인공지능(AI): 소개 및 유형

인공 지능 (AI)이란 무엇입니까?

인공 지능 (인공 지능) 인공지능이란 인간처럼 지각, 학습, 추론, 문제 해결과 같은 인지 기능을 수행할 수 있는 기계의 능력을 말합니다. 인공지능의 기준은 추론, 언어, 시각 능력 면에서 인간 수준입니다.

이 인공지능 강좌에서는 아래 섹션에서 다루는 인공지능의 기초를 배우게 됩니다.

AI가 비즈니스 가치를 창출하는 방법

오늘날 인공지능(AI)은 거의 모든 산업 분야에서 활용되고 있으며, 이를 대규모로 도입하는 기업에 기술적 경쟁 우위를 제공합니다. 맥킨지에 따르면, AI는 소매업에서 600천억 달러의 가치를 창출할 잠재력을 가지고 있으며, 은행업에서는 기존 분석 기법 대비 50% 더 높은 부가가치를 가져올 수 있습니다. 운송 및 물류 분야에서는 잠재적 매출 증가율이 최대 89%에 달합니다.

예를 들어, 조직이 마케팅 팀에 AI를 활용하면 일상적이고 반복적인 작업을 자동화하여 영업 담당자가 관계 구축 및 잠재 고객 육성에 집중할 수 있습니다. Gong이라는 회사는 대화형 인텔리전스 서비스를 제공하는데, 영업 담당자가 통화를 할 때마다 기계가 대화를 녹음, 텍스트로 변환, 분석하고, 관리자는 AI 분석 및 권장 사항을 활용하여 성공적인 전략을 수립할 수 있습니다.

요약하자면, AI는 인간이 단독으로 처리할 수 없는 복잡한 데이터를 처리하는 최첨단 기술을 제공합니다. AI는 반복적인 작업을 자동화하여 근로자들이 고부가가치 업무에 집중할 수 있도록 하며, 대규모로 도입될 경우 비용을 절감하고 수익을 증대시킵니다.

인공 지능의 역사

인공지능은 오늘날 유행어처럼 사용되지만, 그 용어 자체는 새로운 것이 아닙니다. 1956년, 다양한 분야의 전문가들이 인공지능에 대한 여름 연구 프로젝트를 조직했습니다. 이 프로젝트를 이끈 네 명의 뛰어난 인물은 존 매카시(다트머스 대학교), 마빈 민스키(하버드 대학교), 너새니얼 로체스터였습니다.IBM), 그리고 클로드 섀넌(벨 전화 연구소) 등이 있습니다. 인공지능의 간략한 역사는 다음과 같습니다.

출간연도	이정표 / 혁신
1923	카렐 차페크의 희곡 "로숨의 만능 로봇들"은 "로봇"이라는 단어를 영어에 도입했습니다.
1943	Foundation신경망을 위한 s가 설치되었습니다.
1945	컬럼비아 대학교 졸업생인 아이작 아시모프는 "로봇공학"이라는 용어를 사용했습니다.
1956	존 매카시는 "인공지능"이라는 용어를 처음 사용했고, 최초로 작동하는 인공지능 프로그램이 시연되었습니다.
1964	대니 보브로우의 MIT 박사 학위 논문은 컴퓨터가 자연어를 이해하는 방법을 보여주었습니다.
1969	스탠포드 연구소는 이동 및 문제 해결 능력을 갖춘 로봇 셰이키(Shakey)를 개발했습니다.
1979	세계 최초의 컴퓨터 제어 자율 주행 차량인 스탠퍼드 카트가 제작되었습니다.
1990	머신러닝 분야의 중요한 시연 사례.
1997	체스 프로그램 딥 블루가 세계 챔피언 게리 카스파로프를 이겼습니다.
2000	상호작용형 로봇 애완동물이 상용화되었습니다. MIT에서 이를 선보였습니다. Kismet감정을 표현하는 로봇.
2006	AI가 비즈니스 세계에 진출했습니다. 페이스북 같은 회사, Netflix, 그리고 트위터가 그것을 사용하기 시작했습니다.
2012	Google 출시 "Google 지금”, Android 기능 제공 예측.
2018	IBM'프로젝트 디베이터'는 전문 토론가들과 복잡한 주제에 대해 토론하며 뛰어난 성과를 보여주었습니다.

인공지능의 목표

인공지능의 주요 목표는 다음과 같습니다.

• 특정 작업을 수행하는 데 필요한 시간을 줄이세요.
• 인간과 기계의 상호작용을 더 쉽게 만들어줍니다.
• 보다 자연스럽고 효율적인 인간-컴퓨터 상호작용을 촉진합니다.
• 의료 진단의 정확성과 속도를 향상시키세요.
• 사람들이 새로운 정보를 더 빨리 습득하도록 도와주세요.
• 인간과 기계 간의 소통을 향상시킵니다.

인공 지능의 하위 분야

다음은 인공지능의 주요 하위 분야입니다.

머신 러닝: 예시와 경험을 통해 학습하는 알고리즘을 연구하는 기술입니다. 데이터에서 패턴을 식별하고 이를 바탕으로 미래를 예측하는 데 기반을 두고 있습니다. 하드코딩된 규칙과는 달리, 기계가 스스로 규칙을 학습합니다.

딥러닝: 데이터로부터 학습하기 위해 여러 계층을 사용하는 머신러닝의 하위 분야입니다. 모델의 깊이는 모델이 포함하는 계층의 수를 나타냅니다. 예를 들어, Google이미지 인식을 위한 LeNet 모델은 22개의 레이어로 구성되어 있습니다.

자연 언어 처리 (NLP): 인공지능의 한 분야로, 기계가 인간의 언어를 읽고 이해하고 생성할 수 있도록 합니다. 챗봇, 번역, 감정 분석, 음성 인식 등의 응용 프로그램에 활용됩니다.

전문가 시스템: 특정 영역 내의 복잡한 문제를 해결하기 위해 사실과 경험적 추론을 활용하는 상호작용적이고 신뢰할 수 있는 컴퓨터 기반 의사결정 시스템입니다. 해당 영역에서 가장 어려운 문제들을 해결하는 것을 목표로 합니다.

퍼지 로직: 진리값이 0과 1 사이의 임의의 실수일 수 있는 다치 논리입니다. 명제가 완전히 참도 아니고 완전히 거짓도 아닌 상황, 즉 부분적인 참의 개념을 다룹니다.

인공 지능의 유형

인공지능은 기능별 분류와 기술별 분류, 이렇게 두 가지 방식으로 분류할 수 있다.

능력별:

• 좁은 AI: 이미지 태깅이나 음성 비서와 같이 하나의 전용 작업을 지능적으로 수행합니다.
• 일반 AI: 인간만큼 효율적으로 모든 지적 작업을 수행할 수 있다 (아직 이론적인 단계).
• 슈퍼 AI: 기계가 인간의 지능을 뛰어넘는 가상의 수준.

기술적인 측면에서:

• 규칙 기반 AI: 미리 정해진 규칙들을 입력 데이터 세트에 적용하여 그에 상응하는 출력값을 생성합니다.
• 의사결정 트리 AI: 규칙 기반 AI와 유사하지만 분기 및 탐색을 허용합니다.ping 다양한 선택지를 비교 검토하기 위해.
• 신경망: 인간의 두뇌에서 영감을 받은 계층형 모델은 데이터로부터 복잡한 패턴을 학습하며, 추론, 계획 및 학습 능력을 통해 로봇 공학의 기반을 다집니다.

AI 대 기계 학습

인공지능(AI)과 머신러닝은 종종 혼용되지만, 엄밀히 말하면 같은 개념은 아닙니다. AI는 기계가 인간의 작업을 수행하도록 훈련시키는 과학이며, 이 용어는 1950년대에 만들어졌습니다. 머신러닝은 AI의 하위 분야로, 기계가 명시적으로 프로그래밍되는 것이 아니라 데이터로부터 패턴을 학습하는 방식입니다.

아래	인공지능	머신 러닝
범위	인간 지능을 모방하는 광범위한 과학	데이터로부터 학습하는 데 초점을 맞춘 인공지능의 하위 분야
목표	인간의 추론 및 의사결정 과정을 시뮬레이션합니다.	패턴을 찾고 예측해 보세요
접근	규칙, 논리, 학습의 결합	데이터 기반 학습 (예시 포함)
예시	자율주행 자동차 시스템	그 안에 있는 이미지 인식 모델

또한 차이점을 읽어보실 수 있습니다. 딥러닝, 머신러닝, 인공지능.

AI는 어디에 사용될까요? 예시

인공지능은 다양한 산업 분야에 폭넓게 적용될 수 있습니다.

• 반복적인 작업 제거: 인공지능은 피로감 없이 작업을 지속적으로 반복할 수 있으며, 자신이 수행하는 작업에 무관심하다.
• 기존 제품 개선: 기업들은 인공지능을 처음부터 개발하기보다는 기존 제품의 기능을 향상시키기 위해 인공지능을 활용합니다. 예를 들어, 페이스북은 예전에는 사진에 수동으로 태그를 달아야 했지만, 지금은 인공지능이 자동으로 태그할 친구를 추천해 줍니다.

AI는 마케팅, 공급망 관리, 금융, 식품 가공 등 모든 산업 분야에서 활용되고 있습니다. 맥킨지 조사에 따르면 금융 서비스와 첨단 통신 분야가 AI 도입을 선도하고 있습니다.

인공지능이 지금 급성장하는 이유는 무엇일까요?

신경망은 얀 르쿤의 획기적인 논문 이후 1990년대부터 존재해 왔지만, 2012년경에 유명해졌습니다. 오늘날 인공지능 붐을 이끄는 세 가지 핵심 요소가 있습니다.

하드웨어

지난 20년간 CPU 성능이 폭발적으로 향상되어 사용자는 노트북으로도 소규모 딥러닝 모델을 학습시킬 수 있게 되었습니다. 하지만 컴퓨터 비전 및 대규모 딥러닝 모델에는 더 높은 성능이 필요합니다. NVIDIA와 AMD의 투자 덕분에 차세대 GPU(그래픽 처리 장치)는 병렬 연산을 가능하게 하여 여러 GPU에 작업을 분산시켜 계산 속도를 향상시킵니다. 예를 들어, NVIDIA TITAN X는 기존 CPU에서 몇 주가 걸리던 ImageNet 모델 학습을 단 이틀 만에 완료할 수 있으며, 대기업들은 NVIDIA Tesla K80과 같은 GPU 클러스터를 활용하여 데이터 센터 비용을 절감하고 성능을 개선하고 있습니다.

Data

딥러닝은 모델의 구조이고, 데이터는 그 구조에 생명을 불어넣는 유체와 같습니다. 데이터 없이는 아무것도 할 수 없습니다. 최신 저장 기술 덕분에 데이터 센터에 엄청난 양의 데이터를 쉽게 저장할 수 있게 되었고, 인터넷은 머신러닝 알고리즘에 필요한 데이터를 수집하고 배포할 수 있도록 해줍니다.

앱 좋아요. Flickr Instagram 수백만 장의 태그가 지정된 이미지를 저장하여 수동 라벨링 없이도 신경망이 객체를 인식하도록 훈련할 수 있습니다. AI와 데이터의 결합은 새로운 황금과 같습니다. 가장 많은 데이터를 보유한 기업이 경쟁 우위를 확보하게 됩니다. 전 세계적으로 매일 약 2.2엑사바이트(2.2억 기가바이트)의 데이터가 생성되며, 다양한 데이터 소스는 모델이 패턴을 찾고 대규모로 학습하는 데 도움이 됩니다.

암호알고리즘

하드웨어는 그 어느 때보다 강력해졌고 데이터 접근성도 높아졌지만, 더욱 정확해진 알고리즘이 신경망의 신뢰성을 높여줍니다. 초기 신경망은 심층적인 통계적 특성이 없는 단순한 행렬 곱셈에 불과했지만, 2010년 이후 획기적인 발견으로 성능이 크게 향상되었습니다. 인공지능은 데이터 자체가 프로그래밍을 하도록 하는 점진적 학습 알고리즘을 사용하여 컴퓨터가 스스로 학습하여 이상 징후를 탐지하거나 챗봇 역할을 수행하는 등의 작업을 처리할 수 있도록 합니다.

자주 묻는 질문