인공지능과 기계학습

인공지능 (Artificial intelligence)은 지능을 가진 기능을 갖춘 컴퓨터 시스템을 말한다. 1956년 여름 존 매카시가 개최한 다트머스 컨퍼런스에서 인공지능이라는 용어가 처음으로 사용되었고, 1950년 앨런 튜링이 쓴 ‘튜링 테스트’에 대한 논문 또한 인공지능과 연결되어 있다고 볼 수 있다. 논문 <계산 기계와 지능>에서 튜링은 ‘기계가 생각할 수 있을까?’라는 화두를 던지기 때문이다.

컴퓨터가 발명된 이후 인공지능 연구는 디지털 컴퓨터의 작동방식을 기반으로 연구를 진행한 기호적(Symbolic) AI와 인간 뇌의 정보처리 과정에서 영감을 얻은 연결주의(Connectionism) AI, 두 방향으로 갈라졌다. 기호적 AI는 컴퓨터 작동 방식으로도 충분히 인공지능을 구현할 수 있다는 주장을 바탕으로 컴퓨터 작동 방식에 맞게 논리와 기호로 세계를 표현하는 데 초점을 맞췄다. 1950년대 말부터 1960년대 초까지는 이와 같은 방식에 대한 기대가 컸으나, 이러한 AI는 한정적인 용도로밖에 사용할 수 없다는 한계가 발견되었다.

연결주의 AI는 인간 뇌의 정보처리 과정에 집중하였는데, 1943년에 제안된 인공 신경세포는 뇌의 신경세포와 마찬가지로 특정 세기 이상의 값에 도달하면 0과 1로 정보를 처리한다는 개념이었다. 이후 생물학적 뇌가 학습을 할 수 있는 것은 개별 신경 세포의 기능보다는 신경세포 간의 연결의 강도가 큰 역할을 하기 때문이라는 이론이 나왔고, 그에 따라 상호 연결로 작동하는 인공 신경망 이론이 등장했다.

인공지능은 목적함수가 주어지면 그에 따라 학습을 하고, 그것을 일반화하여 다른 영역에도 적용하는 세 가지 원리에 따라 알고리즘대로 행동이나 판단을 한다. 컴퓨터의 학습 시간은 상당히 빠르며, 인간의 개입이 필요 없기 때문에 기계가 자동으로 인식하고 판단할 수 있다는 것이 특징이다. 하지만 학습되지 않은 상황에서는 어떤 결과가 맞았는지 틀렸는지 판단할 수 없다는 단점도 존재한다.

인공지능은 크게 약인공지능(Weak AI), 강인공지능(Strong AI), 초인공지능(Super AI)의 3가지의 종류로 분류된다. 약한 인공지능은 특정 영역의 문제를 푸는 기술로, 인지 능력이 필요하지 않은 정도에서 정해진 규칙에 의해 명령을 수행한다. 강한 인공지능은 기계가 진짜 인간과 같은 지성과 감정, 자의식과 인지능력을 가지고 문제를 해결할 수 있는 인간형 인공지능을 말한다. 범용 인공지능이라고도 한다. 초인공지능은 모든 면에서 인간을 능가하는 능력을 갖춘 초인적 인공지능을 말한다.

최근의 인공지능과 기계학습 분야의 발전은 대부분 약한 인공지능으로 분리할 수 있다. 인간과 같이 복잡한 사고작용과 추론 등이 가능한 일반 지능(general intelligence)이 아닌 특정 문제의 도메인에 최적화되어 패턴을 인식해내는 기술이 현재 크게 발전하고 있는 분야이다. 인공지능은 특정 분야에서 인간보다 우수한 지능을 가진 약인공지능 단계에서 시작하여, 모든 분야에서 인간과 동일한 지능을 가진 강인공지능 단계를 거쳐, 궁극적으로 모든 면에서 인간을 능가하는 초인공지능 단계로 발전할 것으로 예측하고 있다.

현재 인공지능의 여러 요소 중 문제 해결에 필요한 기술을 다양한 분야에 맞게 활용하고 있다. 인간의 언어를 컴퓨터에서 인식하도록 하는 기술인 자연어 처리 (natural language processing), 여러 전문가가 가진 전문 지식과 노하우 등을 컴퓨터에 입력해 인공지능이 문제를 대신 해결할 수 있도록 하는 전문가 시스템, 그리고 비교적 근래에 등장해 수학적인 논리학이 아닌 인간의 두뇌를 모방해 수많은 간단한 처리기들의 네트워크로 구성된 인공신경망 등이 있다.

기계학습이란 데이터를 구문 분석하고 해당 데이터를 통해 학습한 후 정보를 바탕으로 결정을 내리기 위해 학습한 내용을 적용하는 알고리즘이다. 아서 사무엘(Arthur L. Samuel)은 1959년에 최초로 머신 러닝 또는 기계 학습을 "기계가 일일이 코드로 명시하지 않은 동작을 데이터로부터 학습하여 실행할 수 있도록 하는 알고리즘을 개발하는 연구 분야"라고 정의하였다.

학습을 위한 지식 표현이 필요 없고, 충분한 데이터와 적합한 알고리즘을 사용할 경우, 사람이 만든 모델보다 좋은 결과를 보여줄 수 있다는 장점이 있다. 하지만 사례를 통해 학습하는 특성상, 예상치 못한 상황에서 사람이 하지 않을 어이없는 판단과 결정을 할 가능성이 있으며 방대한 데이터와 그를 연산하기 위한 상당량의 컴퓨팅 파워가 필요하다는 단점과 한계도 존재한다.

기계학습에 사용되는 알고리즘에는 다양한 유형이 있다. 크게 지도학습과 비지도학습으로 분류하기도 한다. 지도학습은 지난 데이터를 기준으로 앞으로의 데이터를 예측하는 데에 보편적으로 사용한다. 비지도학습은 입력만 있고 출력은 없는 경우에 적용하며 입력 사이의 규칙성을 찾아내는 게 목표이다. 비지도학습 내에도 세부적인 분류가 존재한다. 강화 학습은 시행착오를 거쳐 보상을 극대화할 수 있는 행동을 찾아내며, 일정한 시간 내에 예상되는 보상을 극대화할 수 있는 동작을 선택하도록 한다. 대표적으로 딥러닝(Deep Learning)이 있다.

인공신경망(artificial neural network, ANN)은 기계학습과 인지과학에서 생물학의 신경망에서 영감을 얻은 통계학적 학습 알고리즘으로 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 갖춘 모델 전반을 가리킨다.

 

참고 문헌

4차 산업혁명과 인공지능, 딥러닝

인공지능의 주인이 되기 위해 반드시 알아야 할 것들 | 오혜연 KAIST 전산학부 교수 | 인공지능 AI 미래 강연 | 세바시 951회

Machine Learning is Fun!

핸즈 온 머신러닝 1.3 머신러닝 시스템의 종류

이병희 기자, 〈머신러닝을 왜 해야할까?〉, 《디지털 투데이》, 2016-07-11

권오성 기자, 〈인공지능 '치명적 한계' 셋①학습한 적 없는 경우 맞닥뜨리면 터무니없는 결과〉, 《한겨레》, 2016-03-14

김우용 기자, 〈머신러닝, 제대로 쓰기 위한 3가지 키워드〉, 《지디넷코리아》, 2014-12-14