인공지능을 제대로 이해하기 위해 알아야 하는 5가지 용어

[전문 번역] 인공지능을 제대로 이해하기 위해 알아야 하는 5가지 용어

2 3589

 
테크레이더는 목요일(미국시각) ‘인공지능을 제대로 이해하기 위해 알아야 하는 5가지 용어’를 쉽게 설명하는 기사를 게재했고, ITcle은 이를 전문 번역해 소개합니다.

_________________

인공지능(이제부터 AI로 부름)은 우리가 보는 소셜 미디어 이야기를 선택하고, 사진 속의 친구와 애완 동물을 식별하며, 심지어 도로 상에서 사고를 피할 수 있도록 하는 등 우리 디지털 라이프의 모든 분야에 빠르게 침투하고 있죠. AI를 이해하고 싶다면, 이를 근간을 이루고 있고 있는 용어로 시작해야 합니다.

그래서 우리는 AI에 대한 테크레이더 용어집을 제시하려고 합니다. 이는 이제까지 가장 향상하고 있는 기술을 파악하고 다음에 저녁 식탁 주위에서 갑자기 제기되는 주제에 대한 대화에서 당신의 결론을 유지하기 위해 알아야 할 5가지 핵심 단어와 구문입니다.

먼저 모든 사람들이이 이 단어들 중 일부에 대한 정확한 정의에 동의하는 것은 아니기 때문에 웹에서 다르게 사용되는 것을 볼 수 있다는 전제로 시작해야겠죠. 가능한 한 우리는 가장 일반적으로 사용되는 정의를 고수하려고 노력했지만 빠르게 성장하고 있는 새로운 기술이기 때문에 항상 차이점이 있을 것입니다.

1. 알고리즘

아, 유명한 (또는 악명 높은) 알고리즘이라는 용어입니다. 알고리즘은 컴퓨터 프로그램이 따르는 일련의 규칙이고 따라서 가장 친한 친구 중 한 명이 페이스북에 당신의 사진을 올린 경우 규칙은 그것이 뉴스 피드 상단에 올라가야 한다고 말합니다. 또는 구글 맵에서 A에서 B로 이동해야 하는 경우 알고리즘을 사용하면 가장 빠른 경로를 찾을 수 있죠.

이 규칙은 컴퓨터에 의해 정해지지만 일반적으로 사람이 설정합니다. 따라서 이야기를 중요하게 만드는 것이나 길을 가장 빠르게 만드는 것은 페이스북 엔지니어의 선택이죠. AI가 진입하기 시작하는 곳에서 기계학습을 사용해 이러한 알고리즘을 미세조정하고 따라서 프로그램이 이러한 규칙을 스스로 적용하기 시작합니다. 구글 맵은 특정 도로가 폐쇄되었다는 피드백 데이터를 받기 시작할 때 이를 수행할 수 있습니다.

이미지 인식 시스템이 잘못되었을 때, 예를 들어 알고리즘이나 일련의 작업 규칙 등 – 동일한 규칙이 적용되었지만 잘못된 결과가 발생하면 실제 고양이 대신에 고양이 같은 개의 결과물을 얻게 됩니다. 알고리즘은 여러 면에서 기계학습의 기본 원칙입니다(아래 참조).

2. 인공지능

그러면 AI란 무엇입니까? 이에 대한 정의는 묻는 사람에 따라 다르지만 가장 광의적 의미로 본다면 인위적으로 만들어진 지능입니다. 이는 명백한 것이죠.

따라서 Siri가 진짜 인간처럼 당신에게 대답할 때 그것은 AI입니다. 구글 포토가 고양이의 모습이 어떤 것인지 아는 것처럼 보이는 것도 역시 AI입니다. 앤서니 다니엘스가 그의 C-3PO 슈트 내부에 감추고 있는 것도 AI일뿐만 아니라, 보기에 따라서는 실제로 인간이 제어하는 말하고 생각하는 로봇에 대한 환상이죠.

실제로 정의가 그렇게 광범위하기 때문에 이를 어떻게 적용해야 하는가에 대해 혼동하는 이유를 알 수 있죠. AI에는 다양한 유형과 접근 방식이 있기 때문에 이러한 차이점을 이해해야 합니다. 어떤 것이 AI를 내장한다고 기술될 때 이는 광범위한 기술이 관련되었다는 것을 의미할 수도 있죠.

3. 딥러닝

딥러닝은 기계학습의 한 유형 또는 하위 분지입니다(아래 참조). 이는 이 두 용어가 종종 뒤범벅되어 사용되는 이유이지만 많은 경우 동일한 AI를 정확하게 설명하는 데 사용되기도 하죠. 그것은 기계학습이지만 더 많은 뉘앙스와 더 많은 레이어로 훨씬 지능적으로 디자인되고, 인간의 뇌가 작동하는 것보다 더 많은 것을 실행하도록 되어 있습니다.

딥러닝은 두 가지 핵심 기술의 진보 곧 더 많은 데이터와 더 강력한 하드웨어로 가능하게 되었죠. 그것이 근본적인 뿌리는 수십년 전으로 거슬러 올라감에도 불구하고 오직 최근에서야 유행된 이유이죠. 기계학습이 11까지 조율되었다고 생각한다면 컴퓨터가 더 강력해짐에 따라 왜 더 똑똑해지는지 이해할 수 있습니다.

딥러닝은 이 별도 지능층을 추가하기 위해 종종 신경망(아래 참조)을 사용합니다. 예를 들어 딥러닝과 기계학습 모두 백만장의 고양이 이미지를 스캔하여 그림 속의 고양이를 인식 할 수 있죠. 그러나 기계학습은 어떤 기능이 고양이를 만드는지 알아야 하지만, 딥러닝은 작업할 원시 데이터가 충분하다면 고양이가 스스로 어떻게 보이는지 알아낼 수 있습니다.

4. 기계학습

입찰을 수행하기 위해 소프트웨어 및 하드웨어를 프로그래밍 하는 것은 모두 뛰어나고 좋지만 기계학습은 다음 단계이고 단어가 암시하는 것 그대로입니다. 이는 특히 매 시간마다 모든 것을 철자를 받아 쓰는 것보다는 스스로 학습하는 기계이죠.

가장 잘 알려진 예 중 하나는 이미지 인식입니다. 기계학습 시스템에 고양이에 대한 사진을 충분히 입력하면 인간 작업자의 어떤 암시없이 결국에는 스스로 새로운 사진에서 고양이를 포착할 수 있습니다. 당신은 AI 네트워크가 처음에는 많은 양의 데이터에 대해 교육을 받았지만 본래 프로그래밍을 뛰어넘는 것으로 생각할 수 있습니다.

구글의 알파고 프로그램이 또 다른 좋은 예입니다. 이는 인간이 가르치지만 트레이닝 받은 것을 기반으로 자체 의사 결정을 내릴 수 있습니다. 알파고가 보여 주는 것은 많은 유형의 인공 지능이 매우 구체적이라는 것이죠. 이 엔진은 바둑을 둘 때도 환상적이지만 자율주행차에서도 유용할 것입니다.

5. 신경망

딥러닝(위 참조)이라는 아이디어와 밀접하게 연관된 신경망은 인간 뇌의 과정 혹은 이 시점까지 우리가 이해하는 한, 인간의 뇌를 가능하면 많이 모방하려 하는 시도입니다. 다시 말하지만, 신경망의 개발은 실제로 지난 몇 년 동안 고급 프로세서를 사용해 가능하게 되었죠.

본질적으로 이는 많은 레이어를 의미합니다. 예를 들어, 이미지를 보고 그것이 고양이 이미지인지 결정하는 대신 신경망은 최종 결정을 내리기 전에 이미지와 고양이의 다양한 다른 특성을 고려해 각기 다른 수준의 중요성을 부여합니다. 최종 결과는 훨씬 더 정확한 고양이 인식 엔진이죠(여기서부터 최근 몇년 동안 이미지 인식이 훨씬 나아졌죠).

이 아이디어를 완전히 이해할 수 없다고 하더라도 걱정할 필요가 없어요. 신경망은 간결한 3 단락 정의로 완전히 이해할 수 있는 개념이 아닙니다. 그러나 그것을 일부 인간 지능의 세밀한 것을 만들기 위해 고안된 다른 기계학습 도구 정도로 생각한다면, 당신이 기본은 이해한 것이죠.

소스: 테크레이더

2 의견들

댓글 쓰기