인공지능은 상호 연결된 용어와 개념이 많은 광범위한 분야이며, 모든 유형의 스마트 머신을 의미하는 포괄적인 단어로 사용되는 경우가 많습니다. 실제로 인공지능, 머신러닝, 딥 러닝은 미묘한 차이가 있는 별개의 용어입니다.
인공지능과 머신러닝이 비즈니스에 어떤 도움이 되는지 자세히 알아보려면 Google Cloud의 AI 및 ML 제품과 솔루션에 대해 여기에서 자세히 알아보세요.
신규 고객에게는 최대 $300의 무료 크레딧이 제공되어 Vertex AI 및 기타 Google Cloud 제품을 사용해 볼 수 있습니다.
AI, 딥 러닝, 머신러닝의 관계에 대해 자세히 알아보려면 계속 읽어보세요.
딥 러닝은 인공 신경망을 사용하여 정보를 처리하고 분석하는 머신러닝의 하위 집합입니다. 신경망은 딥 러닝 알고리즘 내에 계층화된 계산 노드로 구성됩니다. 각 레이어에는 입력 레이어, 출력 레이어, 히든 레이어가 포함되어 있습니다. 신경망에는 알고리즘이 학습하고 정확도를 개선하는 데 도움이 되는 학습 데이터가 제공됩니다. 신경망에 입력 레이어와 출력 레이어 외에 여러 개의 히든 레이어가 포함되어 있으면 딥 러닝의 기반이 되는 심층신경망으로 간주됩니다.
딥 러닝 알고리즘은 인간 뇌의 활동에서 영감을 얻었으며 특히 대량의 비정형 데이터를 분석하는 데 강력한 성능을 발휘합니다. 이미지 및 음성 인식, 객체 감지, 자연어 처리 등 오늘날 AI로 간주되는 많은 작업에 사용됩니다. 딥 러닝은 데이터 세트 내에서 비선형적이고 복잡한 상관관계를 만들 수 있지만 머신러닝보다 더 많은 학습 데이터와 컴퓨팅 리소스가 필요합니다.
딥 러닝에 사용되는 일반적인 신경망 유형은 다음과 같습니다.
머신러닝은 명시적으로 프로그래밍하지 않아도 시스템이 자율적으로 학습하고 개선할 수 있게 해주는 인공지능의 하위 집합입니다. 머신러닝 알고리즘은 패턴과 데이터를 인식하고 시스템에 새로운 데이터가 입력되면 예측을 수행하는 방식으로 작동합니다.
머신러닝에서는 일반적으로 다음과 같은 여러 가지 모델이 사용됩니다.
지도 학습은 라벨이 지정된 학습 데이터(정형 데이터)를 사용하여 특정 입력을 출력에 매핑하는 머신러닝 모델입니다. 지도 학습에서는 출력이 알려져 있고(예: 사과 그림 인식) 모델은 알려진 출력 데이터로 학습됩니다. 간단히 말해 사과 사진을 인식하도록 알고리즘을 훈련시키려면 사과라는 라벨이 지정된 사진을 입력합니다.
오늘날 가장 일반적으로 사용되는 지도 학습 알고리즘은 다음과 같습니다.
비지도 학습은 라벨이 지정되지 않은 데이터(비정형 데이터)를 사용하여 패턴을 학습하는 머신러닝 모델입니다. 지도 학습과 달리 출력은 사전에 알 수 없습니다. 대신 알고리즘은 사람의 정보 입력 없이 데이터로부터 학습(따라서 비지도)하여 속성을 기반으로 한 그룹으로 분류합니다.
오늘날 가장 일반적으로 사용되는 비지도 학습 알고리즘은 다음과 같습니다.
일부 데이터에만 라벨이 지정되는 준지도 학습이라는 혼합 접근 방식 머신러닝도 자주 사용됩니다. 준지도 학습에서 알고리즘은 알려진 결과를 얻기 위해 데이터를 구성하고 구조화하는 방법을 파악해야 합니다. 예를 들어 머신러닝 모델이 최종 결과가 사과라고 지시를 받지만 학습 데이터 중 일부만 사과로 라벨이 지정됩니다.
강화 학습은 일련의 시행착오 실험을 통해 '실습하여 학습'하는 것으로 설명할 수 있는 머신러닝 모델입니다. '에이전트'는 성능이 원하는 범위 내에 있을 때까지 피드백 루프를 통해 정의된 태스크를 수행하는 방법을 학습합니다. 에이전트는 작업을 잘 수행할 때 긍정적인 강화를 받고 제대로 수행하지 않을 때는 부정적인 강화를 받습니다.
인공지능은 일반적으로 인간 지능이 필요하거나 인간이 분석할 수 있는 범위를 벗어난 대규모 데이터를 포함하는 방식으로 추론, 학습 및 행동할 수 있는 컴퓨터와 머신을 빌드하는 과학 분야입니다. AI는 컴퓨터 공학, 데이터 및 분석, 소프트웨어 엔지니어링, 심지어 철학을 비롯한 많은 분야를 아우르는 대규모 분야입니다.
비즈니스 수준에서 AI는 데이터 분석, 예상 및 예측, 자연어 처리, 추천, 머신 자동화, 지능형 데이터 검색 등 다양한 사용 사례를 포함하는 일련의 기술입니다.
이러한 용어는 서로 관련이 있지만 명확한 계층 구조를 나타냅니다. 딥 러닝은 머신러닝의 특화된 유형이며, 머신러닝은 광범위한 인공지능 분야의 핵심 분야입니다. 주요 차이점은 기능, 복잡성, 특성 추출입니다.
기능 | 인공지능 | 머신러닝 | 딥 러닝 |
범위 및 정의 | 가장 광범위한 개념입니다. 일반적으로 인간의 지능이 필요한 작업(예: 추론, 문제 해결, 학습, 인식)을 수행할 수 있는 시스템 또는 머신을 만드는 데 전념하는 분야입니다. | AI의 하위 집합입니다. 모든 시나리오에 대해 명시적으로 프로그래밍하지 않고도 데이터에서 학습하고 데이터에 기반해 의사 결정을 내릴 수 있는 시스템을 개발하는 데 중점을 둡니다. | ML의 하위 집합입니다. 다층 인공 신경망(ANN)을 사용하여 대량의 원시 데이터에서 직접 복잡한 패턴과 계층적 표현을 학습합니다. |
목표 | 기계에서 인간의 지능을 시뮬레이션하거나 복제합니다. | 머신이 데이터로부터 학습하여 특정 작업을 정확하게 수행할 수 있도록 합니다. | 심층신경망을 사용하여 데이터에서 자동으로 특성을 학습함으로써 더 높은 정확도를 달성하고 더 복잡한 패턴 (특히 비정형 데이터)을 처리합니다. |
접근 방법 | 논리, 규칙 기반 시스템, 검색 알고리즘, 최적화, 그리고 가장 중요한 머신러닝과 딥 러닝 등 다양한 기법을 사용할 수 있습니다. | 알고리즘(예: 선형 회귀, SVM, 결정 트리, 랜덤 포레스트)을 사용하여 데이터를 파싱하고, 데이터에서 학습하며, 정보에 입각한 결정이나 예측을 내립니다. | 인간의 뇌 구조에서 영감을 받은 복잡한 다층 인공 신경망을 많은 파라미터와 함께 사용합니다. |
데이터 요구사항 | 매우 다양합니다. 규칙 기반 AI는 데이터가 거의 필요하지 않을 수 있지만 ML/DL에 의존하는 AI는 상당한 양의 데이터가 필요합니다. | 알고리즘을 효과적으로 학습시키려면 상당한 양의 정형 데이터 또는 라벨이 지정된 데이터가 필요합니다. 일반적으로 데이터가 많을수록 성능이 향상됩니다. | 심층 네트워크를 효과적으로 학습시키려면 매우 큰 데이터 세트(수백만 개의 데이터 포인트)가 필요합니다. 성능은 데이터 규모에 크게 좌우됩니다. |
하드웨어 요구사항 | 다양합니다. 간단한 AI는 기본적인 하드웨어에서 실행할 수 있습니다. | 복잡한 모델은 더 많은 컴퓨팅 성능을 활용하지만 표준 CPU에서도 실행할 수 있는 경우가 많습니다. | 일반적으로 대규모 병렬 컴퓨팅으로 인해 효율적인 학습을 위해서는 고성능 컴퓨팅, 특히 GPU 또는 TPU가 필요합니다. |
특성 추출 | 사용된 방법에 따라 다릅니다. | 종종 상당한 수동 특성 추출이 필요합니다. 알고리즘이 학습할 수 있도록 사람이 원시 데이터에서 관련 입력 특성을 선택, 변환, 생성해야 합니다. | 자동 특성 추출을 수행합니다. 네트워크는 원시 데이터에서 직접 레이어를 통해 관련 특성을 계층적으로 학습하므로 수동 특성 추출의 필요성이 줄어듭니다. |
학습 시간 | 비학습 AI의 경우 해당되지 않습니다. ML/DL 기반 AI의 경우 크게 달라집니다. | 몇 초에서 몇 시간까지 걸릴 수 있으며, 일반적으로 ML이 적합한 작업의 경우 DL보다 빠릅니다. | 대규모 데이터 세트와 복잡한 네트워크 아키텍처로 인해 학습 시간이 매우 오래 걸리는 경우가 많습니다(몇 시간, 며칠 또는 몇 주). |
해석 가능성 | 다양합니다. 규칙 기반 시스템은 해석 가능성이 높습니다. 복잡한 ML/DL을 사용하는 AI는 해석하기 어려울 수 있습니다. | 다양합니다. 단순한 모델(예: 결정 트리, 선형 회귀)은 상대적으로 해석하기 쉽습니다. 복잡한 모델(예: 앙상블 방법)은 그렇지 않을 수 있습니다. | 투명성이 부족한 경우가 많습니다. 딥 러닝 모델이 특정 결정을 내린 이유를 이해하는 것은 파라미터의 복잡성과 양 때문에 어려울 수 있습니다. |
주요 사용 사례 및 예시 | 전문가 시스템, 체스 프로그램, 일반적인 문제 해결 도구, 가상 어시스턴트 및 자율 주행 차량을 위한 포괄적인 개념 | 전자상거래 또는 스트리밍 서비스의 추천 시스템, 스팸 필터링, 유지보수 필요 예측, 정형 데이터를 통한 의료 진단, 고객 이탈 예측 | 이미지 인식(사진 태그 지정), 자연어 처리(번역, 감정 분석), 음성 인식(음성 어시스턴트), 자율 주행 차량 인식 시스템, 의료 이미지 고급 분석 |
기능
인공지능
머신러닝
딥 러닝
범위 및 정의
가장 광범위한 개념입니다. 일반적으로 인간의 지능이 필요한 작업(예: 추론, 문제 해결, 학습, 인식)을 수행할 수 있는 시스템 또는 머신을 만드는 데 전념하는 분야입니다.
AI의 하위 집합입니다. 모든 시나리오에 대해 명시적으로 프로그래밍하지 않고도 데이터에서 학습하고 데이터에 기반해 의사 결정을 내릴 수 있는 시스템을 개발하는 데 중점을 둡니다.
ML의 하위 집합입니다. 다층 인공 신경망(ANN)을 사용하여 대량의 원시 데이터에서 직접 복잡한 패턴과 계층적 표현을 학습합니다.
목표
기계에서 인간의 지능을 시뮬레이션하거나 복제합니다.
머신이 데이터로부터 학습하여 특정 작업을 정확하게 수행할 수 있도록 합니다.
심층신경망을 사용하여 데이터에서 자동으로 특성을 학습함으로써 더 높은 정확도를 달성하고 더 복잡한 패턴 (특히 비정형 데이터)을 처리합니다.
접근 방법
논리, 규칙 기반 시스템, 검색 알고리즘, 최적화, 그리고 가장 중요한 머신러닝과 딥 러닝 등 다양한 기법을 사용할 수 있습니다.
알고리즘(예: 선형 회귀, SVM, 결정 트리, 랜덤 포레스트)을 사용하여 데이터를 파싱하고, 데이터에서 학습하며, 정보에 입각한 결정이나 예측을 내립니다.
인간의 뇌 구조에서 영감을 받은 복잡한 다층 인공 신경망을 많은 파라미터와 함께 사용합니다.
데이터 요구사항
매우 다양합니다. 규칙 기반 AI는 데이터가 거의 필요하지 않을 수 있지만 ML/DL에 의존하는 AI는 상당한 양의 데이터가 필요합니다.
알고리즘을 효과적으로 학습시키려면 상당한 양의 정형 데이터 또는 라벨이 지정된 데이터가 필요합니다. 일반적으로 데이터가 많을수록 성능이 향상됩니다.
심층 네트워크를 효과적으로 학습시키려면 매우 큰 데이터 세트(수백만 개의 데이터 포인트)가 필요합니다. 성능은 데이터 규모에 크게 좌우됩니다.
하드웨어 요구사항
다양합니다. 간단한 AI는 기본적인 하드웨어에서 실행할 수 있습니다.
복잡한 모델은 더 많은 컴퓨팅 성능을 활용하지만 표준 CPU에서도 실행할 수 있는 경우가 많습니다.
일반적으로 대규모 병렬 컴퓨팅으로 인해 효율적인 학습을 위해서는 고성능 컴퓨팅, 특히 GPU 또는 TPU가 필요합니다.
특성 추출
사용된 방법에 따라 다릅니다.
종종 상당한 수동 특성 추출이 필요합니다. 알고리즘이 학습할 수 있도록 사람이 원시 데이터에서 관련 입력 특성을 선택, 변환, 생성해야 합니다.
자동 특성 추출을 수행합니다. 네트워크는 원시 데이터에서 직접 레이어를 통해 관련 특성을 계층적으로 학습하므로 수동 특성 추출의 필요성이 줄어듭니다.
학습 시간
비학습 AI의 경우 해당되지 않습니다. ML/DL 기반 AI의 경우 크게 달라집니다.
몇 초에서 몇 시간까지 걸릴 수 있으며, 일반적으로 ML이 적합한 작업의 경우 DL보다 빠릅니다.
대규모 데이터 세트와 복잡한 네트워크 아키텍처로 인해 학습 시간이 매우 오래 걸리는 경우가 많습니다(몇 시간, 며칠 또는 몇 주).
해석 가능성
다양합니다. 규칙 기반 시스템은 해석 가능성이 높습니다. 복잡한 ML/DL을 사용하는 AI는 해석하기 어려울 수 있습니다.
다양합니다. 단순한 모델(예: 결정 트리, 선형 회귀)은 상대적으로 해석하기 쉽습니다. 복잡한 모델(예: 앙상블 방법)은 그렇지 않을 수 있습니다.
투명성이 부족한 경우가 많습니다. 딥 러닝 모델이 특정 결정을 내린 이유를 이해하는 것은 파라미터의 복잡성과 양 때문에 어려울 수 있습니다.
주요 사용 사례 및 예시
전문가 시스템, 체스 프로그램, 일반적인 문제 해결 도구, 가상 어시스턴트 및 자율 주행 차량을 위한 포괄적인 개념
전자상거래 또는 스트리밍 서비스의 추천 시스템, 스팸 필터링, 유지보수 필요 예측, 정형 데이터를 통한 의료 진단, 고객 이탈 예측
이미지 인식(사진 태그 지정), 자연어 처리(번역, 감정 분석), 음성 인식(음성 어시스턴트), 자율 주행 차량 인식 시스템, 의료 이미지 고급 분석