Offcanvas

������������

기고 | 거버넌스·플랫폼으로 본 주요 AI 동향

인공지능(AI)은 가장 전략적인 기업 기술이다. 2020년 들어 가장 파괴적인 비즈니스 애플리케이션은 머신러닝, 딥러닝 등 여러 형태의 AI를 활용하는 것들이 차지할 전망이다.   AI는 두뇌를 움직이는 클라우드 네이티브 기업 애플리케이션으로 자리 잡았다. 다양한 분야의 개발자들은 클라우드 애플리케이션에 데이터 주도 머신러닝 지능을 불어넣기 위해 AI 마이크로서비스를 포함하고 있다. 각종 센서에서 수집한 데이터는 물론 여러 애플리케이션과 클라우드, 허브 게이트웨이를 비롯한 온라인 자원에서 획득한 데이터를 대상으로 고속 추론을 수행하는 정교한 AI는 갈수록 대체 불가한 존재가 되어가고 있다. 데이터 과학자나 머신러닝 전문가가 아니더라도 AI 동향과 기술 및 애플리케이션을 잘 알아두는 것은 현대 사업에서 성공의 기본이다. AI를 이용해 혁신하는 회사들이 향후 수십 년간 해당 업계의 지배자가 될 것이다. 최고의 기업 AI 역량 구축 그동안 AI 업계가 얼마나 보편화되고 역동적으로 변했는지 고려하면, 기업 AI 전문기술을 일정 수준으로 유지하는 것이 어려울 수 있다. 다른 건 몰라도 반드시 해야 할 일은 AI 기술력, 프로세스, 도구, 플랫폼, 방법론을 아우르면서 다음과 같은 주요 사항이 포함된 광범위한 프로그램을 실행하는 것이다. • 팀: AI 애플리케이션을 조직 전체에 표준화한 운영 절차로 구축하고 훈련, 배치, 관리하기 위해 데이터 과학자 등 개발자로 구성된 전담팀을 만든다.  • 플랫폼: 멀티클라우드 환경에서 애플리케이션 구축, 데이터 공학, 머신러닝, 데이터 과학을 위해 신뢰할 수 있고 통합된 개방형 플랫폼을 배치한다. • 데이터: 머신러닝, 딥러닝 등 AI 모델을 구축하고 훈련, 배치, 관리할 때 온프레미스 플랫폼과 퍼블릭 클라우드에서 온 혼합 데이터를 결합한다.  • 워크로드: 수많은 AI 워크로드를 위해 정지 중인 데이터와 이동 중인 데이터를 둘 다 관리할 수 있도록 빠르고 확장 가능한 혼합 데이터 환경을 배치한다. ...

Saas 컨테이너 엔비디아 인공지능 GPU 쿠버네티스 마이크로서비스 강화학습 퓨처럼리서치

2020.02.03

인공지능(AI)은 가장 전략적인 기업 기술이다. 2020년 들어 가장 파괴적인 비즈니스 애플리케이션은 머신러닝, 딥러닝 등 여러 형태의 AI를 활용하는 것들이 차지할 전망이다.   AI는 두뇌를 움직이는 클라우드 네이티브 기업 애플리케이션으로 자리 잡았다. 다양한 분야의 개발자들은 클라우드 애플리케이션에 데이터 주도 머신러닝 지능을 불어넣기 위해 AI 마이크로서비스를 포함하고 있다. 각종 센서에서 수집한 데이터는 물론 여러 애플리케이션과 클라우드, 허브 게이트웨이를 비롯한 온라인 자원에서 획득한 데이터를 대상으로 고속 추론을 수행하는 정교한 AI는 갈수록 대체 불가한 존재가 되어가고 있다. 데이터 과학자나 머신러닝 전문가가 아니더라도 AI 동향과 기술 및 애플리케이션을 잘 알아두는 것은 현대 사업에서 성공의 기본이다. AI를 이용해 혁신하는 회사들이 향후 수십 년간 해당 업계의 지배자가 될 것이다. 최고의 기업 AI 역량 구축 그동안 AI 업계가 얼마나 보편화되고 역동적으로 변했는지 고려하면, 기업 AI 전문기술을 일정 수준으로 유지하는 것이 어려울 수 있다. 다른 건 몰라도 반드시 해야 할 일은 AI 기술력, 프로세스, 도구, 플랫폼, 방법론을 아우르면서 다음과 같은 주요 사항이 포함된 광범위한 프로그램을 실행하는 것이다. • 팀: AI 애플리케이션을 조직 전체에 표준화한 운영 절차로 구축하고 훈련, 배치, 관리하기 위해 데이터 과학자 등 개발자로 구성된 전담팀을 만든다.  • 플랫폼: 멀티클라우드 환경에서 애플리케이션 구축, 데이터 공학, 머신러닝, 데이터 과학을 위해 신뢰할 수 있고 통합된 개방형 플랫폼을 배치한다. • 데이터: 머신러닝, 딥러닝 등 AI 모델을 구축하고 훈련, 배치, 관리할 때 온프레미스 플랫폼과 퍼블릭 클라우드에서 온 혼합 데이터를 결합한다.  • 워크로드: 수많은 AI 워크로드를 위해 정지 중인 데이터와 이동 중인 데이터를 둘 다 관리할 수 있도록 빠르고 확장 가능한 혼합 데이터 환경을 배치한다. ...

2020.02.03

블로그 | 머신러닝의 다음은 더 큰 다양성과 유연성

머신러닝은 이제 손쉬운 물건이 됐다. 퍼블릭 클라우드 컴퓨팅 덕분에 저렴해지면서 이제 모든 클라우드 기반 애플리케이션이 머신러닝을 효과적으로 적용하고 있다.   현재 사용되고 있는 머신러닝은 크게 세 가지 종류로 나눌 수 있다. -    지도 학습(Supervised Learning)은 지식 기반을 직접 훈련해야 하고 데이터를 라벨링해야 한다. 이미지 인식을 위해 사람이나 동물, 식물을 알려주는 것과 같다. 지도형 학습은 트랜잭션에 머신러닝을 사용할 때 많이 적용하는 경향이 있다. 가짜 수표 검사나 안면 인식, 데이터의 패턴 인식 등이 대표적인 예다. 필자는 이런 종류의 머신러닝 대부분을 사용한다. -    비지도 학습은 훈련에 라벨링된 데이터가 필요 없다. 비지도 학습 머신러닝은 데이터를 사람이 하는 것과 같은 방식으로 나누거나 묶고 정리할 수 있다. 필자는 이런 머신러닝을 판매 증대 방안을 찾는 웹 사이트의 추천 엔진 구축에 사용했는데, 고객의 관심을 끌 만한 제품을 추천한다. -    강화 학습은 정말로 사람처럼 실수로부터 배운다. 사용자는 지식 엔진에 일정한 종류의 신호를 제공해야 한다. 좋은 행동에는 긍정적인 신호, 나쁜 행동에는 부정적인 신호를 주는 것이다. 이 개념은 좋은 행동에 대한 선호도를 강화한다. 비디오 게임이나 시뮬레이션에 많이 사용한다. 물론 많은 박사 논문과 학술 연구는 다른 종류의 인공지능과 머신러닝도 다룬다. 필자가 여기서 소개한 목록은 대부분 클라우드 기반 머신러닝 툴이 지원하는 종류일 뿐이다. 필자에게 문제는 앞서 언급한 세 가지 머신러닝에 한계가 있을지도 모른다는 것이다. 생각해보자. 모든 종류의 머신러닝을 동적으로 조합하고 데이터 학습이나 대규모 부하나 트랜잭션을 처리하는 동안 접근법이나 종류, 알고리즘을 조정할 수 있다면? 이 세 가지 범주의 머신러닝이 맞지 않는 사용례가 문제이다. 예를 들어, 라벨링된 데이터와 그렇지 ...

강화학습 지도학습 라벨링

2020.01.03

머신러닝은 이제 손쉬운 물건이 됐다. 퍼블릭 클라우드 컴퓨팅 덕분에 저렴해지면서 이제 모든 클라우드 기반 애플리케이션이 머신러닝을 효과적으로 적용하고 있다.   현재 사용되고 있는 머신러닝은 크게 세 가지 종류로 나눌 수 있다. -    지도 학습(Supervised Learning)은 지식 기반을 직접 훈련해야 하고 데이터를 라벨링해야 한다. 이미지 인식을 위해 사람이나 동물, 식물을 알려주는 것과 같다. 지도형 학습은 트랜잭션에 머신러닝을 사용할 때 많이 적용하는 경향이 있다. 가짜 수표 검사나 안면 인식, 데이터의 패턴 인식 등이 대표적인 예다. 필자는 이런 종류의 머신러닝 대부분을 사용한다. -    비지도 학습은 훈련에 라벨링된 데이터가 필요 없다. 비지도 학습 머신러닝은 데이터를 사람이 하는 것과 같은 방식으로 나누거나 묶고 정리할 수 있다. 필자는 이런 머신러닝을 판매 증대 방안을 찾는 웹 사이트의 추천 엔진 구축에 사용했는데, 고객의 관심을 끌 만한 제품을 추천한다. -    강화 학습은 정말로 사람처럼 실수로부터 배운다. 사용자는 지식 엔진에 일정한 종류의 신호를 제공해야 한다. 좋은 행동에는 긍정적인 신호, 나쁜 행동에는 부정적인 신호를 주는 것이다. 이 개념은 좋은 행동에 대한 선호도를 강화한다. 비디오 게임이나 시뮬레이션에 많이 사용한다. 물론 많은 박사 논문과 학술 연구는 다른 종류의 인공지능과 머신러닝도 다룬다. 필자가 여기서 소개한 목록은 대부분 클라우드 기반 머신러닝 툴이 지원하는 종류일 뿐이다. 필자에게 문제는 앞서 언급한 세 가지 머신러닝에 한계가 있을지도 모른다는 것이다. 생각해보자. 모든 종류의 머신러닝을 동적으로 조합하고 데이터 학습이나 대규모 부하나 트랜잭션을 처리하는 동안 접근법이나 종류, 알고리즘을 조정할 수 있다면? 이 세 가지 범주의 머신러닝이 맞지 않는 사용례가 문제이다. 예를 들어, 라벨링된 데이터와 그렇지 ...

2020.01.03

딥러닝의 한 갈래 '지도학습'이란?

머신러닝은 데이터로부터 자동으로 모델을 생성하는 알고리즘이 포함된 인공지능의 한 지류다. 머신러닝의 종류는 크게 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning), 능동적 머신러닝(Active Machine Learning) 등 4가지가 있다. 강화학습과 능동적 머신러닝은 상대적으로 새롭기 때문에 이런 종류의 목록에서 생략될 때도 있다. 또한 반 지도학습(Semi-supervised Learning)도 목록에 포함해야 한다.   지도학습이란 무엇인가? 지도학습은 올바른 답변(목표 값)으로 태그된 학습 데이터부터 출발한다. 학습 과정 후 이미 태그되지 않은 유사한 데이터에 대한 답을 예측할 수 있는 조정된 웨이트를 가진 모델을 얻게 된다. 오버피팅이나 언더피팅 없이 정확도가 높은 모델을 훈련해야 한다. 정확도가 높다는 것은 손실 함수를 최적화했다는 뜻이다. 분류 문제 맥락에서 정확도는 모델이 올바른 출력을 생성하는 예의 비율이다. 오버피팅이란 모델이 관찰한 데이터와 너무 긴밀하게 연관되어 있어서 관찰하지 않은 데이터로 일반화하지 않는다는 뜻이다. 언더피팅은 모델이 데이터의 기본 트렌드를 포착할 만큼 충분히 복잡하지 않다는 뜻이다. 손실 함수는 모델의 ‘나쁨’을 반영하기 위해 선택한다. 최고의 모델을 찾기 위해 손실을 최소화한다. 수치적 (회귀) 문제의 경우 손실 함수는 MSE(Mean Square Error)인 경우가 많으며 RMSE(Root Mean Squared Error)나 RMSD(Root Mean Square Deviation)으로도 표현된다. 이는 데이터 포인트와 모델 곡선 사이의 유클리드 거리에 해당한다. 분류 (비수치적) 무제의 경우 손실 함수는 ROC 곡선 아래의 영역(AUC), 평균 정확도, 정밀도 기억, 로그 손실 등 일련의 조치 중 하나에 기초할 수 있다. (AUC와 ROC 곡선에 대한 설명은 아래를 참조한다). 오버...

통계 지도학습 비지도학습 능동적 머신러닝 Unsupervised Learning Supervised learning Active Machine Learning reinforcement learning 강화학습 신경망 데이터 정제 함수 인공지능 하이퍼파라미터

2019.06.21

머신러닝은 데이터로부터 자동으로 모델을 생성하는 알고리즘이 포함된 인공지능의 한 지류다. 머신러닝의 종류는 크게 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning), 능동적 머신러닝(Active Machine Learning) 등 4가지가 있다. 강화학습과 능동적 머신러닝은 상대적으로 새롭기 때문에 이런 종류의 목록에서 생략될 때도 있다. 또한 반 지도학습(Semi-supervised Learning)도 목록에 포함해야 한다.   지도학습이란 무엇인가? 지도학습은 올바른 답변(목표 값)으로 태그된 학습 데이터부터 출발한다. 학습 과정 후 이미 태그되지 않은 유사한 데이터에 대한 답을 예측할 수 있는 조정된 웨이트를 가진 모델을 얻게 된다. 오버피팅이나 언더피팅 없이 정확도가 높은 모델을 훈련해야 한다. 정확도가 높다는 것은 손실 함수를 최적화했다는 뜻이다. 분류 문제 맥락에서 정확도는 모델이 올바른 출력을 생성하는 예의 비율이다. 오버피팅이란 모델이 관찰한 데이터와 너무 긴밀하게 연관되어 있어서 관찰하지 않은 데이터로 일반화하지 않는다는 뜻이다. 언더피팅은 모델이 데이터의 기본 트렌드를 포착할 만큼 충분히 복잡하지 않다는 뜻이다. 손실 함수는 모델의 ‘나쁨’을 반영하기 위해 선택한다. 최고의 모델을 찾기 위해 손실을 최소화한다. 수치적 (회귀) 문제의 경우 손실 함수는 MSE(Mean Square Error)인 경우가 많으며 RMSE(Root Mean Squared Error)나 RMSD(Root Mean Square Deviation)으로도 표현된다. 이는 데이터 포인트와 모델 곡선 사이의 유클리드 거리에 해당한다. 분류 (비수치적) 무제의 경우 손실 함수는 ROC 곡선 아래의 영역(AUC), 평균 정확도, 정밀도 기억, 로그 손실 등 일련의 조치 중 하나에 기초할 수 있다. (AUC와 ROC 곡선에 대한 설명은 아래를 참조한다). 오버...

2019.06.21

'알파고를 만든' 강화 학습 이해하기

구글 딥마인드(DeepMind)의 알파고(AlphaGo)는 사람들에게 친숙한 이름이다. 알파고는 2015년 프로 2단 바둑 기사와의 시합에서 승리하면서 유명세를 탄 이후, 개선된 알파고 버전은 세계적인 프로 바둑 기사인 이세돌 9단과의 시합에서도 승리하고 2017년 5월에는 세계 랭킹 1위인 커제 바둑 기사와의 상대로도 이겼다. 2017년 후반 새로운 세대의 소프트웨어로 나온 알파제로(AlphaZero)는 기존 알파고보다 더욱 강력했으며 바둑뿐만 아니라 체스와 쇼기(일본식 장기)도 학습했다. 알파고와 알파제로는 모두 강화 학습(reinforcement learning)을 통해 학습한다. 또한 강화 학습 네트워크의 일부로 심층신경망을 사용해 결과 가능성을 예측한다. 이번 기사에서는 강화 학습이 어떻게 사용되고 어떻게 작동하는지를 전체적인 관점에서 설명하고, 이후 알파고와 알파제로를 다시 살펴보자(계산이나 마르코프 결정 프로세스(Markov Decision Process), 알고리즘의 복잡다단한 세부 사항까지 다루지는 않는다).    강화 학습이란  머신러닝에는 비지도 학습(unsupervised learning), 지도 학습(supervised learning), 강화 학습(reinforcement learning)의 세 가지 종류가 있다. 각 학습은 서로 다른 종류의 문제 해결에 유용하다. 비지도 학습은 레이블이 없는 완전한 데이터 집합에서 작동하며 데이터의 구조를 밝혀내는 데 유리하다. 클러스터링, 차원 축소, 특성 학습, 밀도 추정 등에 사용된다. 지도 학습은 레이블이 있는 완전한 데이터 집합에서 작동하며 개별 데이터에 대한 분류 모델과 연속 데이터에 대한 회귀 모델을 만드는 데 유리하다. 지도 학습으로 생산되는 머신러닝 또는 신경망 모델은 일반적으로 예측에 사용된다. 예를 들어 "이 대출자가 대출금을 갚지 않을 가능성은 얼마나 되는가" 또는 "다음 달 얼만큼의 재고를 보유해야 하는가&qu...

머신러닝 알파고 강화학습 reinforcement learning 알파제로

2019.06.12

구글 딥마인드(DeepMind)의 알파고(AlphaGo)는 사람들에게 친숙한 이름이다. 알파고는 2015년 프로 2단 바둑 기사와의 시합에서 승리하면서 유명세를 탄 이후, 개선된 알파고 버전은 세계적인 프로 바둑 기사인 이세돌 9단과의 시합에서도 승리하고 2017년 5월에는 세계 랭킹 1위인 커제 바둑 기사와의 상대로도 이겼다. 2017년 후반 새로운 세대의 소프트웨어로 나온 알파제로(AlphaZero)는 기존 알파고보다 더욱 강력했으며 바둑뿐만 아니라 체스와 쇼기(일본식 장기)도 학습했다. 알파고와 알파제로는 모두 강화 학습(reinforcement learning)을 통해 학습한다. 또한 강화 학습 네트워크의 일부로 심층신경망을 사용해 결과 가능성을 예측한다. 이번 기사에서는 강화 학습이 어떻게 사용되고 어떻게 작동하는지를 전체적인 관점에서 설명하고, 이후 알파고와 알파제로를 다시 살펴보자(계산이나 마르코프 결정 프로세스(Markov Decision Process), 알고리즘의 복잡다단한 세부 사항까지 다루지는 않는다).    강화 학습이란  머신러닝에는 비지도 학습(unsupervised learning), 지도 학습(supervised learning), 강화 학습(reinforcement learning)의 세 가지 종류가 있다. 각 학습은 서로 다른 종류의 문제 해결에 유용하다. 비지도 학습은 레이블이 없는 완전한 데이터 집합에서 작동하며 데이터의 구조를 밝혀내는 데 유리하다. 클러스터링, 차원 축소, 특성 학습, 밀도 추정 등에 사용된다. 지도 학습은 레이블이 있는 완전한 데이터 집합에서 작동하며 개별 데이터에 대한 분류 모델과 연속 데이터에 대한 회귀 모델을 만드는 데 유리하다. 지도 학습으로 생산되는 머신러닝 또는 신경망 모델은 일반적으로 예측에 사용된다. 예를 들어 "이 대출자가 대출금을 갚지 않을 가능성은 얼마나 되는가" 또는 "다음 달 얼만큼의 재고를 보유해야 하는가&qu...

2019.06.12

머신러닝에 관한 9가지 오해

머신러닝만큼 오해가 많은 신기술도 없을 것이다. 머신러닝이 할 수 있는 것과 할 수 없는 것은 각각 무엇인지를 알아보고, 더 이상 머신러닝을 오해하지 말자. 머신러닝은 매우 유용하다. 그래서 모든 문제를 해결하고, 모든 상황에 적용할 수 있는 기술이라고 생각하기 쉽다. 하지만 다른 도구들처럼 특정 영역에만 유용하다. 지속되고 있지만, 이를 해결할 사람을 충분히 채용할 수 없어 해결하지 못하고 있는 문제들, 목적이 명확하지만, 이를 달성할 방법이 없는 문제들을 예로 들 수 있다. 어쨌든 많은 기업과 기관이 어떤 식이든 머신러닝을 활용해 혜택을 누릴 수 있다. 액센츄어 조사에 따르면, 2021년까지 AI가 모든 새로운 혁신의 원동력이 될 것이라고 예상한 중역들의 비율이 42%에 달한다. 그러나 ‘하이프’와 일반적인 통념을 극복하고, 머신러닝이 실제 전달할 수 있는 기능과 그렇지 못한 기능을 이해해야 더 좋은 성과를 일궈낼 수 있다. 오해 1 : ‘머신러닝=AI’다 머신러닝과 인공지능이 유사어처럼 사용되는 경우가 많다. 하지만 머신러닝은 연구 실험실에서 실제 세상으로 가장 성공적으로 진입한 기법이고, AI는 컴퓨터 비전, 로봇, 자연어 처리, 머신러닝이 관여되지 않는 제약 만족(Constraint Satisfaction) 같은 접근법 등 적용 범위와 응용 분야가 광범위한 기술이다. 머신을 똑똑하게 만드는 기술로 생각하면 된다. 이 가운데 어느 것도 일부 사람들이 경쟁할까 두려워하고, 심지어 인간을 공격할까 두려워하는 그런 '인공지능'은 아니다. ‘버즈워드(통용어)’를 경계하고, 정확히 이해해야 한다. 머신러닝은 수많은 데이터의 패턴을 학습, 결과를 예측하는 기법이다. 그 결과가 ‘지적’으로 보일지 모르겠지만, 기본적으로 아주 빠른 속도와 규모로 통계 처리를 하는 기법이다. 오해 2 : 모든 데이터가 유용하다 머신러닝에는 데이터가 ...

CIO RL 통념 CB 강화학습 신경망 알파고 딥마인드 데이터 과학 블랙박스 기계학습 마이크로소픝 API 인공지능 일자리 피싱 애저 세일즈포스 맥락 강도

2018.03.23

머신러닝만큼 오해가 많은 신기술도 없을 것이다. 머신러닝이 할 수 있는 것과 할 수 없는 것은 각각 무엇인지를 알아보고, 더 이상 머신러닝을 오해하지 말자. 머신러닝은 매우 유용하다. 그래서 모든 문제를 해결하고, 모든 상황에 적용할 수 있는 기술이라고 생각하기 쉽다. 하지만 다른 도구들처럼 특정 영역에만 유용하다. 지속되고 있지만, 이를 해결할 사람을 충분히 채용할 수 없어 해결하지 못하고 있는 문제들, 목적이 명확하지만, 이를 달성할 방법이 없는 문제들을 예로 들 수 있다. 어쨌든 많은 기업과 기관이 어떤 식이든 머신러닝을 활용해 혜택을 누릴 수 있다. 액센츄어 조사에 따르면, 2021년까지 AI가 모든 새로운 혁신의 원동력이 될 것이라고 예상한 중역들의 비율이 42%에 달한다. 그러나 ‘하이프’와 일반적인 통념을 극복하고, 머신러닝이 실제 전달할 수 있는 기능과 그렇지 못한 기능을 이해해야 더 좋은 성과를 일궈낼 수 있다. 오해 1 : ‘머신러닝=AI’다 머신러닝과 인공지능이 유사어처럼 사용되는 경우가 많다. 하지만 머신러닝은 연구 실험실에서 실제 세상으로 가장 성공적으로 진입한 기법이고, AI는 컴퓨터 비전, 로봇, 자연어 처리, 머신러닝이 관여되지 않는 제약 만족(Constraint Satisfaction) 같은 접근법 등 적용 범위와 응용 분야가 광범위한 기술이다. 머신을 똑똑하게 만드는 기술로 생각하면 된다. 이 가운데 어느 것도 일부 사람들이 경쟁할까 두려워하고, 심지어 인간을 공격할까 두려워하는 그런 '인공지능'은 아니다. ‘버즈워드(통용어)’를 경계하고, 정확히 이해해야 한다. 머신러닝은 수많은 데이터의 패턴을 학습, 결과를 예측하는 기법이다. 그 결과가 ‘지적’으로 보일지 모르겠지만, 기본적으로 아주 빠른 속도와 규모로 통계 처리를 하는 기법이다. 오해 2 : 모든 데이터가 유용하다 머신러닝에는 데이터가 ...

2018.03.23

2016년 실험실 밖으로 나온 인공지능 툴

“자꾸 컴퓨터를 의인화하는데, 그러지 마. 그 친구들은 그런 거 싫어해.” 이 농담은 1997년 딥블루가 세계 체스 챔피언 게리 카스파로프(Garry Kasparov)를 상대로 체스 게임에서 우승했던 이야기만큼이나 오래된 것이다. 물론 그동안 인공지능 분야에서 많은 발전이 있기는 했지만, 아직도 컴퓨터의 ‘감정’에 대해 걱정해야 할 단계는 아니다. 로보이( Roboy)의 머리에 있는 프로젝터는 감정을 나타내는 데 쓰일 수 있다. 입이 내려가고 만화에서 화난 상태를 표현할 때처럼 로봇의 눈과 볼이 빨갛게 변하기도 한다. Credit: Peter Sayer / IDG News Service 컴퓨터는 소셜 미디어에 올라간 사람들의 감정 표현을 분석할 수도 있고, 또 그런 것을 로봇의 얼굴에 투영해 마치 화가 나거나 기쁜 듯한 표정을 짓게 할 수도 있지만, 그렇다고 해서 진짜로 로봇이 감정을 느낀다고 믿는 사람은 없다. 반면 지난 1년간 인공지능의 다른 분야들은 소프트웨어 및 하드웨어 측면에서 놀라울 만큼의 발전을 거두었다. 딥블루는 세계적인 체스 챔피언과 대결해 이겼지만 그렇다고 거만해지거나 뻐기지도 않았고, 졌다고 해서 화가 나 씩씩거리지도 않았다. 작년까지만 해도 바둑에서 인공지능은 인간의 상대가 되지 못한다고 생각했다. 그 생각은 지난 3월, 구글의 딥마인드가 개발한 알파고가 세계적인 바둑 고수 이세돌과의 대국에서 4:1의 승리를 거둠에 따라 완전히 깨지게 됐다. 알파고의 비밀 무기는 바로 강화학습(reinforcement learning)으로서, 목표 달성에 유리한 행위가 무엇인지를 프로그램이 스스로 깨달아 그러한 행위를 강화하는 메커니즘이다. 때문에 사람이 개입하여 어떤 선택이 옳은지를 일일이 가르칠 필요가 없다. 강화학습 덕분에 알파고는 자기 자신을 상대로 끊임없이 대국을 두어 더 나은 전략을 찾아낼 수 있었다. 강화학습 기술 역시 십수 년 전부터 있었던 것이지만, ...

구글 reinforcement learning 강화학습 파워AI 딥블루 이세돌 바둑 알파고 텐서플로우 딥마인드 로봇 체스 인공지능 엔비디아 애저 마이크로소프트 IBM 아마존 ASICs

2016.12.27

“자꾸 컴퓨터를 의인화하는데, 그러지 마. 그 친구들은 그런 거 싫어해.” 이 농담은 1997년 딥블루가 세계 체스 챔피언 게리 카스파로프(Garry Kasparov)를 상대로 체스 게임에서 우승했던 이야기만큼이나 오래된 것이다. 물론 그동안 인공지능 분야에서 많은 발전이 있기는 했지만, 아직도 컴퓨터의 ‘감정’에 대해 걱정해야 할 단계는 아니다. 로보이( Roboy)의 머리에 있는 프로젝터는 감정을 나타내는 데 쓰일 수 있다. 입이 내려가고 만화에서 화난 상태를 표현할 때처럼 로봇의 눈과 볼이 빨갛게 변하기도 한다. Credit: Peter Sayer / IDG News Service 컴퓨터는 소셜 미디어에 올라간 사람들의 감정 표현을 분석할 수도 있고, 또 그런 것을 로봇의 얼굴에 투영해 마치 화가 나거나 기쁜 듯한 표정을 짓게 할 수도 있지만, 그렇다고 해서 진짜로 로봇이 감정을 느낀다고 믿는 사람은 없다. 반면 지난 1년간 인공지능의 다른 분야들은 소프트웨어 및 하드웨어 측면에서 놀라울 만큼의 발전을 거두었다. 딥블루는 세계적인 체스 챔피언과 대결해 이겼지만 그렇다고 거만해지거나 뻐기지도 않았고, 졌다고 해서 화가 나 씩씩거리지도 않았다. 작년까지만 해도 바둑에서 인공지능은 인간의 상대가 되지 못한다고 생각했다. 그 생각은 지난 3월, 구글의 딥마인드가 개발한 알파고가 세계적인 바둑 고수 이세돌과의 대국에서 4:1의 승리를 거둠에 따라 완전히 깨지게 됐다. 알파고의 비밀 무기는 바로 강화학습(reinforcement learning)으로서, 목표 달성에 유리한 행위가 무엇인지를 프로그램이 스스로 깨달아 그러한 행위를 강화하는 메커니즘이다. 때문에 사람이 개입하여 어떤 선택이 옳은지를 일일이 가르칠 필요가 없다. 강화학습 덕분에 알파고는 자기 자신을 상대로 끊임없이 대국을 두어 더 나은 전략을 찾아낼 수 있었다. 강화학습 기술 역시 십수 년 전부터 있었던 것이지만, ...

2016.12.27

IDG 설문조사

회사명:한국IDG 제호: ITWorld 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아00743 등록일자 : 2009년 01월 19일

발행인 : 박형미 편집인 : 박재곤 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2022 International Data Group. All rights reserved.

10.4.0.6