된다. 말소리의 음파를 기계가 자동으로 만들어내는 기술을 음성합성 기술이라고 한다. 음성합성 ..

1. 인공지능이란 무엇인가? 인공지능은 우리 생활과 밀접하게 연결되어 있다. 인공지능이란 인공으로 만든 지능을 의미한다. 인공지능은 학습, 추론, 언어이해 능력 등 인간의 지능을 구현해낸 컴퓨터 프로그램을 말한다. 인공지능의 지능은 지적작업을 할 때 필요한 능력을 의미한다. 무언가를 구별할 수 있고 사람처럼 생각할 수 있는 기능을 기계를 인공지능이라고 할 수 있다. 우리가 사물의 이름을 바로 알 수 있는 것은 그것을 미리 학습했기 때문이다. 물체를 인식하는 기술을 이미지 인식 기술이라고 부른다. 이 기술은 이미지를 여러 패턴으로 분류하여 패턴형 데이터를 학습, 이를 활용해 새로운 이미지를 알아내는 기술이다. 음성 인식 기술은 사람이 말하는 음성언어를 컴퓨터가 해석해 그 내용을 문자 데이터로 전환하는 처리..

SVM 분류기 - 이진 분류기 - 딥러닝 이전 널리 사용되던 기법 - 선형 SVM ( Hard Margin SVM - 선형 분리 가능한 문제 / Soft Margin SVM - 선형 분리 불가능 문제 - 학습데이터의 에러가 0이 되도록 완벽하게 나누는 것은 불가능 -> 에러를 허용하자) - 비선형 SVM : kernel SVM SVM - 널리 사용되는 기계학습 방법론 - 패턴인식, 자료 분석을 위한 지도학습 모델 - 분류와 회귀 문제에 사용 ( 주로 분류 문제에 사용) - 커널 트릭을 활용하여 비선형 분류 문제에도 사용 가능 SVM 학습 방향 : 마진의 최대화 - 결정 경계 (Hyperplane : 서로 다른 클래스를 완벽하게 분류하는 기준) 는 주변 데이터와의 거리가 최대가 되어야 함 - 결정 경계 근..