Ai & 4차 산업혁명
1. 인공지능
인공지능은 인간의 사고와 비슷하면서 다른 점을 지니고 있다. 많은 데이터를 처리하고 반복 연산하는 것은 쉽지만 인간에게 어렵다. 룰을 해석하고 판정을 내릴 때 명확하게 판단하여 유리하다. 하지만 융통성이 필요한 작업에는 적합하지 않다. 언어의 경우 예외가 존재, 아직은 데이터를 이해한다기 보다 수집된 데이터 패턴으로 유추하는 방식이다.
인공지능은 인간이 사고하는 원리를 이해하지 못하지만 답을 낸다는 점에서 차이가 크다. 근래 인공지능이 발전할 수 있었던 것은 인간의 사고과정을 모방하겠다는 예전의 목표를 포기하고 대량의 데이터를 기반으로 패턴을 익혀 문제를 풀겠다는 방식으로 변경하였기에 큰 성장을 이뤘다.
직접 화면이나 버튼을 누르거나 물리적인 신체 움직임이 필요하지 않고 음성만으로 사용자가 원하는 정보를 얻고 기능을 작동시킬 수 있다.
빅데이터
- 비정형의 방대한 데이터에서 정형화된 패턴을 찾고 분류하는 단계, 의도하지 않게 생성된 데이터도 의도한 목적에 부합하게 가공할 수 있다.
- 많은 데이터를 보관하기 위해 클라우드 구축이 필요하고 안전하게 관리. 무결성을 유지하기 위해 보안이 필요해졌다. 반도체 웨이퍼 사진에서 불량이 어느 위치에 어떤 모양으로 발생하는지도 알 수 있다.
- 인공지능과 차이점: 사람이 데이터를 통계적으로 분석해서 내놓는 형태로 차트나 복잡화된 시각화이미지를 사용한다.
인공지능의 경우, 자동화된 액션(패턴 익혀서 결과물을 내는 형태) 으로 데이터를 정리하는 사람이 해당 분야에 대한 이해도가 높은 경우에 데이터 처리의 효율이 더 높아진다.
사업화할만한 데이터: 유동인구 상권 분석, 생활인구 분석, 지역축제분석, 창업분석으로 스타트업 신사업
2. 머신러닝
머신러닝은 사람이 정한 규칙대로 동작하기 보단 스스로 규칙을 찾아 수정하며 학습한다.
supervised learning(지도 학습)
- supervised learning(지도 학습)이 대부분, 입력과 타깃으로 모델을 훈련시킴 ex) 스팸메일 분류
- 모델을 훈련시키기 위해 많은 시간이 필요함, 잘못된 내용이 입력된 타깃을 훈련 데이터에 포함시키면 잘못된 모델이 만들어짐
- 규칙이란 입력을 받아 가중치와 절편으로 타깃을 만드는 것, 딥러닝은 이와 훨씬 많은 가중치와 절편을 필요로 함
- 만들어진 식이 결국 모델이 되는 것, 이를 손실함수로 수정을 거치면 알고리즘 완성
- EX) 최솟값을 효율적으로 찾는 방법을 최적화 알고리즘
unsupervised learning(비지도 학습)
- unsupervised learning(비지도 학습)은 타깃이 없는 훈련 데이터를 사용
- EX) 기업이 고객의 소비 성향에 따라 그룹 지정하는 상황 (그룹을 만들어야 타깃이 생김)
reinforced learning(강화 학습)
- 머신러닝 알고리즘으로 에이전트를 훈련, 훈련된 agent는 특정 환경에서 최적화된 행동을 수행, 이에 대한 보상과 현재상태를 받음
- 목표는 최대한 많은 보상을 받는 것, 주어진 환경에서 아주 많은 행동을 수행하여, 인공신경망 사용한 DEEP Q NETWORK 학습
- EX) 알파고
머신러닝에 맞는 데이터 : 데이터베이스, 레코드파일, 엑셀 등 정형데이터 (암환자의 검진 데이터나 회사의 매출 데이터와 같은 정형화된 데이터에 대한 문제를 잘 해결함)
3. 딥러닝(=인공신경망)
딥러닝(deep learning)은 머신러닝 알고리즘 중 하나인 인공신경망(artificial neural network), 선형회귀나 로지스틱 회귀와 같은 알고리즘이다. 인공신경망을 겹겹이 쌓으면 딥러닝(인공신경망=딥러닝)이며, 딥러닝은 머신러닝이 처리하기 어려운 데이터를 더 잘 처리한다.
딥러닝에 맞는 데이터: 이미지,영상, 음성, 텍스트 번역 등의 비정형 데이터