[#002] 인공지능의 역사

해당 블로그에서는 아주 간략한 인공지능 역사를 설명하고자 한다. 정확한 연도나 개념적인 이해보다는 인공지능이 어떤 식으로 흘러가고 진화해 왔는지에 대해서 이해할 수 있는 내용이었으면 좋겠다. 

 

1. 인공지능의 겨울

컴퓨터가 발달하기 시작할 무렵에는 인공지능이라는 게 곧 있으면 다가올 현실로 여겨졌다. 실제로 컴퓨터의 계산 능력이나 기억력(저장능력)은 인간의 능력을 뛰어넘어 도저히 따라갈 수 없는 수준이 되었지만, 컴퓨터의 계산능력이나 기억력이 발전함에도 인공지능의 수준은 제자리걸음이었다. 

인간의 지혜를 컴퓨터에 구현하기란 어렵다는 것을 깨닫게 되었고, "인공지능의 겨울"의 시작이었다. 

History of the AI(출처:towardsdatascience.com)

 

인공지능을 '인간처럼 생각하고 행동한다' 라는 관점으로 바라봤을 때, 인공지능을 완벽하게 구현하기 위해서는 인간이 이해하고 생각하고 느끼고 있는 모든 것들을 빠짐없이 컴퓨터에 입력시켜야 했다. 예를 들면, 우리는 걷고 숨 쉬는 모든 것들을 항상 생각하면서 행동하지 않는다. 하지만 인공지능의 궁극에 다다르기 위해서는 걷는 개념들, 숨 쉬는 개념들을 컴퓨터에 입력해야 했다. 이는 쉬운 일이 아니었고 결국 한계를 드러내고 말았다.

이러한 한계들이 최초로 설정했던 인공지능의 발전이 제한되었고, 초창기의 인공지능 연구는 회의감이 퍼지면서 연구성과도 줄고 기업의 후원도 줄어들게 되면서 "인공지능의 겨울" 이 시작된 것이다. 

 AI Winter(출처:pixabay)

학자들은 인간이 모든 컴퓨터의 행동과 예측치를 컨트롤 할 수 있다고 생각했지만 결국 실패하게 되었고, 기관들과 기업들의 지원과 투자가 중단되며 결국엔 겨울을 맞이하게 하였다.

 

2. 기계학습(머신러닝, Machine Learning, ML)

많은 학자들은 과거의 실패한 사례를 거울 삼아 다양한 방식으로 인공지능을 연구하였다. 학자들은 일종의 방향 전환을 시도하였는데, 인간의 지능을 블랙박스인 채로 내버려 두기로 한 것이다. 즉, 컴퓨터에게 숨 쉬는 법, 걷는 법과 같이 인간의 모든 행동을 컴퓨터에 입력하는 것을 포기하고, 컴퓨터가 자동으로 값을 조율하게끔 하려고 시도하였다. 이는 기계학습의 탄생 배경이 되었다. 

Machine Learning(출처:pixabay)

 

기계학습을 통해서 기계 스스로 평가치를 조율할 수 있게 되면서 인간이 하나씩 입력하고 조율해야 했던 작업들을 컴퓨터가 스스로 조율하게 된 것이다. 물론 아직까지도 모든 분야에서 컴퓨터들이 스스로 평가치를 조율하거나 하지는 못하지만, 어떤 전문적인 분야에서 인간보다 나은 평가치 조율을 통해서 더 좋은 의사결정을 하기도 한다. 

 

지도학습,비지도학습,강화학습(출처:IT 내맘대로 끄적끄적)

이렇게 기계학습에서 컴퓨터 스스로 평가치를 조율하기 위해서는 아래와 같은 학습 방법이 필요하다. 

• 지도학습(Supervised Learning) : 이미 정답으로 분류된(Labeling) 데이터 세트에서 학습하는 방법이다. 알고리즘이 학습 데이터에서 정확성을 평가하는 데 사용할 수 있는 기준을 제공한다. 회귀, 분류 알고리즘이 대표적이다. 
• 비지도학습(Unsupervised Learning) : 분류되지 않은 데이터를 제공하고, 알고리즘이 스스로 특징과 패턴을 추출하여 패턴과 형태를 찾는 학습 방법이다. 주로 군집화, 연관 규칙 알고리즘이 대표적이다. 
• 강화학습(Reinforcement Learning): 강화학습은 제어나 게임 플레이 등 상호작용을 통해서 최적의 동작을 학습해야 할 때 많이 사용된다. 데이터가 먼저 주어지는 지도 학습이나 비지도학습과 달리 강화학습은 환경이 있고 에이전트가 그 환경 속에서 어떤 액션을 취하고 그 액션에 따른 어떤 보상을 얻게 되면서 학습이 진행된다. 에이전트가 보상을 최대화하도록 하면서 학습이 진행된다. 강화학습은 이렇게 데이터 수집까지 포함하는 동적인 개념의 학습을 하게 됩니다. 앞선 지도학습, 비지도학습과는 상이한 학습 방식을 가지며, 특정 상황에 대한 적절한 행동을 학습하는 방식을 말한다. 

3. 인공신경망(Artificial Neural Network, ANN)

기계학습에서 컴퓨터 스스로 평가치를 조율하는 대표적인 학습법이 지도학습이다. 즉 정답을 가진 데이터를 가지고 평가치를 조율하면서 컴퓨터가 스스로 학습하여 조율하는 것을 말한다. 하지만 이러한 기계학습에서는 학습에 필요한 방대한 데이터와 그에 비례하여 빠른 처리를 위한 고성능의 컴퓨터가 필요했다. 인간의 경우 다양한 통찰력과 이해력으로 적은 데이터양으로도 높은 수준의 학습이 가능하고 일반화가 가능하지만, 컴퓨터는 그렇지 못하기 때문이다. 이러한 문제들이 지속적인 컴퓨터 성능이 발전하였고, 스마트폰의 보급과 SNS가 활발해지면서 폭발적인 데이터가 증가하면서 기계학습의 발전을 가속화하였다. 

좌:슈퍼컴퓨터의 연도별 성능 향상(출처:SPRI소프트웨어정책연구소), 우:2011년부터 2027년까지 데이터 양(출처:www.statista.com)

이후 인공신경망이 등장하게 된다(물론 인공신경망의 개념은 1943년도에 이미 개념적으로 정의가 되었지만, 늦게 각광받게 되었다.). 인공신경망의 경우 인간의 뉴런에 아이디어를 얻어 발전한 학문으로 뇌를 구성하는 신경 세포, 즉 뉴런(Neuron)의 동작의 원리로 작동한다. 인공신경망의 경우 초창기에는 레이어가 낮은 경우 학습이 잘 안 되는 문제 등 실생활에 제대로 사용되지 못해 활발하게 연구되지 못하였지만 앞서 설명했듯이 컴퓨터의 성능과 함께 활발히 연구되었다. 

뉴런과 인공신경망(출처:https://brunch.co.kr/@gdhan/6, zgotter's Blog)

4. 딥러닝(Deep Learning)

다양한 인프라 시설의 발달과 끈질긴 연구 끝에 2006년 다층회로 학습에 성공하는 연구들이 발표되면서 인공신경망의 연구가 활발해지게 되었다. 이 연구들이 발전하면서 더 다양한 레이어가 늘어나게 되었고 딥(deep) 하게 레이어가 늘어나면서 '딥러닝'이라는 개념이 생겨나게 되었다. 그와 동시에 인공신경망의 연구가 활발해지면서 단점도 더욱 부각되었다. 여러 단점이 존재하겠지만, 그중 큰 단점이라고 한다면 레이어가 많아질수록 처리 속도가 현저히 느려지고, 너무 많은 학습을 하면 오히려 학습효과가 떨어지는 과학습 문제가 발생한다. 

 

Deep learning과 Deep Neural Network(출처:http://physics2.mju.ac.kr/juhapruwp/?p=1517)

 

너무 많은 레이어가 발생하게 되면 과학습의 문제가 발생하게 되었고, 오히려 학습효과가 떨어지는 문제가 제기되었다. 이러한 문제를 해결하기 위해서 '드롭아웃'이라는 개념이 생겨났고, 단순히 모든 내용을 학습하는 방식을 벗어나 중요한 즉 특징적인 부분만 추출하여 학습하도록 유도하는 개념이 생겨난 것이다. 이러한 인공신경망의 단점을 벗어나고 높은 학습효과를 추구하면서 딥러닝이 탄생하게 되었다. 

5. 강화학습

 

딥러닝의 알고리즘(출처:https://www.zdnet.co.kr/view/?no=20170615164412&re=R_20170622143455)

위에 설명한 방법들은 대부분 지도학습을 바탕으로 발전한 인공지능 개념이었다. 하지만, 이는 단순 암기된 내용을 컴퓨터가 얼마나 빠르고 정확하게 재구성하는지를 보여준 것에 지나지 않는다. 즉 선생님이 열심히 가르쳐준 내용을 얼마나 잘 이해하고 자신의 지식으로 만드는 것에 초점이 맞춰졌다고 볼 수 있다. 이후의 개념은 가르쳐주는 선생님 없이 컴퓨터가 주어진 데이터를 스스로 평가하고 이에 따른 피드백을 하면서 스스로 학습한다는 것이다. 피드백을 반복하는 과정을 통해 '평가'가 '강화'되기 때문에 강화학습으로 불리고 있다. 위에서 설명한걸 다시 설명하면 환경이 있고 에이전트가 그 환경 속에서 어떤 액션을 취하고 그 액션에 따른 어떤 보상을 얻게 되면서 학습이 진행된다. 에이전트가 보상을 최대화하도록 하면서 학습이 진행된다. 과거 화제가 되었던 알파고가 해당 방법이 사용되어 큰 화제가 된 바 있다. 

6. 결론

이번 블로그에서는 인공지능에 대해서는 간단한 개념에만 다루었는데, 이후 블로그를 작성하면서 하나씩 자세히 다루겠습니다. 이번 블로그에는 간단한 인공지능의 방법들의 변화되는 과정과 발전하는 역사를 살펴보면서 좀 더 인공지능에 대해서 한걸음 다가가는 시간이 되었으면 한다.

* 건전한 비판과 문의사항은 언제나 환영입니다.