인공지능(AI) 연구의 분야 별 발전 과정 (3)

2023.05.08 - [분류 전체 보기] - 인공지능(AI) 연구의 분야 별 발전 과정 (2)

7. [2010년~] 딥러닝의 발견, 빅데이터 시대의 도래

1) 딥러닝이 이미지 인식분야에 혁신

    이미지 인식, 즉 영상에 무엇이 찍혀 있는지를 판단하는 기술은 이미지 처리에 중요한  과제로 오래전부터 연구되어 왔습니다. 20세기에는 다양한 방법이 제안되어 표준 벤치마크 문제에 대한 인식의 정확도도 점점 향상되고 있었습니다.

    세계적으로 이미지 인식 기술의 중요한 축을 형성하는 이미지 넷 대용량 영상 인식 대회(ILSVRC; Large Scale Visual Recognition Challenge)라는 세계 대회가 있습니다. ILSVRC에서 특정 이미지 데이터세트에 포함된 이미지가 무엇인지를 분류하는 과제에서 우승하는 시스템의 정확도는 2010년도까지는 70% 정도였습니다. 정밀도를 향상하기 위한 노력이 지속적으로 이루어졌지만 정확도는 크게 향상되지 않고 있었습니다. 그런 정체의 시대를 깬 것이 머신러닝의 이미지 인식 시스템이었습니다. 2012년 ILSVRC에서 알렉스넷(AlexNet)이라는 시스템이 전년도 우승 시스템의 이해도를 10% 포인트나 개선하면서 우승을 차지했습니다. 알렉스넷은 합성곱 신경망( CNN; Convolutional Neural Network)이라는 종류의 신경망을 이용한 시스템입니다. 합성곱 신경망은 생물의 시각 신경계에서 힌트를 얻은 신경망으로 퍼셉트론과 같은 전결합 계층형 신경망과는 다른 구조로 되어 있습니다. 알렉스넷은 하나 또는 여러 개의 콘볼루션계층(convolutional layer)과 통합 계층(pooling layer), 완전하게 연결된 계층(fully connected layer)들로 구성된 신경망입니다.

,합성곱 신경망

다계층 신경망인 합성곱 신경망(CNN)은 딥 뉴럴 네트워크(DNN: Deep Neural Network)의 한 종류로, 2차원 데이터를 오차 역전파법 알고리즘(Backpropagation algorithm)을 통해 훈련될 수 있습니다. 합성곱 신경망(CNN)을 이용한 알렉스넷은 합성곱 신경망과 오차 역전파법 알고리즘(Backpropagation algorithm)을 이용하여  영상 내 객체 분류, 객체 탐지의 정확도를 크게 향상 시켰습니다.

합성곱 신경망(CNN)처럼 다계층 신경망은 딥 뉴럴 네트워크(DNN: Deep Neural Network)이며, 딥 뉴럴네트워크를 활용한 기계학습(Machine Learning)을 심층학습 또는 딥러닝(Deep Learning)이라고 합니다. 2012년에 등장한 알렉스넷의 합성곱 신경망(CNN)은 이미지 인식과 인공지능 연구자들에게 딥러닝의 능력을 인상 깊게 보여주는 계기가 되었고, 이후 ILSVRC에서는 딥러닝을 이용한 방법들이 연이어 발표되었고, 그 결과 인공지능 시스템의 이미지 분류 능력은 인간과 비슷하거나 또는 그 이상의 수준으로 발전하게 되었습니다.

 

2) 딥러닝과 빅데이터 

    알렉스넷이 ILSVRC에서 우승한 이후 이미지 인식의 분야에는 많은 연구가 진행되었고, 그 결과로 딥러닝(Deep Learning) 자체에 대한 연구도 발전했습니다. 합성곱 신경망과 딥러닝은 이미지 분야를 넘어 다양한 분야에 적용이 가능하게 되었습니다. 

    마침 당시는 인터넷의 확산으로 빅데이터(BIg Data)의 처리기술이 필요한 시기였습니다. 그래서 딥러닝(Deep Learning)을 다양한 빅데이터 분석에 활용하는 움직임이 나타났습니다. 빅데이터는 인터넷상의 수많은 단말기나 센서에서 데이터를 수집한 거대한 데이터의 집합입니다. 이러한 데이터는 규모가 크고 내용도 복잡하기 때문에 종래의 분석방법으로는 처리가 어려웠고, 보다 크고 복합한 모델이 필요짐에 따라 딥러닝 네트워크를 이용해서 모델링하는 추세가 이어졌습니다.

   딥러닝은 이미지 인식과 빅데이터 처리뿐만 아니라 보다 다양한 분야에도 적용되기 시작했습니다.  자연어처리에서는 딥러닝을 활용한 문장 분석이나 생성 방법이 개발되었습니다. 문장에 적용하는 것뿐만 아니라 음성데이터를 입력한 음성 인식에도 활용되는 사례 있었습니다. 또한 제어 분야에 딥러닝을 적용하여 과거에는 불가능했던 수준의 제어 시스템을 구축하거나, 알파고와 같은 게임에 딥러닝을 적용하는 등 다양한 사례가 나오게 되었습니다. 딥러닝(Deep Learning)은 현대 인공지능의 주요한 기술이 되었습니다.

8. 독립된 기술분야가 된 인공지능 기술: 컴파일러, 한글한자 변화 

    인공지능 연구의 세계에서 출발하였지만 연구가 완성된 단계에 이르면, 그 분야는 따로 독립하여 새로운 분야를 이루게 됩니다. 이런 분야들 중에서 우리가 자주 접하는 컴파일러와 한글한자 변환이 있습니다. 

 

1) 컴파일러

    컴파일러(Compiler)는 프로그래밍 언어로 기술된 소프트웨어를 기계어 프로그램으로 자동 전환하는 프로그램입니다. 즉 인간이 쓴 프로그램을 컴퓨터가 이해할 수 있게 번역해 주는 기능입니다(아래 그림). 

    컴퓨터가 처음 발명된 1940년대에는 프로그램은 기계어로 쓰는 것이 당연한 것으로 여겨졌으나, 이후 소프트웨어 개발의 생산성을 높이기 위해 포트란(FORTRAN)이나 코벌(COBOL)과 같은 프로그래밍 언어가 개발되었고, 그러한 프로그래밍 언어를 처리하기 위한 컴파일러가 구현되었습니다. 컴파일러가 소스코드를 기계어 프로그램으로 변환하는 과정에서 소스코드의 표층적인 기호표현을 통해 의미를 알아내고, 그 의미에 대한 기계어 프로그램을 생성할 필요가 있습니다. 이 과정이 자연어 처리와 매우 비슷하기 때문에 자연어 처리 구조를 언어처리 프로그램에 도입하여 어휘분석이나 구분분석과 같은 자연어 처리 기술을 활용한 컴파일러가 만들어졌습니다.

    컴파일러는 자연어처리나 기호처리에 관한 인공지능 연구의 지식을 살려 구축되었지만 현재는 컴파일러의 구축기법 자체가 독립된 하나의 기술 분야를 형성합니다. 

 

2) 한글한자 변환

    한글한자 변환은 로마자로 입력된 문자열을 한글과 한자가 섞인 문자열로 변환하는 기술입니다. 한글한자 변환은 자연어처리 기술의 일환으로 연구되었지만, 현재는 하나의 확립된 기술로 퍼스널컴퓨터와 스마트폰에서도 사용되고 있습니다.

 

인공지능 연구의 여러 분야의 발전 과정을 살펴보았습니다. 다음에는 인공지능 소프트웨어 시스템에 많이 사용되는 언어를 알아보도록 하겠습니다.

 

2023.05.08 - [분류 전체 보기] - 인공지능(AI) 연구의 분야 별 발전 과정 (2)