인공지능
인공지능 평가
머신러닝
딥러닝
click to edit
click to edit
인공지능 이전 시기
'센싱'의 발달
'감지' : 의미 구축 X
예시
자동문
인공지능의 시작
: 데이터 학습
인공지능의 성립
인공지능의 발현
인공지능의 특성
인간의 이해 : 십진법
기계의 이해 : 이진법( '0'과 '1')
인공지능의 개념
'퍼셉트론'의 등장
인공지능의 수준
'다층 퍼셉트론'의 활용
상호작용
사회적영향
자율성
적응성
환경과의 상호작용성
스스로 과업 설정 + 달성
인간처럼 적응해 나가는 능력
click to edit
click to edit
학습 능력에 따라 수준이 달라지는 인공지능
인공지능은 데이터에서 특징을 추출한 후, 규칙과 패턴을 알고서 매핑하여 분류함
만약, 규칙을 알아서 찾는다면?
그건 여기, 머신러닝!
데이터에서 특징 추출하는 것도,
규칙을 찾는 것도 알아서 한다면? 딥러닝!
① 학습
② 표상
③ 추론
④ 인식
인공지능 모델이 잘 만들어졌는지는 어떻게 알까?
'훈련' 과 '평가'
인공지능의 위계
ANI #
AGI #
ASI
특성
자의식이 없는 AI
예시
AI 스피커, 알파고, 자율주행
특성
자의식이 있는 AI
예시
자비스, 터미네이터
인간보다 월등히 나은 AI
인공지능 기술이 적용된 예시
자동화
빅데이터
로봇
훈련할 때 가장 많은 데이터로 모델링을 해야
비교적 정확한 결과가 나옴!
(훈련 데이터와 평가 데이터는 서로 달라야 함)
과업 수행
훈련 데이터 : 평가 데이터 = 9 : 1 or 8 : 2
유의할 점
인공지능 모델 구성 시, 충분한 데이터가 있어야 함
원데이터에서 훈련 데이터(학습데이터)를 잘 추출해야 함
훈련 데이터를 잘못 추출하면
일반화가 되지 않는 모델이 만들어짐
알고리즘의 편향 #
인공지능은 긍정적&부정적 측면이 모두 있음
: 알고리즘의 편향을 조심해야 함
예시
남성을 선호하는 아마존의 인공지능 선발 시스템
흑인보다 백인을 선호하는 인공지능 시스템
회귀
분류
입력층 → (처리) → 출력층의 구조
입력층 → 은닉층 → 출력층의 구조
지도학습
비지도학습
학습 알고리즘
Layer나 뉴런이 많다고
반드시 좋은 것은 아님!
ChatGPT
ANI에서 AGI로 성장하고 있는 대표적 AI
정의
숫자값을 출력하여 예측함
정의
데이터를 그룹화하여 분류함
정의
데이터를 학습하여 결과를 예측함
정의
데이터를 군집화하여 성격을 규명하는 것
사용자의 계속적인 가이드 없이 복잡한 환경에서
작업하는 능력
경험으로부터 성능을 향상시킬 수 있는 능력
'데이터'로 학습
학습한 내용을 지식의 체계로 구축
구축한 지식의 체계(=표상)에 의미 부여
의미 + 판단
환경(인간 포함)과의 상호작용,
사람처럼 자연스럽게 행동함
입력층에 입력값(x) 입력 후 가중치 w를 곱해 더한 값에 임계값을 넘으면 1을 출력하고, 넘지 않으면 0을 출력함
입력층에 들어온 값을 은닉층에서
가중치와 활성화함수로 변환하여 출력값을 만듦
선형 모델 가능!
보다 복잡한 문제 해결 가능
→ 비선형 모델 가능
click to edit
가중치의 변화 = 결정 경계의 변화
= 학습
학습된 정도를 계산하여 수치로 나타낼 수 있음
경사하강법 등으로 오차의 양을 줄여 최적화함!
개념
개념
데이터와 특징을 학습하면 규칙은 알아서 찾음!
데이터 학습 후 특징도 규칙도 알아서 함!
현재 우리가 이야기하는 인공지능은 거의 다 이곳에 관한 것!