AI (Artificial Intelligence): 인공신경망과 딥러닝

이번 포스팅에서는 AI 인공지능을 이루고 있는 핵심영역 중의 하나인 인공신경망에 대해서 알아봅니다.

또한 인공신경망 중 한 부분을 차지하고 있는 딥러닝에 대해서도 알아봅니다.

 

1. 인공신경망

1.1 인공신경망의 개념

인공신경망 (artificial neural network) 이란 AI 인공지능의 기술을 구현하기 위하여, 인간의 뉴런구조를 모방하여 만든 기계학습 모델이다. 즉 인간의 시각/청각 피질을 모방하여 만든 알고리즘이다.

 

그러나 기술력의 한계로 인간의 전반적인 뉴런구조를 구현하지는 못하였고, 이 중 극히 일부영역을 반영하였다. 인간의 뇌는 천억개 이상의 세포로 구성되어 있으나 이와 같은 규모의 뉴런을 시뮬레이션할 수도 없을뿐더러 구조적인 차이도 존재한다.

 

인공신경망은 자기조직화지도(SOM Self Organizing Map), 콘볼루션 신경망(CNN Convolutional Neural Network), 순환신경망(RNN Recurrent Neural Network) 등,  수십가지 종류의 다양한 모델에 대한 총칭이다.

 

1.2 인공신경망의 유형과 학습방법

인공신경망은 뉴런이 여러개로 연결되어 있는데, 구조와 기능에 따라서 여러 유형으로 분류된다.

가장 보편적인 형태는 다수의 은닉층이 입력층과 출력층 사이에서 존재하고 있는 다층 퍼셉트론(multilayer perceptron)이다. 또한 여러개의 뉴런은 가중치로 연결되어 있는데, 가중치란 외부 자극으로 들어오는 신호의 값이다.

 

인공신경망의 학습은 가중치를 여러번 조금씩 업데이트하면서 진행된다. 왜냐하면 인공신경망을 학습할때 그 빈도를 적절히 부여하지 않으면, 인공신경망이 발산하거나 아니면 학습시간이 너무 오래 걸린다는 비효율이 발생하기 때문이다.

 

뉴런은 어떤 사건이 발생하면 그에 대하여 반응하고 그 다음 행동을 하게된다.

그런데 행동을 하였는데 좋지않은 결과가 일어났다면, 그 행동을 일으켰던 연관된 뉴런들을 덜 활성화만들게 되어 있다.

반대로 행동의 결과가 좋았다면, 그와 연관된 신경세포들은 더욱 활발하게 활성화된다.

 

이와 같은 기본원리를 반영하여 인공신경망의 학습도 하나의 뉴런이 다음 세포에게 전송하는 값이 일단 플러스인지 제로인지 아니면 마이너스인지를 판별하다. 그다음 세포로부터 값을 받은 신경세포가 활성화된다면 좋은 결과일지, 아니면 그렇지 않을지를 마이너스로 표시한다. 그 다음 단계로는 첫번째값과 두번째값을 곱한다. 

그리고 첫번째 세포가 두번째 세포에 끼치는 영향력, 즉 가중치를 아주 미세하게 변화시킨다. 이의 수치를 점차적으로 증가시키면서 학습방식을 구현하게 된다.

 

2. 딥러닝

2.1 딥러닝의 개념

인공신경망에 대한 연구가 계속되면서 난관에 부딪치게 되는데, 그 배경에는 당시 성능이 우수하지 않은 컴퓨터 문제도 있었으나, 은닉층이 많이질수록 학습이 잘 되지 않는다는 치명적인 문제가 원인이었다.

이로 인하여 인공신경망에 대한 관심과 연구가 저조해졌으나, 이후 지속적으로 문제해결을 위하여 연구한 연구자들에 의하여 배치정규화, ResNet 등의 새로운 방법들이 제안되었고, 차차 컴퓨터 성능 역시 발전하면서 해결되기 시작하였다.

 

이와 같이 딥러닝은 기존의 인공신경망의 문제점들을 개선한 알고리즘으로, 다층 구조의 은닉층으로 네트워크를 연결하는기법으로서 인공지능의 핵심기술이다.

 

2.2 딥러닝 활용사례

딥러닝은 패턴인식 및 학습 알고리즘에 기반하여 다양한 분야에서 활용되고 있다.

활용사례는 다음과 같다.

 

- 이미지 복원

- 로봇과 자율주행차

- 음성생성과 음악작곡

- 통계와 예측

 

이 외에도 여러 분야에서 딥러닝의 기술이 활용되고 있으며, 앞으로 더욱더 확산될 예정이다.