AI vs 머신러닝

인공지능(AI)과 머신러닝(ML)은 두 가지 유형의 지능형 소프트웨어 솔루션으로, 과거, 현재, 미래의 기술이 보다 인간다울 수 있도록 설계되는 방식에 영향을 미칩니다.

인공지능은 간단히 말해 인간의 지능을 모방하여 작업을 수행하고 수집한 정보를 토대로 자체 성능을 반복적으로 개선하도록 설계된 기술 솔루션, 시스템 또는 머신입니다.

머신러닝은 AI(인공지능)에 속한 분야로, 소비하는 데이터를 기반으로 학습하거나 성능을 향상할 소프트웨어 시스템을 구축하는 데 중점을 둡니다. 즉, 모든 머신러닝 솔루션이 AI 솔루션이지만 모든 AI 솔루션이 머신러닝 솔루션인 것은 아닙니다.

인공지능 vs 머신러닝 vs 딥 러닝

인공지능, 머신러닝, 딥 러닝 등의 용어가 점점 더 주류가되고 있지만 아직 많은 사람들에게는 이 용어들이 SF 영화의 주제처럼 느껴집니다. 그래서 상황을 단순화하여 각 용어를 한 줄로 정의하겠습니다:

• 인공지능(AI): 학습된 경험과 데이터를 바탕으로 인간의 의사 결정 방식을 모방하는 컴퓨터 활동입니다.
• 머신러닝(ML): 컴퓨터가 데이터에서 결론을 도출할 수 있게 하는 프로세스입니다. ML은 컴퓨터가 자체 프로그램의 외부로부터 학습할 수 있도록 지원하는 AI의 하위 집합입니다.
• 딥 러닝: 컴퓨터가 매우 복잡한 문제를 해결할 수 있도록 지원하는 프로세스입니다. 딥 러닝은 다중 계층 신경망에서 계산을 실현할 수 있도록 하는 ML의 하위 집합입니다.

AI의 역사

인공지능의 개념은 기계의 계산 기법 및 능력과 함께 1950년대에 처음 등장했습니다. 목표는 간단했습니다. 컴퓨터를 계산 수단으로 사용하는 것을 넘어 실제로 의사 결정을 하도록 유도하는 것.

즉, 컴퓨터가 기존 데이터를 기반으로 한 계산된 의사 결정만을 내놓는 데 그치지 않고, 다양한 옵션을 고려해 심도 깊은 연역 추론을 할 수 있게 해야 했습니다. 그러나 실제로 이를 실현하기까지는 수십년간의 연구와 혁신이 필요했습니다. 단순한 형태의 인공지능은 규칙 기반 또는 전문가 시스템을 구축할 수 있습니다. 그러나 1980년대부터 시작된 컴퓨터 성능의 향상으로 머신러닝이 AI의 가능성을 바꿔놓을 것으로 보입니다.

머신러닝의 진화

규칙 기반의 의사 결정은 명확한 변수가 있는 보다 간단한 상황에서 실행되었습니다. 컴퓨터 시뮬레이션 체스조차도 보드에 어떤 조각이 있는지, 어떤 위치에 있는지, 누구 차례인지 등의 변수를 통합하는 일련의 규칙 기반 결정을 기반으로 합니다. 문제는 모든 상황이 특정 수준의 제어를 필요로 한다는 것입니다. 특정 시점이 되자 변수와 연역법만을 기반으로 결정을 내리는 기능은 더 이상 쓸모가 없어졌습니다.

당시 핵심은 인간의 학습 '방식'을 흉내내는 기능이었습니다.

머신러닝은 1980년대에 알고리즘이 대용량 데이터를 처리할 수 있고, 얻은 결과를 기반으로 결론을 내릴 수 있다는 아이디어와 함께 등장했습니다. 예를 들어 만약 사기 거래 적발을 위해 머신러닝 알고리즘에 대용량 신용카드 거래 정보와 함께 연역법 규칙이 입력되었다면, 이 알고리즘은 한 계정이 일반적이지 않은 시간대 또는 다른 지리적 위치의 상점에서 무언가를 구매하는 등 특정한 패턴을 생성하는 이차적인 요소를 식발할 수 있게 됩니다.

이러한 프로세스를 수행하려면 대규모 데이터 세트가 패턴 식별을 시작해야 했습니다. 그러나 명확한 알파벳 문자, 데이터 양식 및 구문을 포함하는 데이터 세트는 관련 알고리즘에 도움이 될 수 있지만, 그림에서 얼굴을 식별하는 작업 등 보다 불분명한 작업들은 문제를 일으켰습니다.

2000년대에 기술은 또 한 번 진전을 이루었고, 이에 대한 솔루션은 인간의 두뇌를 모방하는 학습 방법론을 만드는 것이었습니다.

딥 러닝 vs 머신러닝

딥 러닝은 상호 연결된 관계로 정보를 세분화하여, 일련의 관찰을 기반으로 데이터를 추론합니다. 딥 러닝은 데이터 및 머신러닝으로 추론되는 패턴을 관리함으로써 의사 결정에 사용할 여러 참조 자료를 생성합니다. 표준 머신러닝의 경우와 마찬가지로 학습을 위한 데이터 세트가 클수록 딥 러닝 결과가 더욱 세분화됩니다.

딥 러닝을 간단히 설명하자면, 예기치 않은 맥락 단서를 의사 결정 프로세스에 포함할 수 있게 해 주는 기능입니다. 어린 아이가 글읽기를 배우는 방식을 떠올려 보세요. "빠르게 달리는 자동차"라는 문장을 보면 처음에는 '자동차'와 '달리는'이라는 단어를 인식할 수 있지만 '빠르게'는 인식하지 못합니다. 그러나 생각을 거친 끝에 맥락 단서를 기반으로 전체 문장을 추론 할 수 있습니다. '빠르게'는 자동차와 연계해서 전에 한 번쯤 들어봤을 단어입니다. 그림에서 속도를 나타내는 선을 봤을 수도 있고, ㅃ과 ㅏ가 함께 쓰인다는 사실을 알고 있을 수도 있죠. 이것들은 각각 개별적인 항목(예: "나는 그 글자를 알아봤고, 그 글자가 어떤 소리를 내는지 알고 있나?")입니다. 그러나 한데 합쳐졌을 때, 아이의 두뇌는 각각의 방식에 대해 의사결정을 내리고 문장을 읽을 수 있습니다. 그 결과 이 경험은 '빠르게'라는 단어를 다음에 다시 만났을 때 이를 더 잘 발음하게 해 줍니다.

딥 러닝은 이와 같은 방식으로 작동합니다. 다양한 요소를 세분화해 그에 대한 머신러닝 기반의 의사결정을 내리고, 그다음 각각의 상호 연결성을 파악해 최종 결정을 내리는 겁니다.

인공지능 소프트웨어

인공지능 소프트웨어는 머신러닝과 딥 러닝으로 구동되는 의사 결정 및 자동화를 사용하여 조직의 효율성을 높일 수 있습니다. 예측 모델링에서 보고서 생성, 프로세스 자동화에 이르기까지 인공지능은 조직의 운영 방식을 혁신하여 효율성 및 정확성을 향상시킬 수 있습니다. OCI(Oracle Cloud Infrastructure)는 AI 및 ML을 기반으로 하는 클라우드 기반 데이터 관리를 위한 기반을 제공합니다.