인공지능(AI) 3가지 학습법! 지도 학습/비지도 학습/강화 학습

인공지능(AI)은 어떻게 학습할까? (출처: Pixabay)

 

 

요즘 들어 AI 관련한 이야기로 세상이 시끌벅적한 것 같습니다.
2016년에 등장한 '알파고'를 시작으로 국민들의 뇌리에 강하게 인식된 AI는, 요즘은 반복과 패턴화 된 업무만 아니라 창의성이 요구되는 예술 분야까지도 영역을 펼치며 놀라움과 두려움을 주고 있습니다.
최근에는 챗GPT의 창시자라 일컫는 샘 올트먼 오픈AI CEO가 텍스트 몇 줄만으로 1분짜리 영상을 만들어 이슈이기도 했습니다.

하루가 다르게 발전하는 인공지능(AI), 대체 어떤 방법으로 학습하고 있는 걸까요?

오늘은 인공지능이 데이터를 학습하는 방법을 알아보겠습니다.

 

---

 

인공지능 학습방법, 첫 번째

 

지도 학습(supervised learning)
지도 학습은 AI에 ‘정답’(레이블)으로 지정된 데이터를 학습하는 방법입니다. 
학생에게 문제 푸는 법을 알려줄 때 답안지(정답)를 함께 보여주는 것처럼 특정한 데이터와 그에 대응하는 정답을 알려주는 것이지요.
레이블로 주어진 데이터를 학습하면 AI는 보다 명확한 패턴을 가지고 새로운 데이터를 예측할 수 있습니다.
예를 들어 AI가 토끼와 사자의 이미지를 구분할 수 있도록 학습시키고 싶을 때, 토끼 이미지에 '토끼 붙인 데이터와 사자 이미지에 '사자 붙은 데이터를 사용하는 것입니다.
AI는 이 데이터를 보고 이후 토끼와 유사한 다른 이미지를 학습할 때 '토끼'라고 추론해 볼 수 있습니다.
이런 식으로 레이블이 지정된 데이터를 많이 학습할수록 AI는 더욱 정확하게 ‘토끼’를 맞출 수 있겠죠.

 

지도 학습을 통한 인공지능 기술

※ Google Translate (구글 번역)
수많은 문장 데이터를 가지고 언어 간 매핑을 학습한 AI는 실시간으로 문장들을 번역합니다.

※ Facebook 얼굴 인식
페이스북은 대규모의 얼굴 데이터에 레이블을 답니다. 그 데이터를 가지고 사용자의 사진에서 얼굴을 인식합니다.**

 

 

인공지능 학습방법, 두 번째

 

비지도 학습
비지도 학습은 반대로 레이블이 없는 데이터로 학습하는 방법입니다.
지도 학습이 1:1 과외의 느낌이라면 비지도 학습은 알아서 하는 공부라고 할까요?
정답이 없는 데이터를 받은 AI는 스스로 패턴이나 구조를 찾습니다.
예시 몇 가지를 설명하자면 이렇습니다.

 

1) 군집화(Clustering)
비슷한 것들끼리 묶는 작업입니다.
예를 들어 특정 재킷을 산 고객의 데이터가 있다면, 그와 비슷한 재킷을 산 고객들끼리 그룹을 만드는 것입니다.
군집화된 데이터는 공통된 패턴을 가진 고객들을 찾아낼 수 있으니 마케팅 전략이나 개별 차별화된 서비스를 제공하고자 하는 플랫폼에서 활용할 수 있습니다.

2) 차원 축소(Dimensionality Reduction)
데이터에 필요한 특성만 쏙쏙 남기고 정리하는 방법입니다.
여러 다양한 정보가 담긴 리스트 중에 의미 있다 여겨지는 정보만 뽑아내서 더 간결하게 만드는 거죠.
이렇게 데이터를 축소하면 직관성이 높아지고 효율적으로 정보를 다룰 수 있는 장점이 있습니다.

3) 자기조직화 지도(Self-Organizing Maps)
각 데이터에 좌푯값을 주고 2D나 3D 지도에 올린 후 데이터의 위치를 확인하는 방법입니다.
가까운 좌푯값을 가진 데이터들은 비슷하거나 그런 패턴을 가질 수 있죠.
거리로 데이터 간의 상관관계를 판별할 수 있기 때문에 데이터 구조를 이해하기 쉽게 만들어 줍니다.
또 이런 구조화를 통해 클러스터링(clustering-비슷한 특성을 가진 데이터들을 그룹으로 묶는 것. 머신러닝 기술)하거나 이상치(일반적인 패턴에서 벗어난 극단적인 데이터)를 찾아낼 수도 있습니다.

 

비지도 학습을 통한 인공지능 기술

※  Netflix 추천 알고리즘
넷플릭스에서 나의 취향에 맞는 드라마나 영화를 추천받은 적이 있을까요? 넷플릭스는 사용자의 시청 이력을 통해 비슷한 취향을 가진 다른 시청자와 그룹을 짓고, 이를 통해 새로운 콘텐츠를 추천합니다. 

※ 구글 뉴스 피드
우리는 정보의 바닷속에 깊숙이 들어가 살고 있습니다. 수많은 정보가 매일 우리에게 쏟아지는데 구글 뉴스 피드는 사용자의 관심사와 검색 이력을 기반으로 맞지 않는 정보는 거르고 맞춤화된 뉴스를 제공해 줍니다.**

 

 

인공지능 학습방법, 세 번째

 

강화 학습(Reinforcement Learning)
강화학습은 AI가 상호작용을 통해 학습하는 방법입니다.
잘 모르는 상태에서 랜덤 한 행동을 하고, 이후 보상이나 별점을 통해 더 좋은 수를 찾아가는 것입니다.
강화 학습의 대표적인 예는 대한민국 바둑계를 뜨겁게 달궜던 알파고가 있습니다.
알파고는 랜덤한 수로 시작해 보상이나 벌점을 통해 이 수가 좋은 수였는지 아니었는지 학습하며 점점 더 높은 수준의 바둑을 보여주었죠.
바로 강화 학습의 한 종류인 딥 강화 학습 때문이었습니다.
게임을 반복해 플레이할수록 똑똑해져서, 결국 가장 괜찮은 수를 찾아낼 수 있는 것이죠.

 

강화 학습을 통한 인공지능 기술

※ 알파스타(AlphaStar)
알파스타는 구글 딥마인드와 블리자드사(스타크래프트 개발사)가 공동으로 개발하고 있는 전략 시뮬레이션 인공지능(AI)입니다.
2019년에는 프로게이머와 게임에서 10승 1패로 압승하여 AI가 바둑에 이어 PC 게임까지도 섭렵했다는 평가가 나오기도 했습니다.

※ 로봇제어
로봇 분야에서도 강화 학습이 많이 사용되는데요.
로봇에게 특정한 환경을 주고, 그 상황에서 로봇이 랜덤 한 행동을 통해 목표하는 지점에 도달하기 위한 최적화된 방법을 만들어냅니다.

 

 

---

 

📧 마무리 인사

어떤가요? AI가 학습하는 방법이 인간의 학습 방법과 비슷하지 않나요?

인공지능이 인간의 뇌를 모방해 기계를 학습시키는 것이다 보니 우리가 새로운 걸 배우는 방법과 닮은 부분이 많습니다.
AI는 지금 이 순간에도 수많은 정보를 통해 학습해 우리에게 더욱 효율적이고 편리한 서비스들을 제공할 것입니다.

하지만 앞에서 말씀드린 이슈들처럼, 이런 눈부신 발전들이 우리의 자리를 위협할 수도 있습니다.

 

미래의 모습은 알지 못합니다만, 그러기에 우리는 다가오는 변화를 부정하기보다 긍정적이고 열려있는 자세로 AI를 바라봄이 어떤가 싶습니다.

그들이 학습하듯 우리도 부지런히 학습하다 보면 분명 AI가 대체할 수 없는 인간의 특이점들이 더욱 강화될 것이라고 믿습니다.

 

읽어주셔서 감사합니다!