머신 러닝이란 무엇입니까?

2017 년 12 월 Google에서 2014 년에 인수 한 연구소 인 DeepMind는 여러 보드 게임에서 세계 챔피언을 물리 칠 수있는 인공 지능 프로그램 인 AlphaZero를 발표했습니다.

흥미롭게도, AlphaZero는 게임을하는 방법 (따라서 이름)에 대한 인간의 지시를 전혀받지 않았습니다. 대신, 명시 적 명령 대신 경험을 통해 행동을 개발하는 AI의 한 지점 인 기계 학습을 사용했습니다.

AlphaZero는 24 시간 이내에 체스에서 초인적 성능을 달성했으며 이전의 세계 챔피언 체스 프로그램을 물리 쳤습니다. 얼마 지나지 않아 AlphaZero의 머신 러닝 알고리즘은 Shogi (일본 체스)와 중국 보드 게임 Go를 마스터했으며, 이전 게임 인 AlphaGo를 100에서 0으로 물리 쳤습니다.

머신 러닝은 최근 몇 년간 인기를 얻었으며 컴퓨터가 이전에는 인간 지능의 독점 영역으로 생각되었던 문제를 해결하도록 돕고 있습니다. 그리고 인공 지능의 원래 비전과는 거리가 멀지 만 머신 러닝은 사고 머신을 만드는 궁극적 인 목표에 훨씬 가깝습니다.

인공 지능과 기계 학습의 차이점은 무엇입니까?

인공 지능을 개발하는 기존의 접근 방식에는 AI 에이전트의 동작을 정의하는 모든 규칙과 지식이 꼼꼼하게 코딩되어 있습니다. 규칙 기반 AI를 만들 때 개발자는 가능한 모든 상황에 대응하여 AI의 동작 방식을 지정하는 지침을 작성해야합니다. GOFAI (Good old-fashioned AI) 또는 상징적 AI라고도하는이 규칙 기반 접근 방식은 인간의 사고 방식과 지식 표현 기능을 모방하려고합니다.

상징적 인 AI의 완벽한 예는 10 년 이상 최고의 오픈 소스 체스 엔진 인 Stockfish입니다. 수백 명의 프로그래머와 체스 플레이어가 Stockfish에 공헌했으며 규칙을 코딩하여 논리를 개발하는 데 도움을주었습니다 (예: 상대방이 기사를 B1에서 C3으로 이동할 때 AI가해야 할 일).

그러나 규칙 기반 AI는 규칙이 너무 복잡하고 암시적인 상황을 처리 할 때 종종 중단됩니다. 예를 들어, 이미지에서 음성과 물체를 인식하는 것은 논리적 규칙으로 표현할 수없는 고급 작업입니다.

기계 학습 AI 모델은 상징적 AI와 달리 규칙을 작성하는 것이 아니라 예제를 수집하여 개발됩니다. 예를 들어, 머신 러닝 기반 체스 엔진을 만들기 위해 개발자는 기본 알고리즘을 만든 다음 이전에 실행 된 수천 개의 체스 게임의 데이터로이를 학습합니다. AI는 데이터를 분석하여 승리 전략을 정의하는 일반적인 패턴을 찾아 실제 상대를 물리 칠 수 있습니다.

AI가 검토하는 게임이 많을수록 게임 중 승리 움직임을 더 잘 예측할 수 있습니다. 이것이 머신 러닝이 경험에 따라 성능이 향상되는 프로그램으로 정의되는 이유입니다.

머신 러닝은 이미지 분류, 음성 인식, 콘텐츠 추천, 사기 탐지 및 자연어 처리를 포함한 많은 실제 작업에 적용 할 수 있습니다.

지도 및 비지도 학습

해결하려는 문제에 따라 개발자는 머신 러닝 모델을 구축하기 위해 관련 데이터를 준비합니다. 예를 들어, 기계 학습을 사용하여 사기 은행 거래를 감지하려는 경우 개발자는 기존 거래 목록을 컴파일하고 그 결과 (사기 적이거나 유효한)로 레이블을 지정합니다. 그들이 데이터를 알고리즘에 공급할 때, 사기 거래와 유효한 거래를 분리하고 두 클래스 각각에서 공통적 인 특성을 찾습니다. 주석이 달린 데이터로 모델을 훈련시키는 과정을 "감독 학습"이라고하며 현재는 기계 학습의 지배적 인 형태입니다.

서로 다른 작업에 대한 레이블이 지정된 데이터의 많은 온라인 저장소가 이미 존재합니다. 널리 사용되는 예로는 1400 만 개가 넘는 레이블이있는 이미지의 오픈 소스 데이터 세트 인 ImageNet과 60, 000 개의 레이블이있는 손으로 쓴 숫자의 데이터 세트 인 MNIST가 있습니다. 머신 러닝 개발자는 이미지 및 오디오 샘플 라벨링과 같은인지 작업을 수행하기 위해 온라인 온 디맨드 채용 허브 인 Amazon Mechanical Turk와 같은 플랫폼을 사용합니다. 그리고 점점 더 많은 신생 기업이 데이터 주석을 전문으로합니다.

그러나 모든 문제에 레이블이 지정된 데이터가 필요한 것은 아닙니다. AI에 미가공 데이터를 제공하고 어떤 패턴이 관련이 있는지 알아내는 "비지도 학습"을 통해 일부 기계 학습 문제를 해결할 수 있습니다.

비지도 학습의 일반적인 사용은 이상 감지입니다. 예를 들어, 기계 학습 알고리즘은 인터넷에 연결된 장치 (예: 스마트 냉장고)의 원시 네트워크 트래픽 데이터를 학습 할 수 있습니다. 훈련 후 AI는 장치의 기준을 설정하고 이상치 동작을 표시 할 수 있습니다. 장치가 맬웨어에 감염되어 악성 서버와 통신을 시작하면 네트워크 트래픽이 훈련 중에 관찰 된 정상적인 동작과 다르기 때문에 컴퓨터 학습 모델이 장치를 탐지 할 수 있습니다.

강화 학습

이제는 양질의 교육 데이터가 기계 학습 모델의 효율성에 큰 역할을한다는 것을 알고있을 것입니다. 그러나 강화 학습 은 AI가 이전 데이터를 사용하지 않고 행동을 개발하는 특수한 유형의 기계 학습입니다.

강화 학습 모델은 깨끗한 슬레이트로 시작합니다. 그들은 환경의 기본 규칙과 당면한 과제에 대해서만 지시를받습니다. 시행 착오를 통해 목표에 맞게 행동을 최적화하는 법을 배웁니다.

DeepMind의 AlphaZero는 강화 학습의 흥미로운 예입니다. 인간이 체스를 어떻게 배우고 배우는지 알아야하는 다른 기계 학습 모델과 달리 AlphaZero는 조각의 움직임과 게임의 승리 조건 만 알기 시작했습니다. 그 후, 그것은 무작위 행동으로 시작하여 점차 행동 패턴을 개발하면서 자신과 수백만 번의 경기를했습니다.

강화 학습은 뜨거운 연구 분야입니다. Dota 2 및 StarCraft 2와 같은 복잡한 게임을 마스터 할 수있는 AI 모델을 개발하는 데 사용되는 주요 기술이며, 데이터 센터 리소스 관리 및 사람과 같은 손재주로 물체를 처리 할 수있는 로봇 손 만들기와 같은 실제 문제를 해결하는 데 사용됩니다..

딥 러닝

딥 러닝 은 머신 러닝의 또 다른 인기있는 부분입니다. 인공 신경망 , 인간 뇌의 생물학적 구조에 의해 영감을 얻은 소프트웨어 구성을 사용합니다.

신경망은 이미지, 비디오, 오디오와 같은 구조화되지 않은 데이터 및 기사 및 연구 논문과 같은 긴 텍스트 발췌문을 처리하는 데 탁월합니다. 딥 러닝 전에 머신 러닝 전문가는 이미지와 비디오에서 기능을 추출하는 데 많은 노력을 기울여야하며 그 위에 알고리즘을 실행해야했습니다. 신경망은 인간 엔지니어의 많은 노력 없이도 이러한 기능을 자동으로 감지합니다.

딥 러닝은 무인 자동차, 고급 번역 시스템 및 iPhone X의 얼굴 인식 기술과 같은 많은 최신 AI 기술의 배후에 있습니다.

머신 러닝의 한계

사람들은 종종 기계 학습을 인간 수준의 인공 지능과 혼동하고 일부 회사의 마케팅 부서는 의도적으로 용어를 서로 바꿔서 사용합니다. 그러나 머신 러닝은 복잡한 문제를 해결하는 데 큰 진전을 이루었지만 AI의 선구자가 구상 한 생각 머신을 만드는 것에는 아직 멀었습니다.

실제 지능에는 경험을 통한 학습 외에도 추론, 상식 및 추상적 인 사고가 필요합니다. 머신 러닝 모델의 성능이 매우 낮습니다.

예를 들어, 머신 러닝은 5 년 전에 유방암 예측과 같은 복잡한 패턴 인식 작업에는 능숙하지만, 고등학교 수학 문제 해결과 같은 단순한 논리 및 추론 작업으로 어려움을 겪고 있습니다.

머신 러닝의 추론 력이 부족하여 지식을 일반화하는 데 어려움이 있습니다. 예를 들어, 프로처럼 슈퍼 마리오 3을 플레이 할 수있는 머신 러닝 에이전트는 Mega Man과 같은 다른 플랫폼 게임이나 다른 슈퍼 마리오 버전을 지배하지 않습니다. 처음부터 훈련해야합니다.

경험에서 개념적 지식을 추출 할 수있는 능력이없는 머신 러닝 모델에는 많은 훈련 데이터가 필요합니다. 불행히도, 많은 도메인에는 충분한 교육 데이터가 없거나 더 많은 자금을 확보 할 자금이 없습니다. 현재 널리 퍼져있는 머신 러닝 형태 인 딥 러닝은 설명 가능성 문제로 어려움을 겪고 있습니다. 신경망은 복잡한 방식으로 작동하며 심지어 제작자들도 의사 결정 과정을 따르려고 애 쓰고 있습니다. AI 결정을 설명하기위한 법적 요구 사항이있는 환경에서 신경망의 기능을 사용하기가 어렵습니다.

다행히 머신 러닝의 한계를 극복하기 위해 노력하고 있습니다. 주목할만한 사례 중 하나는 국방부의 연구 부서 인 DARPA가 설명 가능한 AI 모델을 만들기위한 광범위한 이니셔티브입니다.

• 인공 지능 (AI)이란 무엇입니까? 인공 지능 (AI)이란 무엇입니까?
• 대부분의 AI 달러는 기계 학습으로갑니다. 대부분의 AI 달러는 기계 학습으로갑니다.
• AI 사용을 어떻게보고 싶습니까? AI 사용을 어떻게보고 싶습니까?

다른 프로젝트는 주석이 달린 데이터에 대한 머신 러닝의 과도한 의존도를 줄이고 훈련 데이터가 제한된 도메인에서이 기술에 액세스 할 수 있도록하는 것을 목표로합니다. IBM과 MIT의 연구원들은 최근 상징적 AI와 신경망을 결합하여 현장에 진출했습니다. 하이브리드 AI 모델은 훈련에 필요한 데이터가 적고 결정에 대한 단계별 설명을 제공 할 수 있습니다.

머신 러닝의 진화가 궁극적으로 인간 차원의 인공 지능 (AI)을 창조하려는 끊임없는 목표에 도달하는 데 도움이 될지 여부는 여전히 남아 있습니다. 그러나 우리가 확실히 알고있는 것은 기계 학습의 발전 덕분에 책상에 앉아 있고 주머니에 앉아있는 장치가 매일 더 똑똑해지고 있다는 것입니다.