인공지능(AI)이란 무엇인가요?

인공지능(AI)은 컴퓨터에서 음성 및 작성된 언어를 보고 이해하고 번역하고 데이터를 분석하고 추천하는 기능을 포함하여 다양한 고급 기능을 수행할 수 있는 일련의 기술입니다.

AI는 현대적인 컴퓨팅 혁신에서 중추적인 역할을 하며 개인과 비즈니스의 가치를 창출합니다. 예를 들어 광학 문자 인식(OCR)은 AI를 사용해 이미지 및 문서에서 텍스트 및 데이터를 추출하고, 구조화되지 않은 콘텐츠를 비즈니스에 바로 사용할 수 있게 만들고, 유용한 정보를 창출합니다.

시작할 준비가 되셨나요? 신규 고객에게는 Google Cloud에 사용할 수 있는 $300의 무료 크레딧이 제공됩니다.

무료로 시작하기 영업팀에 문의

Google, 2022년 Gartner® Magic Quadrant™의 클라우드 AI 개발자 서비스 부문에서 리더로 선정

보고서 받기

인공지능 정의

인공지능은 일반적으로 인간의 지능이 필요하거나 인간이 분석할 수 있는 것보다 규모가 큰 데이터를 포함하는 방식으로 추론, 학습 및 행동할 수 있는 컴퓨터 및 기계를 구축하는 것과 관련된 과학 분야입니다.

AI는 컴퓨터 공학, 데이터 분석 및 통계, 하드웨어 및 소프트웨어 엔지니어링, 언어학, 신경 과학은 물론 철학과 심리학을 포함하여 여러 학문을 포괄하는 광범위한 분야입니다.

비즈니스의 운영 수준에서 AI는 주로 머신러닝과 딥 러닝을 기반으로 하는 기술 모음으로, 데이터 분석, 예상 및 예측, 객체 분류, 자연어 처리, 추천, 지능형 데이터 가져오기 등을 수행할 수 있습니다.

인공지능 유형

인공지능은 개발 단계 또는 수행되는 작업에 따라 여러 가지 방법으로 구성할 수 있습니다.

예를 들어 AI 개발의 4단계가 일반적으로 인식됩니다.

반응형 머신: 사전 프로그래밍된 규칙에 따라 다양한 종류의 자극에만 반응하는 제한된 AI입니다. 메모리를 사용하지 않으므로 새 데이터로 학습할 수 없습니다. 1997년 체스 챔피언인 가리 카스파로프를 이긴 IBM의 Deep Blue가 반응형 머신의 예입니다.
제한된 메모리: 대부분의 최신 AI는 제한된 메모리로 간주됩니다. 일반적으로 인공 신경망이나 기타 학습 모델을 통해 새로운 데이터로 학습되므로 시간이 지남에 따라 메모리를 개선할 수 있습니다. 머신러닝의 하위 집합인 딥 러닝은 제한된 메모리 인공지능으로 간주됩니다.
마음 이론 현재 마음 이론 AI는 존재하지 않지만 가능성에 대한 연구가 진행 중입니다. 이 기술은 인간의 마음을 모방할 수 있고 인간과 마찬가지로 감정을 인지하고 기억하며 사회적 상황에 맞춰 반응하는 등 인간과 동일한 의사 결정 능력을 가진 AI를 설명합니다.
자기 인식: 마음 이론 AI를 한 단계 더 뛰어 넘는 자기 인식 AI는 자신의 존재를 인식하고 인간의 지적, 감정적 능력을 가진 신화적인 기계를 설명합니다. 마음 이론 AI와 마찬가지로 자기 인식 AI는 현재 존재하지 않습니다.

인공지능 유형을 광범위하게 분류하는 데 더 유용한 방법은 머신이 할 수 있는 일입니다. 현재 인공지능이라 부르는 모든 것은 프로그래밍과 훈련을 기반으로 제한된 일련의 작업만 수행할 수 있다는 점에서 '좁은' 의미의 인공지능으로 간주됩니다. 예를 들어 객체 분류에 사용되는 AI 알고리즘은 자연어 처리를 수행할 수 없습니다. Google 검색은 예측 분석 또는 가상 어시스턴트와 마찬가지로 좁은 AI의 한 형태입니다.

범용 인공지능(AGI)은 머신이 사람과 마찬가지로 '감지하고, 사고하고, 행동'할 수 있는 능력입니다. AGI는 현재 존재하지 않습니다. 다음 단계는 머신이 모든 면에서 인간보다 우월한 방식으로 작동할 수 있는 초인공지능(ASI)이 될 것입니다.

인공지능 학습 모델

비즈니스에서 AI를 이야기할 때 '학습 데이터'에 관해 이야기하는 경우가 많습니다. 그것은 무엇을 의미할까요? 제한된 메모리 인공지능은 새로운 데이터로 학습하여 시간이 지남에 따라 개선되는 AI입니다. 머신러닝은 알고리즘으로 데이터를 학습하여 결과를 얻는 인공지능의 하위 집합입니다.

일반적으로 머신러닝에는 세 가지 유형의 학습 모델이 사용됩니다.

지도 학습은 라벨이 지정된 학습 데이터(구조화된 데이터)를 사용하여 특정 입력을 출력에 매핑하는 머신러닝 모델입니다. 간단히 말해 고양이 사진을 인식하도록 알고리즘을 훈련시키려면 고양이라는 라벨이 지정된 사진을 피드합니다.

비지도 학습은 라벨이 지정되지 않은 데이터(구조화되지 않은 데이터)를 기반으로 패턴을 학습하는 머신러닝 모델입니다. 지도 학습과 달리 최종 결과는 사전에 알 수 없습니다. 오히려 알고리즘이 데이터에서 학습하여 속성을 기반으로 그룹으로 분류합니다. 예를 들어 비지도 학습은 패턴 일치 및 설명 모델링에 적합합니다.

지도 학습과 비지도 학습 외에도 일부 데이터에만 라벨이 지정된 준지도 학습이라는 혼합된 방식이 사용됩니다. 준지도 학습에서는 최종 결과를 알 수 있지만, 알고리즘이 원하는 결과를 얻기 위해 데이터를 구성하고 구조화하는 방법을 찾아야 합니다.

강화 학습은 '실행하여 학습'하는 분야로 광범위하게 설명할 수 있는 머신러닝 모델입니다. '에이전트'는 성능이 원하는 범위 내에 있을 때까지 시행착오(피드백 루프)를 통해 정의된 작업을 수행하는 방법을 배웁니다. 에이전트는 작업을 잘 수행할 때 긍정적인 강화를 받고 제대로 수행하지 않을 때는 부정적인 강화를 받습니다. 강화 학습의 예로는 공을 집는 로봇 손을 가르치는 것입니다.

일반적인 유형의 인공 신경망

AI의 일반적인 학습 모델 유형은 인간의 뇌에 기반하는 모델인 인공 신경망입니다.

신경망은 데이터를 분류 및 분석하는 데 사용되는 전산 노드인 인공 뉴런으로, '퍼셉트론'이라고도 합니다. 데이터는 신경망의 첫 번째 레이어에 제공되고, 각 퍼셉트론은 결정을 내린 후 이 정보를 다음 레이어의 여러 노드에 전달합니다. 레이어가 3개를 초과하는 학습 모델을 '심층신경망' 또는 '딥 러닝'이라고 합니다. 일부 최신 신경망에는 수백 또는 수천 개의 레이어가 있습니다. 최종 퍼셉트론의 출력은 객체를 분류하거나 데이터에서 패턴을 찾는 것과 같이 신경망에 설정된 작업을 수행합니다.

발생할 수 있는 가장 일반적인 인공 신경망의 유형은 다음과 같습니다.

순방향 신경망(FF)은 가장 오래된 형태의 신경망 중 하나로, 출력이 달성될 때까지 데이터가 인공 뉴런층을 따라 한 방향으로 흐릅니다. 오늘날 대부분의 순방향 신경망은 여러 레이어(및 둘 이상의 '숨겨진' 레이어)가 있는 '다층순방향'으로 간주됩니다. 일반적으로 순방향 신경망은 '역전파'라는 오류 수정 알고리즘과 쌍을 이룹니다. 즉, 간단히 말해서 신경망의 결과로 시작해서 처음부터 다시 작동하여 오류를 찾아 신경망의 정확도를 향상시킵니다. 간단하지만 강력한 많은 신경망이 다층순방향입니다.

순환 신경망(RNN)은 일반적으로 시계열 데이터 또는 시퀀스와 관련된 데이터를 사용한다는 점에서 순방향 신경망과 다릅니다. 네트워크의 각 노드에서 가중치를 사용하는 순방향 신경망과 달리, 순환 신경망은 현재 레이어의 출력에 따라 이전 레이어에서 발생한 일을 '메모리'로 갖습니다. 예를 들어 자연어 처리를 수행할 때 RNN은 문장에 사용되는 다른 단어를 '염두에' 둘 수 있습니다. RNN은 음성 인식, 번역 및 자막 이미지에 자주 사용됩니다.

장단기 메모리(LSTM)는 메모리를 사용하여 이전 레이어에서 발생한 일을 '기억'할 수 있는 고급 RNN 형태입니다. RNN과 LTSM의 차이점은 LTSM은 '메모리 셀'을 사용하여 여러 레이어 전에 발생한 일을 기억할 수 있다는 점입니다. LSTM는 주로 음성 인식 및 예측에 사용됩니다.

컨볼루셔널 신경망(CNN)에는 최신 인공지능에서 가장 일반적으로 사용되는 신경망이 일부 포함됩니다. CNN은 영상 인식에 가장 흔히 사용되는 여러 개의 개별적인 레이어(컨볼루셔널 레이어, 풀링 레이어)를 사용하여 이미지를 다시 합치기 전에(완전 연결 레이어에서) 이미지의 다른 부분을 필터링합니다. 이전의 컨볼루셔널 레이어는 추가 레이어에서 더 복잡한 특성을 찾기 전에 색상 및 모서리와 같은 이미지의 간단한 특징을 찾아볼 수도 있습니다.

생성적 적대 신경망(GAN)에는 최종적으로 출력의 정확성을 개선하는 게임에서 2개의 신경망이 서로 경쟁합니다. 한 네트워크(생성기)는 다른 네트워크(분류자)에서 참 또는 거짓을 증명하려고 시도하는 예시를 생성합니다. GAN은 사실적인 이미지를 만들고 예술을 만드는 데 사용되어 왔습니다.

AI의 이점

자동화

AI는 워크플로 및 프로세스를 자동화하거나 사람들과 별개로 독립적이고 자율적으로 작업할 수 있습니다. 예를 들어 AI는 네트워크 트래픽을 지속적으로 모니터링하고 분석하여 사이버 보안의 측면을 자동화하는 데 도움을 줄 수 있습니다. 마찬가지로 스마트 공장에는 컴퓨터 비전을 사용해 공장 작업장을 탐색하거나 제품의 결함을 검사하거나 디지털 트윈을 만들거나 실시간 분석을 사용하여 효율성과 출력을 측정하는 로봇과 같이 수많은 종류의 AI가 사용되고 있을 수 있습니다.

사람의 실수 감소

AI는 매번 동일한 프로세스를 따르는 자동화 및 알고리즘을 통해 데이터 처리, 분석, 제조 조립, 기타 작업에서 수동 오류를 없앨 수 있습니다.

반복적인 작업 제거

AI를 사용하면 반복적인 작업을 수행할 수 있어 인적 자본이 더욱 중요한 문제에 집중할 수 있습니다. AI를 사용하여 문서 확인, 전화 텍스트 변환, '영업 종료 시간'과 같은 간단한 고객 질문에 답하는 등의 프로세스를 자동화할 수 있습니다. 로봇은 사람 대신 '지루하거나 더럽거나 위험한' 작업을 하는 데 주로 사용됩니다.