[AI Foundation] 인공지능(AI)이란? (Feat. 머신러닝(ML), 딥러닝(DL))

---

https://serokell.io/blog/ai-ml-dl-difference

 

인공지능(Artificial Intelligence) > 머신러닝(Machine Learning) > 딥러닝(Deep Learning) > 생성형AI(Generative AI)

---

인공지능 (Artificial Intelligence, AI)

정의

인간처럼 생각할 수 있는 기계를 만드는 과학입니다. 전통적으로 인간 지능이 필요했던 작업들을 컴퓨터로 수행하는 것을 의미합니다.

AI 기술은 사람보다 많은 양의 데이터를 다양한 방식으로 처리할 수 있습니다. 인공지능은 인간의 지능과 유사한 방식으로 학습하고 사고하고 행동할 수 있는 컴퓨터 시스템을 개발하는 것입니다. AI는 컴퓨터 공학, 데이터 분석, 통계, 신경 과학, 철학, 심리학 등 다양한 학문의 연구 결과를 바탕으로 개발되고 있습니다.

기본원리

인공지능의 기본 원리는 데이터와 알고리즘을 사용하여 컴퓨터가 스스로 학습하고, 패턴을 인식하며, 결정을 내리는 능력을 갖추는 것입니다.

역사

인공지능의 역사는 1950년대 중반에 본격적으로 시작되었으며, 이 시기에 앨런 튜링의 튜링 테스트와 같은 개념들이 등장했습니다. 튜링 테스트는 기계가 인간과 구별할 수 없을 정도의 지능적 행동을 보이는지를 평가하는 방법입니다​​. 1956년 다트머스 회의에서 '인공지능'이라는 용어가 처음 사용되었으며​​, 이후 1957년 퍼셉트론 이론이 발표되는 등 AI 분야의 초기 연구가 활발히 이루어졌습니다. 그러나 1970년대까지 기술적 한계로 인해 인공지능 분야는 첫 번째 암흑기를 맞이했습니다.
1980년대에는 다층 퍼셉트론 이론의 등장과 함께 AI 연구가 재활성화되었습니다. 이 시기에는 전문가 시스템이 상용화되기도 했습니다. 그러나 1980년대 후반에는 다시 한 번 기술적 한계와 데이터 부족으로 인해 두 번째 암흑기를 경험했습니다​​.
1990년대 이후 인터넷의 보급과 함께 데이터가 대량으로 생성되기 시작했고, 이는 AI 연구에 새로운 활력을 불어넣었습니다. 2010년대에 들어서면서 딥러닝 기술의 발전이 크게 이루어졌으며, 특히 2014년 구글이 딥마인드를 인수하는 등의 사건은 딥러닝의 가능성을 널리 알렸습니다. 2016년에는 알파고가 이세돌 9단을 이긴 사건이 AI 기술의 발전을 대중에게 각인시키는 계기가 되었습니다​​. 21세기 들어, 빅 데이터, 컴퓨팅 파워의 증가, 알고리즘의 발전으로 다시 중요성이 부각되었습니다. 최근에는 ChatGPT가 일반 대중들에게 많은 호응을 얻고 있습니다.

---

머신러닝 (Machine Learning, ML)

정의

머신러닝은 AI의 한 분야로, 컴퓨터가 데이터를 통해 학습하고, 이를 바탕으로 예측이나 결정을 내리는 기술을 말합니다.

기본원리

머신러닝은 데이터로부터 패턴을 학습하여 모델을 구축하고, 이를 새로운 데이터에 적용하여 예측이나 분류 등의 작업을 수행합니다. 지도 학습, 비지도 학습, 강화 학습 등 다양한 학습 방법이 있습니다.

역사

1950년대부터 발전하기 시작한 이 분야는 1980년대부터 본격적으로 성장했습니다. 특히 인터넷의 보급과 함께 데이터가 폭발적으로 증가하면서 머신러닝의 중요성이 크게 증가했습니다.
기본 원리: 머신러닝은 데이터로부터 패턴을 학습하여 모델을 구축하고, 이를 새로운 데이터에 적용하여 예측이나 분류 등의 작업을 수행합니다. 지도 학습, 비지도 학습, 강화 학습 등 다양한 학습 방법이 있습니다.

 

---

딥러닝 (Deep Learning, DL)

정의

딥러닝은 머신러닝의 한 분야로, 인간의 뇌를 모방한 인공신경망, 특히 깊은(많은 층을 가진) 신경망을 사용하는 기술입니다. 딥 러닝은 고유한 기능과 발전으로 인해 인공지능(AI) 분야 내 별도의 분야로서 필수적인 역할을 합니다

기본원리

다수의 층(layer)을 가진 신경망을 통해 데이터에서 고수준의 추상화를 이끌어냅니다. 이미지 인식, 음성 인식, 자연어 처리 등 복잡한 문제 해결에 탁월한 성능을 발휘합니다.

역사

1980년대에 시작되었지만, 2010년대에 들어서야 컴퓨팅 파워의 발전과 대량의 데이터가 사용 가능해지면서 주목받기 시작했습니다.

 

---

생성형AI(Generative AI)

정의

인공 지능의 한 분야이자 딥 러닝의 하위 집합으로 제너레이티브 AI(Generative AI)는 기존 데이터와 유사한 새로운 콘텐츠를 생성할 수 있는 모델을 만드는 데 중점을 둡니다. 이러한 모델은 인간이 만든 것과 구별할 수 없는 콘텐츠를 생성하는 것을 목표로 합니다. 생성적 적대 신경망(GAN)은 심층 신경망을 사용하여 이미지, 텍스트, 심지어 음악과 같은 사실적인 콘텐츠를 생성하는 생성적 AI 모델의 인기 있는 예입니다.

 

---

주요용어

신경망 (Neural Network)

  뇌의 신경 세포(뉴런)을 모방한 컴퓨팅 시스템. 입력, 숨겨진 층, 출력 층으로 구성됩니다.

지도 학습 (Supervised Learning)

  입력과 그에 상응하는 정답(레이블)을 사용하여 모델을 학습시키는 방법.

비지도 학습 (Unsupervised Learning)

  레이블 없이 입력 데이터만을 사용하여 패턴이나 구조를 찾는 학습 방법.

강화 학습 (Reinforcement Learning)

  시행착오를 통해 최적의 결정이나 행동을 학습하는 방법.

과적합 (Overfitting)

  모델이 학습 데이터에 너무 잘 맞추어져서 새로운 데이터에 대한 일반화 능력이 떨어지는 현상.

하이퍼파라미터 (Hyperparameter)

  학습 과정을 제어하는 외부 설정값. 예를 들어, 학습률이나 배치 크기 등이 있습니다.
  손실 함수 (Loss Function): 모델의 예측이 실제 값과 얼마나 다른지 측정하는 함수.
  이러한 개념들은 인공지능의 발전과 함께 지속적으로 진화하고 있으며, 다양한 분야에서 혁신적인 응용을 가능하게 하고 있습니다.

 

 

---

 

Feat. ChatGPT
Q1. 인공지능과 머신러닝, 딥러닝의 정의, 역사, 기본 원리에 대한 소개. 이 분야에서 사용되는 주요 용어 설명

A1. 인공지능(AI), 머신러닝(ML), 그리고 딥러닝(DL)은 서로 밀접하게 연결되어 있지만, 각각 고유한 개념과 역사를 가지고 있습니다.

인공지능 (Artificial Intelligence, AI)
정의: 인공지능은 컴퓨터 시스템이 인간과 유사한 지능을 보여주는 능력을 말합니다. 이는 학습, 추론, 문제 해결, 언어 이해, 시각적 인식 등을 포함할 수 있습니다.
역사: 인공지능의 역사는 1950년대 중반에 본격적으로 시작되었으며, 이 시기에 앨런 튜링의 튜링 테스트와 같은 개념들이 등장했습니다. 튜링 테스트는 기계가 인간과 구별할 수 없을 정도의 지능적 행동을 보이는지를 평가하는 방법입니다​​. 1956년 다트머스 회의에서 '인공지능'이라는 용어가 처음 사용되었으며​​, 이후 1957년 퍼셉트론 이론이 발표되는 등 AI 분야의 초기 연구가 활발히 이루어졌습니다. 그러나 1970년대까지 기술적 한계로 인해 인공지능 분야는 첫 번째 암흑기를 맞이했습니다.

1980년대에는 다층 퍼셉트론 이론의 등장과 함께 AI 연구가 재활성화되었습니다. 이 시기에는 전문가 시스템이 상용화되기도 했습니다. 그러나 1980년대 후반에는 다시 한 번 기술적 한계와 데이터 부족으로 인해 두 번째 암흑기를 경험했습니다​​.

1990년대 이후 인터넷의 보급과 함께 데이터가 대량으로 생성되기 시작했고, 이는 AI 연구에 새로운 활력을 불어넣었습니다. 2010년대에 들어서면서 딥러닝 기술의 발전이 크게 이루어졌으며, 특히 2014년 구글이 딥마인드를 인수하는 등의 사건은 딥러닝의 가능성을 널리 알렸습니다. 2016년에는 알파고가 이세돌 9단을 이긴 사건이 AI 기술의 발전을 대중에게 각인시키는 계기가 되었습니다​​. 21세기 들어, 빅 데이터, 컴퓨팅 파워의 증가, 알고리즘의 발전으로 다시 중요성이 부각되었습니다. 최근에는 ChatGPT가 일반 대중들에게 많은 호응을 얻고 있습니다.
기본 원리: 인공지능의 기본 원리는 데이터와 알고리즘을 사용하여 컴퓨터가 스스로 학습하고, 패턴을 인식하며, 결정을 내리는 능력을 갖추는 것입니다.

https://www.thedatahunt.com/trend-insight/artificial-intelligence
https://m.blog.naver.com/itmatecomo/223196969114
https://www.samsungsds.com/kr/insights/091517_cx_cvp3.html

머신러닝 (Machine Learning, ML)
정의: 머신러닝은 AI의 한 분야로, 컴퓨터가 데이터를 통해 학습하고, 이를 바탕으로 예측이나 결정을 내리는 기술을 말합니다.
역사: 1950년대부터 발전하기 시작한 이 분야는 1980년대부터 본격적으로 성장했습니다. 특히 인터넷의 보급과 함께 데이터가 폭발적으로 증가하면서 머신러닝의 중요성이 크게 증가했습니다.
기본 원리: 머신러닝은 데이터로부터 패턴을 학습하여 모델을 구축하고, 이를 새로운 데이터에 적용하여 예측이나 분류 등의 작업을 수행합니다. 지도 학습, 비지도 학습, 강화 학습 등 다양한 학습 방법이 있습니다.

딥러닝 (Deep Learning, DL)
정의: 딥러닝은 머신러닝의 한 분야로, 인간의 뇌를 모방한 인공신경망, 특히 깊은(많은 층을 가진) 신경망을 사용하는 기술입니다.
역사: 1980년대에 시작되었지만, 2010년대에 들어서야 컴퓨팅 파워의 발전과 대량의 데이터가 사용 가능해지면서 주목받기 시작했습니다.
기본 원리: 다수의 층(layer)을 가진 신경망을 통해 데이터에서 고수준의 추상화를 이끌어냅니다. 이미지 인식, 음성 인식, 자연어 처리 등 복잡한 문제 해결에 탁월한 성능을 발휘합니다.
주요 용어
신경망 (Neural Network): 뇌의 신경 세포(뉴런)을 모방한 컴퓨팅 시스템. 입력, 숨겨진 층, 출력 층으로 구성됩니다.
지도 학습 (Supervised Learning): 입력과 그에 상응하는 정답(레이블)을 사용하여 모델을 학습시키는 방법.
비지도 학습 (Unsupervised Learning): 레이블 없이 입력 데이터만을 사용하여 패턴이나 구조를 찾는 학습 방법.
강화 학습 (Reinforcement Learning): 시행착오를 통해 최적의 결정이나 행동을 학습하는 방법.
과적합 (Overfitting): 모델이 학습 데이터에 너무 잘 맞추어져서 새로운 데이터에 대한 일반화 능력이 떨어지는 현상.
하이퍼파라미터 (Hyperparameter): 학습 과정을 제어하는 외부 설정값. 예를 들어, 학습률이나 배치 크기 등이 있습니다.
손실 함수 (Loss Function): 모델의 예측이 실제 값과 얼마나 다른지 측정하는 함수.
이러한 개념들은 인공지능의 발전과 함께 지속적으로 진화하고 있으며, 다양한 분야에서 혁신적인 응용을 가능하게 하고 있습니다.

 

---

Reference Site

https://synoptek.com/insights/it-blogs/data-insights/ai-ml-dl-and-generative-ai-face-off-a-comparative-analysis/

 

AI : https://commons.wikimedia.org/wiki/File:Artificial_intelligence.jpg
ML : https://www.fsm.ac.in/blog/an-introduction-to-machine-learning-its-importance-types-and-applications/
DL : https://builtin.com/machine-learning/deep-learning
GAI : https://www.neebal.com/blog/generative-ai-vs.-predictive-ai-unraveling-the-distinctions-and-applications