인간 지능은 우리 뇌의 학습 능력을 반영합니다. 인간처럼 행동하는 컴퓨터 시스템은 인공 지능을 사용합니다. 이는 이러한 시스템이 학습할 수 있는 컴퓨터 프로그램의 통제하에 있음을 의미합니다. 사람이 하는 것처럼 컴퓨터는 데이터 사용 방법을 학습한 다음 학습한 내용을 바탕으로 결정을 내리거나 평가를 내릴 수 있습니다. 기계 학습이라고 하는 더 큰 인공 지능 분야의 일부입니다.
컴퓨터가 문제를 해결하기 위해 사람들은 컴퓨터 하드웨어를 작동시키는 프로그램에 대한 단계별 지침을 작성했습니다. 그 프로그래머들은 컴퓨터가 접할 수 있는 모든 단계를 고려해야 했습니다. 그런 다음 그들은 그 과정에서 내려야 할 모든 결정에 컴퓨터가 어떻게 반응하기를 원하는지 설명했습니다.
1940년대에 일리노이 대학교에서 엔지니어로 일하던 Arthur Samuel은 컴퓨터를 다르게 프로그래밍하기로 결정했습니다. 이 컴퓨터 과학자는 컴퓨터에게 스스로 학습하는 방법을 가르칠 것입니다. 그의 교육 도구: 체커.
가능한 모든 동작을 프로그래밍하는 대신 챔피언 체커 플레이어의 조언을 컴퓨터에 제공했습니다. 이것을 일반적인 규칙으로 생각하십시오.
그는 또한 컴퓨터에게 자신과 체커 게임을 하도록 가르쳤습니다. 각 게임 동안 컴퓨터는 어떤 동작과 전략이 가장 잘 작동했는지 추적했습니다. 그런 다음 다음 번에 더 나은 플레이를 위해 이러한 동작과 전략을 사용했습니다. 그 과정에서 컴퓨터는 데이터 조각을 정보로 전환했습니다. 그 정보는 지식이 되어 컴퓨터가 더 똑똑하게 움직일 수 있도록 합니다. Samuel은 몇 년 안에 그 게임을 하기 위한 그의 첫 번째 컴퓨터 프로그램을 완성했습니다. 당시 그는 뉴욕 포킵시에 있는 IBM 연구소에서 일하고 있었습니다.
패턴 찾기: 체커에서 그림까지
프로그래머는 곧 체커를 넘어섰습니다. 동일한 접근 방식을 사용하여 컴퓨터가 더 복잡한 작업을 해결하도록 가르쳤습니다. 2007년 캘리포니아 스탠포드 대학의 Fei-Fei Li와 그녀의 동료들은 컴퓨터가 사진 속의 물체를 인식하도록 훈련시키기로 결정했습니다. 우리는 시력을 눈만 사용하는 것으로 생각할 수 있습니다. 사실, 이미지가 보여주는 것을 인식하고 이해하는 것은 우리의 뇌입니다.
Li의 그룹은 많은 이미지 세트를 컴퓨터 모델에 연결했습니다. 컴퓨터는 개나 다른 것으로부터 고양이를 배우기 위해 많은 그림이 필요했습니다. 그리고 연구원들은 컴퓨터가 훈련한 고양이의 각 사진이 실제로 고양이를 보여주도록 해야 했습니다.
2015년 TED 토크에서 Li는 그녀의 팀이 어떻게 이 문제를 해결했는지 설명했습니다. 그들은 다른 과학자들의 도움이 필요했습니다. 127개국에서 온 거의 49,000명의 자원봉사자가 약 10억 개의 이미지를 분류하는 데 약 3년이 걸렸습니다.
결국 Li의 팀은 62,000개 이상의 이미지 세트를 얻었고 모두 고양이였습니다. 고양이 몇 마리가 앉았다. 다른 사람들은 서 있었다. 아니면 웅크렸다. 또는 웅크 리고 누워. 사진에는 사자에서 집고양이에 이르기까지 다양한 종들이 묘사되어 있습니다. 컴퓨터 프로그램이 이러한 이미지의 데이터를 조사하면서 해당 프로그램은 표시될 수 있는 새 사진에서 고양이를 식별하는 방법을 배웠습니다.
거의 같은 방식으로 Li의 팀은 컴퓨터 모델이 사람, 개, 연, 자동차(제조사 및 모델별) 등도 인식하도록 가르쳤습니다. 이러한 모든 데이터 세트는 이제 다른 과학자들이 무료로 사용할 수 있습니다.
패턴에서 딥러닝까지
컴퓨터는 알고리즘을 사용하여 데이터를 구성합니다. 단계별 프로세스를 따르는 수학 공식 또는 지침입니다. 예를 들어 한 알고리즘의 단계는 비슷한 패턴으로 이미지를 그룹화하도록 컴퓨터에 지시할 수 있습니다. 고양이 사진과 같은 경우에 사람들은 컴퓨터가 잘못된 정보를 분류하도록 돕습니다. 다른 경우에는 알고리즘이 컴퓨터가 실수를 식별하고 이를 통해 학습하는 데 도움이 될 수 있습니다.
보다 강력한 기계 학습 기술 중 하나는 “딥 러닝”입니다. 신경망(또는 신경망)으로 알려진 시스템으로 컴퓨팅 작업을 구성합니다. 네트워크는 데이터를 이동하고 처리할 수 있는 연결된 노드로 구성됩니다. 그런 의미에서 이러한 네트워크는 인간의 두뇌와 약간 비슷합니다. 신경망에 대한 아이디어는 1940년대 Warren McCullough와 Walter Pitts에 의해 제기되었습니다. 그들은 캠브리지에 있는 Massachusetts Institute of Technology에서 근무하는 동안 조금 후에 이러한 시스템을 개발했습니다.
잠시 동안 신경망은 유행에서 벗어났습니다. 그러나 그들은 1980년대에 크게 돌아왔습니다. 오늘날에는 더욱 복잡한 기계 학습 시스템의 기반 역할을 계속하고 있습니다.
오늘날 딥 러닝 시스템에서 데이터는 일반적으로 노드(연결)를 통해 한 방향으로만 이동합니다. 시스템의 각 계층은 하위 노드에서 데이터를 수신한 다음 해당 데이터를 처리하고 상위 노드에 공급할 수 있습니다. 컴퓨터가 학습함에 따라 계층이 더 복잡해집니다(깊어집니다). 딥 러닝 시스템은 체커 게임처럼 단순한 선택이 아니라 많은 데이터를 검토하고 학습한 다음 이를 기반으로 결정을 내립니다. 이 모든 단계는 사람의 새로운 입력 없이 컴퓨터 내부에서 이루어집니다.
인공지능은 사람을 돕는 도구
기계 학습은 최근 삶을 더 쉽게 만드는 것을 목표로 하는 도구, 소프트웨어 및 제품에 등장하고 있습니다. 한 가지 예는 오늘날의 스마트 스피커 및 스트리밍 서비스에서 사용되는 프로그램입니다. 이것은 당신이 선택한 음악이나 비디오의 트렌드를 찾은 다음 당신이 좋아할 만한 비슷한 것을 제안합니다. 기계 학습은 또한 사람들이 공학에서 의학에 이르기까지 모든 분야에서 더 큰 문제를 해결하도록 돕는 데 사용되고 있습니다. 그 과정에서 일부 기계 학습 시스템은 비디오 게임을 교육 도구로 사용하고 있습니다.
예를 들어 일리노이주 시카고 외곽에 있는 Argonne National Laboratory의 엔지니어가 개발한 한 시스템은 엔진에 대해 수백 가지의 서로 다른 디자인을 테스트할 수 있습니다. 그런 다음 연구원이 현실 세계에서 테스트하기 위해 (모든 디자인 대신) 최상의 디자인을 구축할 수 있는 방법을 제안할 수 있습니다. 의학에서 기계 학습은 바이러스의 크기와 모양을 기반으로 질병을 식별하는 데 도움이 됩니다.
인공지능(AI)이 진화한 만큼 인간의 두뇌만큼 똑똑해지려면 아직 멀었습니다. 예를 들어 AI 시스템은 체커 게임을 하거나 고양이를 식별할 수 있지만 고양이가 체커 게임을 할 수 없는 이유를 아직 이해할 수 없습니다.
