[AIBT] 인공지능의 이해 - 인공지능의 개요

 

 

1과목. 생성형 AI와 인공지능 이론

1장 인공지능의 이해

1. 인공지능의 개요

 

1. 인공지능이란 ?

 

(1) 인공지능이란?

• 인공지능(AI:Artificial Intelligence)은 컴퓨터나 기계가 인간과 유사한 지능을 가지고 문제를 해결하거나 학습할 수 있도록 만든 기술이다.
• 인간의 행동을 기계가 모방하여 로봇공학, 빅데이터 분석, 자율주행 차량 등 다양한 분야에 응용된다.
•  
• 인공지능의 활용 분야
  • 의료 : 영상 진단을 보조하여, X-레이와 MRI 이미지에서 이상을 탐지하고, 개인화된 치료계획 추천
  • 유통 : AI 기반 추천 시스템은 고객의 구매 이력과 선호도를 분석하여 맞춤형 상품을 추천
  • 금융 : 신용 평가, 사기 탐지, 자동화된 트레이딩 시스템에서 사용되어 의사결정을 빠르고 정확하게 판단
  • 제조 : 공정 최적화, 예지 정비, 자동화된 결함 감지를 통해 생산 효율을 향상
  • 교통 : 차량 흐름 분석, 실시간 교통 조정, 자율주행 차량의 개발 등에 활용
  • 위와 같이 인공지능은 다양한 분야에서 사용되고 있으며, 우리 생활을 더 편리하고, 똑똑하게 만들어 준다.

(2) 인공지능의 특징

• 인공지능은 대량의 데이터를 분석하여 패턴을 인식하고, 학습하는 능력과 반복적인 작업을 자동화하거나 새로운 상황에 대한 의사결정을 할 수 있다.
• 대규모 데이터 처리 : 많은 양의 데이터를 처리하고 분석하여 복잡한 패턴을 인식하고 예측
• 언어 이해 및 처리 : 자연어 처리(NLP) 기술을 활용하여 인간의 언어를 이해하고, 대화나 텍스트 생성 등에 응용
• 감지 및 인식 : 컴퓨터 비전과 음성 인식 기술을 기반으로 이미지, 비디오, 소리 등의 감각 데이터를 인식하고 해석
• 적응성 : 새로운 데이터나 환경의 변화에 따라 튜닝하고, 이를 통해 모델의 성능을 최적화하여 적응
• 컴퓨터 비전은 컴퓨터가 이미지나 영상을 보고 사람처럼 인식하고 이해하도록 하는 기술.
• 사물 인식, 얼굴 인식, 자율주행 등의 분야에서 다양한 시각 정보를 처리할 수 있다.

 

2. 인공지능의 구성

 (1) 인공지능의 전체적인 구성

ㅎㅎ내가 그림

인공지능

• 기계가 인간처럼 사고하고 행동할 수 있게 하는 가장 광범위한 분야
• 문제 해결, 학습, 언어 이해와 같은 지능적인 행위를 모방하는 기술

기계학습(머신러닝)

• 인공지능의 하위 집합으로, 알고리즘이 데이터로부터 학습하고, 경험을 통해 자동으로 개선될 수 있도록 하는 기술
• 데이터 분석과 복잡한 문제를 해결하는 데 사용

딥러닝

• 기계학습의 한 분야로, 인공신경망을 사용하여 대규모 데이터 세트에서 패턴을 학습하고, 이미지 및 음성 인식과 같은 고도로 복잡한 작업을 수행하는 데 사용

 

(2) 기계학습의 유형

• 기계학습은 데이터를 통해 스스로 학습하고 패턴을 발견하여, 명시적인 프로그래밍 없이도 새로운 문제를 해결하거나 예측하도록 하는 인공지능의 한 분야이다.
• 기계학습은 학습 방식과 데이터 형태에 따라 크게 다음과 같은 4가지 주요 유형으로 나눌 수 있다
  • 지도학습
  • 준지도학습
  • 비지도학습
  • 강화학습
• 기계학습에서 사용하는 알고리즘은 데이터에서 패턴을 학습하여 예측하고 분류 및 의사결정 등을 자동으로 수행할 수 있는 기술이다.

(가) 지도학습(Supervised Learning)

• 기계학습의 가장 일반적인 형태 중 하나로, 데이터와 그에 대한 정답(레이블)을 함께 사용하여 모델을 학습시키는 방법이다.
• 모델은 입력 데이터에서 패턴을 학습하고 새로운 데이터에 대해 예측을 수행한다
•  
• 지도학습 유형 
  • 분류
    
    • 어떤 데이터에 대해 두 가지 중 하나로 분류하는 모델
    • 예를 들어, 이메일을 '스팸' 또는 '정상'으로 분류
    • 대표적인 알고리즘
      • 의사결정트리(Decision Tree)
      • 랜덤 포레스트(Random Forest)
      • 앙상블(Ensemble)
      • KNN(K-Nearest Neighbor)
      • SVM(Support Vector Machine) 등
  • 회귀
    • 어떤 데이터들의 특징을 분석하여 패턴이나 트렌드, 경향을 예측할 때 사용하는 모델
    • 예를 들어, 주택의 크기, 위치, 연식 등의 정보를 바탕으로 주택의 가격을 예측하거나, 날씨 데이터(습도, 바람의 속도, 기압 등)를 바탕으로 특정 시간의 온도를 예측할 때 사용
    • 대표적인 알고리즘
      • 선형회귀분석(Linear Regression)
      • 로지스틱 회귀분석(Logistic Regression) 등
  • 이외에 지도학습은 신용카드 거래가 사기성인지 아닌지를 구분할 때 사용하며, 보험 가입자의 보험금 청구 가능성이 거짓인지 아닌지 분류 또는 예측할 때 주로 사용한다.

(나) 비지도학습(Unsupervised Learning)

• 정답(레이블)이 지정되지 않은 텍스트 데이터로부터 정보를 추출하고, 구조화하는 대표적인 사례이다.
• 예를 들어, 대량의 신문 기사를 분석하여 자동으로 정치, 경제, 사회, 스포츠 등으로 나눌 때 사용한다.
• 정답(레이블)이 지정되지 않은 텍스트 데이터로부터 정보를 추출하고, 구조화하는 대표적인 사례
• 입력 데이터에 대한 명시적인 정답이 없으므로, 알고리즘 스스로 데이터 내의 숨겨진 특징이나 구조를 발견해야함
• 비지도학습 유형
  • 군집
    • 데이터가 가진 유사성에 따라 그룹으로 나누는 방법
    • 유사성에 따른 군집은 시장 세분화, 사회적 네트워크 분석, 이미지 분석 등에 활용
    • 대표적인 군집 알고리즘에는 K-means 알고리즘, DBSCAN 알고리즘 등 존재
  • 차원 축소(Dimension Reduction)
    • 고차원의 데이터를 저차원의 데이터로 변환하는 방법
    • 데이터의 중요한 특성을 유지하면서 계산 비용을 줄이고, 데이터를 시각화하기 위해 사용
    • 주요 차원 축소 기법에는 주성분 분석(PCA), 오토인코더 등이 존재

 

(다)강화학습(REinforcement Learning)

• 에이전트와 환경이 상호작용하면서 스스로 학습하여 최적의 행동(정책)을 찾아가는 과정
• 예를 들어, 강화학습이 적용된 자율주행 차량이 교차로에 접근하느 상황에서 차량은 신호등의 색깔을 인식하여 멈추거나 주행하거나 하는 결정을 내린다
• 만약 신호등이 빨간새일 때 멈추는 행동을 선택하면 긍정적인 보상을 받아 이 행동이 올바른 것임을 학습하게 됨
• 반대로 빨간색 신호에서 주행하려고 시도하면 부정적인 보상을 받아 앞으로는 이런 행동을 피하려 함!!
• 이러한 방식으로 자율주행 차량은 다양한 운전 상황에서 안전하게 운전 방법을 스스로 학습하며, 결국에는 운전자 없이도 안전하게 목적지까지 도달할 수 있는 능력을 키우게 됨
• 강화학습의 구성요소
  • 에이전트(Agent) : 환경과 상호작용하며 학습하는 주체이며, 어떤 행동을 취할지 결정함
    • 예) 마리오
  • 환경(Environment) : 에이전트가 상호작용하는 외부 세계
    • 에이전트의 행동에 따라 상태와 보상을 반환
    • 예) 게임 전체 월드, 맵, 장애물 등
  • 상태(State) : 환경의 현재 상황을 나타내는 정보
    • 에이전트가 관찰 가능한 정보
    • 예) 캐릭터 위치, 주변 장애물, 적의 위치 등
  • 행동(Action) : 에이전트가 현재 상태에서 취할 수 있는 선택지
    • 정책(policy)을 따라 결정됨
    • 예) 왼쪽으로 이동, 점프, 공격 등
  • 보상(Reward) : 행동에 대한 환경의 피드백
    • 에이전트가 목표를 달성했는지에 대한 신호
    • 예) 코인을 얻으면 +1, 적에게 닿으면 -5 등

 

(3) 데이터의 중요성

• 인공지능에서 데이터는 알고리즘이 학습하고, 패턴을 인식하며, 예측을 수행하는 기반을 제공한다.
• 대량의 고품질 데이터는 인공지능 모델이 더욱 정확하고 효과적으로 학습할 수 있도록 하며, 결국 인공지능 시스템의 성능을 결정짓는 주요 요소가 됨
• 인공지능에서 데이터의 중요성
  • 학습 기반 : 데이터는 인공지능 시스템이 학습하는 기반이 되며, 충분하고 다양한 데이터 없이는 효과적인 학습이 불가능
  • 성능 향상 : 고품질의 데이터는 모 델의 정확도를 높이고, 인공지능 시스템의 성능을 개선하는데 필수
  • 결정 및 예측 : 데이터는 인공지능이 결정을 내리고 미래를 예측하는 데 사용되는 정보의 운천으로, 정확한 데이터는 더 정확한 결정과 예측을 가능하게 함
  • 응용 분야 확장 : 다양한 유형과 범위의 데이터를 활용함으로써 인공지능 시스템은 더 넓은 범위의 문제를 해결하고 다양한 분야에 적용 가능
  • 알고리즘 개선 : 대량의 데이터를 분석하고 이해함으로써, 인공지능 연구자들은 더 효율적이고 혁신적인 알고리즘을 개발할 수 있음!!
• 위의 이유들로 인공지능에서 데이터가 중요하다고 볼 수 있다.
• 데이터의 질과 양을 신중하게 관리하고 최적화하는 것이 인공지능 개발에서 매우 중요하다.