Please enable JavaScript.
Coggle requires JavaScript to display documents.
인공지능의 이해
(1122 정동현) - Coggle Diagram
인공지능의 이해
(1122 정동현)
인공지능의 원리
인공지능의 개념
인공지능이란 인간의 지능이 갖는 학습, 탐색, 추론 등의 능력을 모방하여 컴퓨터로 구현한 시스템이나 구현하려는 컴퓨터 과학 기술을 말한다. 인공지능은 1950년경 앨런 튜링에 의해 처음 제시되었으며, 현재는 새로운 부흥기를 맞이하여 빠르게 발전하고 있다
앨런 튜링
영국의 수학자, 암호 학자, 논리 학자, 컴퓨터 과학자다. 기계가 인간과 같은 지능이 있는지 판단하는 튜링 테스트를 제안하였다.
-
-
인공지능의 특성
인간의 지능을 모방한 인공지능은 인식,추론, 탐색, 학습의 특성을 지니며, 데이터를 학습하고, 학습한 데이터를 근거로 추론하고 탐색한다.
인식
인간이 눈과 귀 등의 감각 기관을 통해 사물을 인식하는 것처럼, 인공지능은 센서를 통해 감지된 사물을 인식한다.
-
-
-
인공지능은 일반적인 소프트웨어와도 다른 특징을 지닌다. 일반적인 소프트웨어는 프로그래머가 작성한 알고리즘대로 동작하고 결과를 출력하지만, 인공지능은 데이터를 기반으로 학습한 뒤, 새로운 입력이 있으면 기존 학습을 바탕으로 탐색과 추론을 할 수 있다. 인공지능이 적용되지 않은 소프트웨어와 인공지능이 적용된 소프트웨어의 특징을 비교하면 아래 표와 같다
-
인공지능이 적용된 소프트웨어
추론이나 예측하는 작업이 가능하다.
데이터의 기반의 기계학습을 구현한 인공지능의 경우, 학습을 통해 성능이 개선되기도 한다.
-
-
인공지능과 탐색
탐색의 개념
탐색이란 문제 상황에서 답을 찾아가는 과정으로, 컴퓨터과학자들은 인간의 탐색방법을 모방하여 컴퓨터에 적용하고자 노력해 왔다
인공지능에서 탐색의 중요성
복잡한 문제를 탐색으로 해결하려는 노력은 인공지능 연구의 초창기부터 이어져 왔다. 세계 체스 챔피언에게 패배했지만, 계속 도전하여 결국 승리를 거둔 딥 블루 알파고다. 알파고는 수많은 경우의 수 중에서 승리에 유리한 수만을 탐색하는 방법으로 탐색 범위를 획기적으로 좁혔다. 또한 딥러닝으로 방대한 분량의 바둑 전문가 기보 데이터를 학습하고, 학습의 결과를 다시 탐색에 반영하며, 이길 확률이 높은 수를 선택함으로써 알파고는 인간에게 승리할 수 있었다.
-
문제 해결을 위한 탐색 과정 설계
탐색을 통해 문제를 효과적으로 해결하기 위해서는 문제를 구조화하는 설계 과정이 필요하다. 이후, 문제를 해결하기 위한 탐색 알고리즘을 선택하고 실행하여 해결 가능성을 확인하고 답을 구한다.
인공지능으로 문제를 해결하기 위해 탐색 과정을 설계하려면, 먼저 문제를 명확히 정의해야 한다. 문제 해결을 위한 탐색 과정에서 만나게 되는 상황을 상태라고 하며, 모든 상태의 집합을 상태 공간이라고 한다. 그리고 문제가 주어진 상태, 즉 문제의 처음 상태의 집합을 초기상태라고 하고, 문제가 모두 해결된 상태를 목표 상태라고 한다. 탐색은 상태 공간 안에서 초기 상태로부터 목표 상태까지의 경로를 찾는 과정`이라고 정의할 수 있다.
맹목적 탐색과 정보 이용 탐색
맹목적 탐색
맹목적 탐색이란 프로그래밍이나 기계학습으로 문제를 해결할 떄 목표 상태 이외에 어떤 정보도 주어지지 않은 상태에서 탐색을 하는 것을 말한다, 맹목적 탐색은 목표상태에 도달할 때까지 모든 상태 공간을 탐색하는 알고리즘이다. 현재 상태노드에서 다음 상태 노드를 방문할 때, 어떤 방향으로 탐색하는가에 따라 깊이 우선 탐색과 너비 우선 탐색 등이 있다.
깊이 우선 탐색
깊이 우선 탐색은 상태 공간 트리에서 자식 노드를 먼저 방문하는 수직 방향의 탐색 알고리즘이다. 자식 노드가 두 개 이상일 경우 주로 왼쪽 노드를 먼저 방문한다. 탐색 중에 단말 노드에 도착했는데도 목표 노드를 찾지 못했다면 다시 분기점으로 되돌아가 방문하지 않은 노드부터 다시 수직 방향으로 탐색한다. 만약 목표 노드가 수직 방향으로 깊이 있다면 문제를 빨리 해결할 수 있고, 필요한 저장 공간도 비교적 적게 드는 장점이 있다. 하지만 목표 노드가 없는 경로에 깊이 빠져 버리거나 목표 노드에 이르는 경로가 여러 개일 경우, 지금의 방문경로가 최단 경로임을 보장할 수 없다는 단점이 있다.
-
정보 이용 탐색
정보 이용 탐색은 경험이나 지식을 탐색에 적용하는 알고리즘으로, 필요 없는 경로를 줄여 문제 해결 시간과 공간을 절약할 수 있다, 정보 이용 탐색은 모든 탐색 공간을 찾지 않고 일부 공간만 탐색하기 때문에 답을 찾지 못 할수도 있고, 항상 최단 경로로 목표 노드에 도달할 수는 없다
정보 이용 탐색은 다음 상태를 정할 때 오직 휴리스틱만 사용하는지, 시작 상태에서 현재 상태까지의 탐색 비용도 고려하는지에 따라 최상우선탐색과 A(A-star) 탐색 등으로 구분된다.
휴리스틱: 시행착오와 같이 경험으로 얻은 지식이나 어림짐작 등을 뜻 한다. 정보 아용 탐색에서 사용하는 정보의 특성이 휴리스틱하므로, 정보 이용 탐색을 휴리스틱 탐색이라고도 한다.
최상우선 탐색
최상우선탐색은 초기 상태에서 현재 상태에 이르기까지의 비용을고려하지 않고, 현재 가장 좋은 것을 선택하는 탐색 방법이다. 현재 상태 노드에서 다음 방문할 상태 노드를 결정할 때 목표에 가장 가까워 보이는 노드를 택한다. 평가 함수는 현재 상태가 목표 상태에 얼마나 가까운지를 평가하는 함수로, 최상우선탐색은 이를 이용해 목표에서 가장 가까운 상태를 선택한다.
현재 상태에서 유리한 선택을 하여 탐색 범위를 좁힘, 다른길로 가는것이 탐색비용을 줄일수 있는 경우에도 평가함수값이 더 크면 선택할 수 없음
맹목적 탐색
알고리즘이 간단하여 단순한 문제는 쉽게 해결, 답이 있다면 반드시 답을 찾을수 있다, 문제가 크고 복잡할 경우 모든 상태공간을 방문해야 하기 때문에 시간이 오래 걸리고 문제를 해결하기 어려운 경우가 많다.
지식의 표현과 추론
지식의 표현
인공지능과 추론
추론은 이미 알고 있는 지식을 토대로 새로운 결론을 이끌어내는 사고 과정을 말한다. 즉, 알고 있는 사실로부터 모르고 있던 사실을 알게 되는 과정이라 할 수 있다.
데이터, 정보, 지식
데이터는 관찰이나 실험, 조사로 얻은 사실이나 자료를 의미하며, 가공하기 전의 상태이다. 반면, 정보는 다양한 데이터 중에서 사용자의 필요에 따라 처리한 데이터를 말한다. 지식은 개념화된 정보로 정보를 일반화 하고 체계화한 것이라 할 수 있다.
지식 표현
인공지능을 활용하기 위해서는 사람과 컴퓨터가 동시에 이해할 수 있는 형태로 지식을 나타내는 것이 필요하고, 지식을 이러한 형태로 나타낸 것을 지식표현이라고 한다.
논리
논리는 수학 논리학에서 사용하는 명제 논리나 술어 논리를 사용한다. 명제 논리는 명제를 가지고 논리를 판별하는 것이고, 술어 논리는 주어와 서술어 간의 관계를 다루는 것이다. 명제 논리에서 나타나는 단점은 술어 논리로 보완될 수 있다. 가장 명확한 방법이지만 복잡한 상황에서의 적용이 어렵다는 특징이 있다.
의미망
의미망은 지식이나 기억, 실세계를 노드와 호를 이용하여 네트워크 구조로 표현한 것이다. 노드는 객체 ,개념, 사건 등을 표현하고, 호는 노드간의 관계를 화살표로 나타낸다.
프레임
프레임은 특정한 객체나 개념에 대한 지식을 슬롯으로 표현한 것이다. 하나의 프레임은 여러 개의 슬롯으로 구성되고, 슬롯은 슬롯 이름과 슬롯 값으로 구성된다
-