딥러닝

딥러닝

미래의 기계들은 인간과 동물처럼 지능을 가질 수 있을 것인가라는 가설에서 시작한 연구입니다. 기존에는 모든 지식을 규칙과 기호를 통해 입력하는 방식이었습니다. 하지만 우리가 직관적으로는 알지만 설명하기 어려운 경우에는 수학화하여 프로그래밍할 수 없다는 한계점이 있었습니다. 이에 대한 해결책으로 제시된 것이 머신러닝입니다. 이에 대해 자세히 알아보도록 하겠습니다.

 

1. 머신러닝

머신러닝에서의 핵심 개념은 사람이든 기계든 어떠한 결정을 내리기 위해서는 지식이 필요하다는 것입니다. 그 지식을 학습을 통해 줄수있다고 봅니다. 지능을 간단한 법칙을 통해서 실현됩니다. 공식으로 표현할 수 있다는 뜻입니다. 인간의 뇌가 학습하는 방법을 이해할 수 있다면 컴퓨터가 스스로 지식을 습득할 수 있도록 프로그래밍할 수 있다고 생각했습니다. 기계에게 무엇인가를 이해하도록 훈련하는 특별한 방법을 딥러닝이라고 합니다. 

 

2. 딥러닝의 훈련방식

예를 들어서 컴퓨터가 숫자 이미지를 인식하도록 합니다. 컴퓨터는 '4'를 '9'라고 답할 수 있습니다. 그러면 인간이 정답이 '9'라고 가르쳐줍니다. 그러면 컴퓨터가 내부적으로 수치를 조정합니다. 다음에 같은 이미지를 봤을 때는 정답에 가까워지는 것입니다. 처음에는 자주 틀리겠지만 예시가 제공될 때마다 수정해가면서 점점 맞는 답을 내놓게 되는 것입니다. 

 

컴퓨터의 인공신경망은 뇌의 구조에서 따왔습니다. 인간의 뇌에 있는 뉴런은 정보를 수집하고 그 결과를 다른 뉴런에게 전달하게 됩니다. 인공신경망도 단순한 조정 단위로 이루어진 네트워크가 연산을 하고 서로 정보를 교환하는 방식입니다. 인간의 뇌는 정보가 제시되면 기호가 아닌 활성화 패턴을 사용합니다.  예를 들어 '기린'이라는 이미지를 보면 수많은 뉴런이 활동합니다. '코끼리'의 이미지를 보면 다른 그룹의 뉴런이 활동합니다. 둘 모두에 발화하는 뉴런도 있습니다. 기린과 코끼리의 공통점이 있기 때문입니다. 즉 뇌에서 물체를 인식한다는 것은 그 특성에 대해서는 아는 것입니다.

 

컴퓨터는 우리가 요청한 작업을 계속 훈련하면서 학습합니다. 뇌와 마찬가지로 신경망의 많은 부분이 발화하여 정답을 찾기 위해 협력합니다. 이러한 신경망 네트워크가 더 심층적으로 훈련되면서 딥러닝이라는 용어가 나온 것입니다. 높은 계층일수록 더 추상적인 개념을 제시할 수 있습니다. 컴퓨터는 어떤 단어의 배열을 보면 상응하는 외국어 단어를 하나씩 제시합니다. 하지만 사람은 진짜 하고 싶어 하는 말에 필요한 몇 단어에 집중합니다. 컴퓨터에도 이 주의력 기제에 대한 이론을 적용하자 기계의 번역이 굉장히 좋아졌습니다. 딥러닝에서는 주위의 상황이 변할 때 사람 수준의 일반화 능력을 구현하는 것이 목표입니다.