당신은 주제를 찾고 있습니까 “규칙 기반 인공 지능 – Chapter 07 규칙기반 인공지능 -기본개념-“? 다음 카테고리의 웹사이트 you.charoenmotorcycles.com 에서 귀하의 모든 질문에 답변해 드립니다: https://you.charoenmotorcycles.com/blog. 바로 아래에서 답을 찾을 수 있습니다. 작성자 여행의 꽃 텐트 이(가) 작성한 기사에는 조회수 237회 및 좋아요 2개 개의 좋아요가 있습니다.
규칙 기반 인공 지능 주제에 대한 동영상 보기
여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!
d여기에서 Chapter 07 규칙기반 인공지능 -기본개념- – 규칙 기반 인공 지능 주제에 대한 세부정보를 참조하세요
제작자 : 20210309 이소진
#처음만나는인공지능 #기본개념 #7장 #규칙기반
규칙 기반 인공 지능 주제에 대한 자세한 내용은 여기를 참조하세요.
규칙기반 AI vs 머신러닝…최적 활용 조건은? – AI타임스
규칙 기반 시스템은 자신의 할 일만 하도록 프로그래밍 된 시스템이다. 더 적은 노력이 들고, 비용 효율적이고, 덜 위험하지만 경직돼 있다.
Source: www.aitimes.com
Date Published: 8/23/2022
View: 4488
머신러닝 (2) – 인공지능, 머신러닝, 딥러닝
1) 규칙 기반(rule-based) 접근법. : 인공지능이라는 목표를 이루기 위한 하나의 방법론. 사람이 프로그램에게 일일이 어떻게 …
Source: velog.io
Date Published: 11/19/2022
View: 6613
규칙 기반 학습 (Rule Based Learning) · Data Science – by Yngie
기계 학습 또는 머신 러닝(Machine learning)은 경험을 통해 자동으로 개선하는 컴퓨터 알고리즘의 연구이다. 인공지능의 한 분야로 간주된다.
Source: yngie-c.github.io
Date Published: 6/26/2022
View: 2753
인공지능(Artificial Intelligence) 연구의 두가지 큰 흐름, 기호 …
컴퓨터 작동 방식에 맞게 기호와 규칙을 사용하는 규칙 기반(Rule-based) 인공지능으로 오래전부터 지금까지 지속적으로 사용되고 있는 방식이다.
Source: 6u2ni.tistory.com
Date Published: 5/22/2022
View: 3215
Chapter 2. 규칙 기반 모델의 발전
이 문서는 한빛미디어에서 나온 처음 배우는 인공지능 을 공부하면서 정리한 것이다. 01 규칙 기반 모델¶. 규칙 기반 시스템. 규칙(조건 설정)을 사용해 조건 분기 …
Source: artificialnetworkforstarters.readthedocs.io
Date Published: 2/30/2021
View: 3713
인공지능과 심층학습의 발전사 – Korea Science
규칙기반의 AI는 “실세계의 사물과 사상을 어떻게 기. 호화 할 것인가”에 대한 물음과 이렇게 표현된 “기호들. 과 규칙을 활용해 어떻게 지능적 추론을 할 수 있을 것인.
Source: www.koreascience.or.kr
Date Published: 5/1/2021
View: 6956
[AI란 무엇인가] 인공지능 머신러닝 딥러닝 차이점 총정리
[그림 1-2]의 위쪽처럼 기존의 인공지능인 규칙기반 인공지능rule-based AI이 바나나를 인식하도록 하려면 인간이 컴퓨터에 바나나를 식별하는 특징feature을 가르쳐 …Source: hongong.hanbit.co.kr
Date Published: 1/19/2022
View: 7220
잡학지식)알고리즘)Rule – Based System (단순 AI)
규칙 기반 시스템은 특정한 규칙(아이디어)을 포착하고 이를 컴퓨터 내에 구성하는 것이다. 대부분은 특정 많은 조건들로 구성되어 있다. (if – than – …
Source: drehzr.tistory.com
Date Published: 11/2/2021
View: 6606
주제와 관련된 이미지 규칙 기반 인공 지능
주제와 관련된 더 많은 사진을 참조하십시오 Chapter 07 규칙기반 인공지능 -기본개념-. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.
주제에 대한 기사 평가 규칙 기반 인공 지능
- Author: 여행의 꽃 텐트
- Views: 조회수 237회
- Likes: 좋아요 2개
- Date Published: 2021. 5. 24.
- Video Url link: https://www.youtube.com/watch?v=OuPVRSJQrjM
규칙기반 AI vs 머신러닝…최적 활용 조건은?
기업은 AI로 업무 목적을 달성하기 위해 규칙기반 시스템과 머신러닝시스템의 특성과 최적 사용례를 살펴볼 필요가 있다. (사진=혼다)
규칙 기반 시스템은 자신의 할 일만 하도록 프로그래밍 된 시스템이다. 더 적은 노력이 들고, 비용 효율적이고, 덜 위험하지만 경직돼 있다. 소수의 결과나 고정된 결과가 나올 때,오류 위험 예상시, 머신러닝 도입 계획이 없을 때 활용할 수 있다.
반면 머신러닝시스템은 라벨링 안된 데이터 등으로 업무를 해석하고 분류하고 수행한다. 고정된 세트 대신 스스로 새로운 규칙을 학습하고, 더 이상 작동않는 규칙은 버리는 등 인간을 본뜨려고 한다. 이 시스템은 단순 규칙을 적용하기 불가능할 때, 데이터가 급변할 때, 그리고 자연어 처리 필요성이 있을 때 활용하면 좋을 것이다.
더넥스트웹은 14일(현지시간) 산업계 전 분야의 기업들이 인공지능(AI) 프로젝트를 발굴·실행하고 있는 가운데 기업이나 조직이 AI시스템을 도입하려 할 때 언제, 어떤 시스템을 도입해야 하는지에 대한 조언을 제시했다.
기업이 AI로 빅데이터에서 로봇에 이르기까지, 비즈니스 프로세스를 자동화하고 고객 경험을 향상시키며 제품 개발을 혁신하고 있는 가운데 언제, 어떤 AI를 도입하는 게 좋은지에 대한 친절한 어드바이스인 셈이다.
◆데이터, 또는 파멸
컴퓨터와 기계가 이 세상에 나올 때 지식이나 사물의 작용방식에 대한 이해를 갖고 나오지 않는다.
그런 기계들에도 인간처럼 적색 신호등은 멈추는 것을 의미하고 녹색 신호등은 가는 것을 의미하도록 해야 한다.
기계가 자동차 운전(자율주행차)이나 질병 진단(암진단 AI) 같은 업무를 수행하는 데 필요한 정보를 얻는 방법은 빅데이터다.
AI 사용 목적을 달성하는 방법은 여러 가지가 있는데, 그 모든 것이 데이터에서 시작한다. 양질의 데이터가 없으면 AI는 공허하다. AI 활용의 목적을 달성하기 위해 데이터를 다루는 방법에는 규칙학습(Rule based learnng)시스템과 머신러닝(ML·기계학습)시스템 두 가지가 있다. 몇 가지 모범 사례 제시는 두 가지 방법 중 하나를 어떻게 선택할지 도움을 줄 수 있다.
◆규칙 기반 시스템
개발자들은 인공지능(AI)과 머신러닝(ML·기계학습)이 첨단IT분야의 주류에 들어오기 오래전 변방에 있을 때부터 인간의 지식을 컴퓨터 시스템에 암호화해 지식기반으로 저장하는 규칙(rule)으로 만들고 있었다. 이 규칙은 일반적으로 ‘If(만일)’문장(“만일 A라면 B를 한다. 그 외에 X라면 Y를 한다”)의 형태로 업무의 모든 측면을 정의한다.
작성해야 하는 규칙의 수는 시스템이 처리하기를 원하는 액션의 수에 따라 달라지지만(예를 들어, 20개의 액션은 최소 20개의 규칙을 수동으로 작성하고 코딩하는 것을 의미함), 규칙 기반 시스템은 일반적으로 이러한 규칙들이 저절로 변경되거나 업데이트되지 않기 때문에 더 적은 노력이 들고, 더 비용 효율적이며, 덜 위험하다. 하지만 규칙은 자신이 해야 할 일만을 하도록 프로그래밍된 만큼 경직된 지능으로 인해 AI 능력을 제한할 수 있다.
◆머신러닝(기계학습) 시스템
규칙 기반 시스템은 ‘고정된’ 지능을 가진 것으로 간주될 수 있지만, 이와 대조적으로 머신러닝 시스템은 적응력이 뛰어나며 인간의 지능을 시뮬레이션하려고 시도한다. 아직 기초적인 규칙의 층이 있지만, 이 기계는 인간이 프로그래밍한 고정된 세트를 쓰는 대신 스스로 새로운 규칙을 학습하고, 더 이상 작동하지 않는 규칙들을 버릴 수 있는 능력을 가지고 있다.
실제로 기계가 학습할 수 있는 방법에는 여러 가지가 있다.
그러나 기계에 훈련할 데이터가 제공되는 지도훈련(supervised training)은 일반적으로 기계 학습 프로그램의 첫 번째 단계다. 결국 기계는 라벨링이 돼 있지 않은 데이터나 스스로 알 수 없는 정보로 다른 작업을 해석, 분류, 수행할 수 있게 된다.
◆어디서부터 조직의 AI 전략을 시작할까?
AI 사용에 대한 기대 이익이 높기 때문에 기업이 시행 초기에 내리는 결정이 성공에 결정적인 영향을 미칠 수 있다.
그 기반은 AI가 달성하도록 설정한 기본 사업 목표에 맞춰 기술 선택권을 조정하는 것이다. 즉, 어떤 문제를 해결하려고 노력하고 있는가, 아니면 어떤 도전에 대응하기 위해 노력하고 있는가다.
규칙 기반 시스템이나 머신러닝 시스템을 구현하기로 한 결정은 기업의 AI 프로그램을 어떻게 진화하고 확장할지에 대해 장기적인 영향을 미칠 것이다.
그렇다면 각각 상황이 다른 회사들에 적합한 접근 방식을 평가할 때 고려해야 할 몇 가지 모범 사례는 어떤 것이 있을까.
◆규칙 기반 접근 방식을 선택하는 것이 타당한 경우는?
-고정된 결과가 나올 때: 결과가 적거나 고정된 수로 나올 때 이 시스템을 사용하는 것이 바람직하다. 예를 들어 “카트에 추가” 버튼을 누를 수 있는 상태는 두 가지뿐이다. 사용자가 버튼을 눌렀는지 여부를 감지하기 위해 머신러닝을 사용하는 것이 가능하긴 하지만, 그런 방식
을 적용하는 것은 말이 되지 않는다.
-오류 위험이 있을 때: ‘잘못된 긍정’의 위험을 감수하기에는 오류에 따른 처벌(불편)이 너무 크기 때문에 100% 정확할 규칙만 구현해야 할 때 이를 사용하는 것이 좋다.
-머신러닝 도입할 계획이 없을 때: 시스템을 유지 관리하는 사람들에게 머신러닝 지식이 없고 기업이 앞으로 이를 지원할 계획이 없는 경우에도 이에 해당한다.
◆머신러닝(기계학습)을 적용하는 것이 타당한 경우는?
-단순 규칙이 적용되지 않을 때: 간단한 규칙을 사용해 태스크를 쉽게 정의할 수 있는 방법이 없는 경우엔 머신러닝을 적용해야 한다.
-데이터가 급속히 바뀔 때: 상황, 시나리오 및 데이터가 지속적으로 새로운 규칙을 작성할 수 있는 능력보다 빠르게 변화하고 있는 경우에 머신러닝이 필요하다.
-자연어 처리를 필요로 할 때: 언어, 또는 자연어 처리에 대한 이해를 필요로 하는 작업에는 머신러닝을 도입해야 한다. 무언가를 말하는 방법은 무한히 많기 때문에 정상 언어에 대한 규칙을 쓰는 것은 완전히 불가능하지는 않다하더라도 비현실적이다. 머신러닝의 타고난 적응형 지능은 규모에 최적화되어 있다.
즉 AI의 약속은 현실이지만, 많은 조직에게 부여된 도전 과제는 어디서부터 시작하느냐다.
이를 고민하는 조직이라면 무엇보다도 먼저 규칙기반 시스템이 조직에 적합한지 머신러닝 시스템 적합한지를 먼저 확인해야 한다.
[관련기사] 오픈AI, 자연어 처리(NLP) 모델용 API 출시
규칙 기반 학습 (Rule Based Learning) · Data Science
Follow me : |
Increscunt animi virescit volnere virtus by Friedrich Nietzsche
© 2021 Yngie. This work is liscensed under CC BY-NC 4.0.
This blog is forked from ratsgo’s blog
인공지능(Artificial Intelligence) 연구의 두가지 큰 흐름, 기호주의와 연결주의
반응형
기호 주의는 디지털 컴퓨터의 작동방식을 기반으로 AI를 연구하는 방식이고, 연결 주의는 인간 뇌의 정보처리과정에서 영감을 받은 AI 연구 방식이다.
Photo by Su San Lee on Unsplash
기호 주의(Symbolism) AI
컴퓨터 작동 방식에 맞게 기호와 규칙을 사용하는 규칙 기반(Rule-based) 인공지능 으로 오래전부터 지금까지 지속적으로 사용되고 있는 방식이다. 컴퓨터 작동 방식으로 인공지능을 구현할 수 있다는 논리이며, 논리적으로 설명 가능한 문제를 다룬다. A=B이고, B=C일 때, A=C이다로 귀결시킬 수 있는 인공지능이다. 그렇기 때문에 간단한 공식으로 운영되는 체스나 장기를 두는 인공지능을 만들 때 기호 주의 인공지능이 적용될 수 있다. 대표적인 개발자로는 민스키와 매카시 등이 있으며, 전문가 시스템 분야, 수학적 정리 증명, 게임, 자연어 처리 등의 분야에 응용되고 있다.
인간이 이해할 수 있는 형태의 표현 방식이라는 장점과 컴퓨터 프로그래밍과의 유사성 때문에 1950년대부터 1980년대까지 전성기를 맞았다. 하지만, 현실의 실제 개념은 실세계의 형상을 모두 ‘기호화’ 할 수 없었기 때문에 한정적인 용도로 밖에 사용할 수 없었고, 기호 주의 AI은 1980년대에 이르러 쇠락의 길을 걷게 되었다. (체스를 두는 인공지능은 체스만 둘 수 있었기 때문) 그리고 이러한 기호 주의의 단점은 연결 주의가 등장하게 된 원인이 되었다.
연결 주의(Connection) AI
뉴런의 연결을 를 모방한 정보처리 과정을 사용하는 신경망(Neural Network) 기반 인공지능 이다. 뇌처럼 하나의 개념이 여러 곳에 흩어져서 표현되며, 논리적으로 설명하기 어려운 문제를 다룬다. 특정 세기 이상의 값에 도달하면 0과 1로 정보를 처리한다는 개념이다. 대표적인 개발자로는 로젠블럿과 힌턴 등이 있으며, 문자 인식, 영상 인식, 음성 인식 등의 패턴 인식에 응용되고 있다.
예를 들어 고양이와 강아지 이미지를 인공지능이 기호 주의적으로 인식하는 것은 불가능하다. 이미지 속의 고양이의 특징과 강아지의 특징을 인식하고, 이를 고양이 또는 강아지라는 결론으로 도출하는 방식을 연결주의 인공지능이라고 한다. 연결주의의 지능체는 처음에는 “백지” 상태이며, 다수의 사례를 주고 “경험”함으로써 스스로 천천히 “학습”해 간다. 컴퓨터 연결주의의 알고리즘을 구현한 첫 공식 모델이 ‘퍼셉트론’이다.
Reference
반응형
[AI란 무엇인가] 인공지능 머신러닝 딥러닝 차이점 총정리 혼자 공부하는 책
✍ 두 줄 요약: ‘인공지능 > 머신러닝 > 딥러닝 순서로 범위가 크다’ 라고 이해하시면 편합니다.
인공지능은 머신러닝과 딥러닝을 포괄하는 개념!
인공지능, 머신러닝, 딥러닝! 많이 들어봤지만 정확하게 개념이 잡혀있지 않은 분들을 위해 각각 무엇인지 알아보고 그 차이를 간단하게 정리해보겠습니다.
인공지능이 무엇이라고 설명하지 않아도 무엇인지 감이 오실 거예요.
우리가 사는 세상에는 이미 인공지능이 다양하게 생활 속 깊숙이 들어와 있거든요.
몇 가지 생활 속의 인공지능을 소개해 드리겠습니다.
이미 알고 있거나, 친숙한 서비스와 브랜드가 있을 거예요.
🧠생활 속 인공지능은 무엇이 있을까?
자율 주행 자동차: 테슬라, 구글, 현대자동차&네이버
스마트 스피커(AI 비서): 아마존, 구글, 바이두, 알리바바, 샤오미, KT, SK 텔레콤, 네이버, 카카오, 삼성전자 등
챗봇: 카카오 상담톡, 네이버 톡톡, 라인, 채널톡 등
인공지능 로봇: 청소 로봇, 교육용 로봇, 동반자 로봇, 운송 로봇
이미지 인식: 페이스북, 구글, 마이크로소프트, 네이버
개인화 추천: 넷플릭스,구글, 페이스북
기계 번역: 구글, 네이버 파파고
🧠간단히 살펴보는 인공지능의 역사
무려 2번의 힘든 시기(AI 겨울이라고 불러요.)를 보낸 인공지능 분야는 알파고가 등장하기 전까지는 소설이나 영화 속의 단골 소재로 쓰였어요. 스티븐 스필버그 감독의
라든가, 호아킨 피닉스가 열연한 를 보거나 들어보셨을 거예요. 하지만 알파고가 등장한 이후, 인공지능은 좀 더 우리와 가까워진 현실 속의 기술로 발전하고 있습니다. 알파고가 등장한 게 2016년 3월이니 불과 5년 만에 우리 생활 속에 인공지능, 머신러닝, 딥러닝이라는 단어가 깊숙이 파고들었다고 할 수 있어요.
기나긴 인공지능의 역사를 여기에서 모두 나열하지는 않을 거예요. 오늘은 중요 사건을 요약한 그림을 보면서 인공지능, 머신러닝, 딥러닝이 무엇인지 알아보겠습니다.
🤖인공지능이란?
인공지능artificial intelligence은 사람처럼 학습하고 추론할 수 있는 지능을 가진 컴퓨터 시스템을 만드는 기술입니다. 인공지능의 역사는 약 80년 남짓 되었지만 인류는 훨씬 더 오래전부터 지능적인 시스템을 생각했습니다. 지능을 가진 로봇을 다룬 최초의 소설은 150년 전으로 거슬러 올라갑니다.
1943년 워런 매 컬러Warren McCulloch와 월터 피츠Walter Pitts는 최초로 뇌의 뉴런 개념을 발표했습니다. 1950년에는 앨런 튜링 Alan Turing이 인공지능이 사람과 같은 지능을 가졌는지 테스트할 수 있는 유명한 튜링 테스트 Turing Test를 발표합니다. 많은 과학자가 참여한 1956년 다트머스 AI 콘퍼런스Dartmouth AI Conference에서는 인공지능에 대한 장밋빛 전망이 최고조에 도달했습니다.
이 시기를 인공지능 태동기👶라고 합니다.
그 이후 인공지능 황금기✨가 도래했습니다. 대표적으로 1957년 프랑크 로젠블라트Frank Rosenblatt가 로지스틱 회귀의 초기 버전으로 볼 수 있는 퍼셉트론Perceptron을 발표했습니다. 1959년에는 데이비드 허블David Hubel과 토르스텐 비셀Torsten Wiesel이 고양이를 사용해 시각 피질에 있는 뉴런 기능을 연구했습니다. 나중에 두 사람은 그 공로를 인정받아 노벨상을 수상했습니다.
하지만 컴퓨터 성능의 한계로 인해 간단한 문제를 해결하는 것에 그치자 ❄첫 번째 AI 겨울❄이 도래했습니다. 이 기간에는 인공지능에 대한 연구와 투자가 크게 감소했습니다. 그다음 전문가 시스템expert system이 등장했고 두 번째 AI 붐이 불었지만, 역시 또 한계를 드러내고 ❄두 번째 AI 겨울❄을 맞이합니다.
이 시기를 극복한 후에 인공지능은 다시 각광을 받기 시작했고 연구자들은 물론 대중 매체도 어느 때 보다 큰 관심을 가지게 되었습니다. 이제는 영화와 드라마, 소설 속에서 지능을 가진 컴퓨터 시스템이 등장하는 것이 흔합니다. 하지만 영화 속에 등장하는 인공지능을 실생활에서 체험하기는 아직 어렵습니다. 스마트폰의 음성 비서와 간단한 대화를 이어가기도 아직은 어렵습니다. 영화와 현실이 차이 나는 것은 두 기술이 다르기 때문입니다.
👱♀️사만다와 🤖스카이넷
흔히 영화 속의 인공지능은 인공일반지능artificial general intelligence 혹은 강인공지능Strong AI이라고 부르는 인공지능입니다. 영화
에 나온 인공지능 사만다를 기억하나요? 사만다의 진짜 이름은 OS1으로 이어서 설명할 강인공지능의 한 예입니다. 사만다나 지금도 가장 사악한 인공지능으로 불리는 <터미네이터>의 스카이넷처럼 사람과 구분하기 어려운 지능을 가진 컴퓨터 시스템이 인공일반지능입니다. 반면 현실에서 우리가 마주하고 있는 인공지능은 약인공지능Weak AI입니다. 약인공지능은 아직까지는 특정 분야에서 사람의 일을 도와주는 보조 역할만 가능합니다. 예를 들면 음성 비서, 자율 주행 자동차, 음악 추천, 기계 번역 등입니다. 또 이세돌과 바둑 시합을 한 알파고가 좋은 예입니다.
그럼 언제 강인공지능에 도달할 수 있을까요? 아직은 아무도 그 시기를 정확히 알 수 없지만 가능성에 대해서는 대체로 긍정적입니다. 그렇지만 가까운 미래에 이런 기술이 도래하리라 낙관하지는 않았으면 좋겠습니다. 여기에는 거품이 끼어 있을 수 있습니다. 앞서 언급했듯이 과거에도 이 분야에서는 성급하게 장밋빛 청사진을 제시하다가 실패한 경우가 있기 때문입니다.
🤖머신러닝이란?
머신러닝machine learning은 규칙을 일일이 프로그래밍하지 않아도 자동으로 데이터에서 규칙을 학습하는 알고리즘을 연구하는 분야입니다. 인공지능의 하위 분야 중에서 지능을 구현하기 위한 소프트웨어를 담당하는 핵심 분야입니다.
머신러닝은 통계학과 깊은 관련이 있습니다. 통계학에서 유래된 머신러닝 알고리즘이 많으며 통계학과 컴퓨터 과학 분야가 상호 작용하면서 발전하고 있습니다. 대표적인 오픈소스 통계 소프트웨어인 R에는 다양한 머신러닝 알고리즘이 구현되어 있습니다.
하지만 최근 머신러닝의 발전은 통계나 수학 이론보다 경험을 바탕으로 발전하는 경우도 많습니다. 컴퓨터 과학 분야가 이런 발전을 주도하고 있습니다. 컴퓨터 과학 분야의 대표적인 머신러닝 라이브러리는 사이킷런scikit-learn입니다.
사이킷런 라이브러리는 파이썬 API를 사용하는데 파이썬 언어는 배우기 쉽고 컴파일하지 않아도 되기 때문에 사용하기 편리합니다. 머신러닝 분야에 관심이 높아지면서 파이썬과 함께 사이킷런 라이브러리가 큰 인기를 얻고 있습니다. 이제는 사이킷런 외에 대표적인 다른 머신러닝 라이브러리를 찾아보기 힘듭니다. 파이썬으로 print(‘Hello world’) 명령을 출력할 수 있다면 누구나 조금만 배워 머신러닝 프로그램을 만들 수 있습니다. 사이킷런 라이브러리에서 제공하는 클래스와 함수를 사용하여 필요한 작업을 수행할 수 있습니다.
당연하지만 사이킷런에 모든 머신러닝 알고리즘이 포함되어 있지는 않습니다. 연구자들은 새로운 알고리즘을 끊임없이 개발하여 발표합니다. 많은 사람이 이를 검증하고 사용해 본 다음 장단점을 파악하게 됩니다. 어느 정도 시간이 지나서 이런 알고리즘이 유익하다고 증명되어 널리 사용하게 되면 사이킷런 라이브러리 개발자들이 이 알고리즘을 라이브러리에 추가합니다. 그러므로 머신러닝 라이브러리에 포함된 알고리즘들은 안정적이며 성능이 검증되어 있습니다. 비교적 안심하고 사용할 수 있는 이유입니다.
프로그래머가 직접 알고리즘을 구현하느라 힘들게 프로그램을 짤 필요가 없습니다. 어떻게 머신러닝 알고리즘을 선택하고 활용할 수 있는지를 먼저 생각해보는 것도 방법이 될 수 있는 것입니다.
사이킷런이 있기 전까지 머신러닝 기술은 대부분 폐쇄적인 코드와 라이브러리로 통용되었습니다. 해당 분야에 대해 전문 교육을 이수하거나 비싼 비용을 지불하고 구매를 해야 했습니다. 하지만 사이킷런과 같은 오픈소스 라이브러리의 발전 덕분에 머신러닝 분야는 말 그대로 폭발적으로 성장했습니다. 파이썬 코드를 다룰 수 있다면 누구나 머신러닝 알고리즘을 무료로 손쉽게 제품에 활용할 수 있습니다. 덕분에 현대의 개발자는 머신러닝 알고리즘을 이해하고 사용할 수 있어야 합니다.
이런 현상으로 인해 새로운 이론과 기술은 직접 코드로 구현되고 통용되어야 그 가치를 입증할 수 있게 되었습니다. 코드로 구현되어 성능을 입증하지 못하면 탁상공론에 지나지 않고 사람들의 주목을 끌기 어렵습니다. 이런 기조는 딥러닝 분야에서 더욱 증폭되었습니다.
🤖딥러닝이란?
많은 머신러닝 알고리즘 중에 인공 신경망artificial neural network을 기반으로 한 방법들을 통칭하여 딥러닝 deep learning이라고 부릅니다. 종종 사람들은 인공 신경망과 딥러닝을 크게 구분하지 않고 사용합니다.
❄두 번째 AI 겨울❄ 기간에도 여전히 인공지능에 대해 연구한 사람들이 있었습니다. 이들의 연구가 차츰 빛을 보면서 다시 인공지능 기술이 주목받기 시작했습니다. 1998년 얀 르쿤Yann Lecun이 신경망 모델을 만들어 손글씨 숫자를 인식하는 데 성공했습니다. 이 신경망의 이름을 LeNet-5라고 하며 최초의 합성곱 신경망입니다.
그 이후 2012년에 제프리 힌턴Geoffrey Hinton의 팀이 이미지 분류 대회인 ImageNet에서 기존의 머신러닝 방법을 누르고 압도적인 성능으로 우승했습니다. 힌턴이 사용한 모델의 이름은 AlexNet이며 역시 합성곱 신경망을 사용했습니다. 이때부터 이미지 분류 작업에 합성곱 신경망이 널리 사용되기 시작했습니다.
[이세돌vs알파고] 이세돌 9단이 알파고에게 유일하게 이긴 제 4국 GoogleDeepMindChallengeMatch 이세돌vs알파고 제4국 ep3 20160313국내에서는 2016년 이세돌과 알파고의 대국으로 인해 딥러닝에 대한 관심이 크게 높아졌습니다. 하지만 앞에서 소개했듯이 딥러닝은 2010년 초반부터 이렇게 새로운 혁명을 준비하고 있었습니다. LeNet-5나 AlexNet과 같이 인공 신경망이 이전과 다르게 놀라운 성능을 달성하게 된 원동력으로 크게 세 가지를 꼽을 수 있습니다.
복잡한 알고리즘을 훈련할 수 있는 풍부한 데이터와 컴퓨터 성능의 향상, 그리고 혁신적인 알고리즘 개발입니다. 인공지능에 대한 과거의 시도와 달리 최근의 딥러닝 발전은 매우 긍정적이고 지속 가능해 보입니다. 이런 오픈소스 머신러닝 라이브러리의 영향력을 눈치챘던 것일까요. 2015년 구글은 딥러닝 라이브러리인 텐서플로TensorFlow를 오픈소스로 공개했습니다. 텐서플로는 공개와 동시에 큰 인기를 얻었으며 아직까지 가장 널리 사용되는 딥러닝 라이브러리입니다. 페이스북도 2018년 파이토치PyTorch 딥러닝 라이브러리를 오픈소스로 공개했습니다.
이 라이브러리들의 공통점은 인공 신경망 알고리즘을 전문으로 다루고 있다는 것과 모두 사용하기 쉬운 파이썬 API를 제공한다는 점입니다.
🙋♂️인공지능, 머신러닝, 딥러닝의 차이점은 무엇입니까?
👨🏫 범위에 차이가 있습니다. 인공지능이 범위가 가장 크고, 머신러닝이 중간이며, 딥러닝이 가장 작습니다.
△그림 1-1 인공지능 > 머신러닝 > 딥러닝
지금까지 인공지능, 머신러닝, 딥러닝에 대하여 간단하게 알아보았습니다. 그럼 인공지능과 인공신경망은 어떻게 다른 것일까요? 머신러닝과 딥러닝은요?
인공지능은 컴퓨터가 인간의 사고를 모방하는 모든 것을 뜻한다고 보고 있습니다. 그리고 머신러닝machine learning은 컴퓨터가 스스로 학습하는 것을 말합니다. 특히 주어진 데이터를 이용해서 말이죠. 마지막으로 딥러닝deep learning으로 대표되는 인공신경망artificial neural network은 머신러닝을 구현하는 기술의 하나로, 인간 뇌의 동작 방식에서 착안하여 개발한 학습 방법이라고 할 수 있겠습니다. 그래서 인공지능이 범위가 가장 크고, 머신러닝이 중간이며, 딥러닝이 가장 작습니다.
△그림 1-2 규칙기반과 머신러닝 기반의 바나나 인식
이 3가지 용어의 차이점을 설명하기 위해서 간단하게 예를 들어보겠습니다. [그림 1-2]의 위쪽처럼 기존의 인공지능인 규칙기반 인공지능rule-based AI이 바나나를 인식하도록 하려면 인간이 컴퓨터에 바나나를 식별하는 특징feature을 가르쳐줘야 했습니다. “길고, 노란색이고, 약간 휜 물체면 바나나야”라는 식이죠.
하지만 머신러닝의 학습 방식은 [그림 1-2]의 아래쪽과 같습니다. 바나나 사진을 주고 “이것이 바나나야”라고 하면 컴퓨터가 스스로 바나나의 특징을 학습합니다. “음. 바나나는 길고, 노란색이고, 휜 것이군”이라고 말이죠.
🙋♀️ 여기서 잠깐) 머신러닝에는 다양한 방법이 있지만, 간략히 설명하기 위해 약간 비약하였습니다.
참고로 이러한 방법을 end-to-end 학습이라고 하며, 딥러닝이 바로 이러한 방식으로 학습합니다
그러면 인공지능에 썰어놓은 바나나를 추가로 인식시키려면 어떻게 해야 할까요? 규칙기반 인공지능은 앞의 규칙에 “하얀색이고, 납작하고, 둥글다”라는 특징을 수작업으로 추가해줘야 합니다. 하지만 머신러닝은 썰어놓은 바나나 사진만 입력해주면 알아서 새로운 특징을 학습하고 인식할 수 있습니다.
△그림 1-3 썰어놓은 바나나를 인식하는 방법
즉, 풀고자 하는 문제가 복잡할수록 규칙기반 인공지능보다는 머신러닝을 이용한 인공지능이 문제를 훨씬 더 효율적으로 해결할 수 있으리라 예상할 수 있습니다. 인간이 모든 특징을 분석하고 알고리즘을 만들어서 입력하는 것보다, 컴퓨터가 직접 특징을 추출하는 쪽이 더 빠르고 정확하다면 말이죠.
🙋♂️지금 인공지능, 머신러닝, 딥러닝을 배워도 되나요?
👨🏫 지금이 인공지능을 배우기 가장 좋은 때라고 생각합니다.
컴퓨터 과학은 추상화의 학문이라고 해도 과언이 아닙니다. 더군다나 요즘엔 좀처럼 실제 컴퓨터를 조립할 기회도 많지 않습니다. 예전에 다양한 주변 장치가 담당했던 일을 하나의 칩이 대신합니다. 스마트폰은 이런 경향의 절정에 있습니다. 그러다 보니 피부로 느끼는 추상화는 더욱더 심하죠. 이런 추상화의 단점은 개념을 모호하게 만들고 외부에서 접근하기 어렵게 만든다는 점입니다. 눈에 보이지 않는 소프트웨어만으로 개념을 이해하고 알고리즘을 풀어내야 하는 일이 처음 배우는 사람에게 특히 어렵습니다.
아마 데이터 마이닝data mining, 빅데이터big data, 데이터 과학data science 와 같은 용어를 들어 보셨을지도 모릅니다. 이런 용어는 기술적을 설명하는 마케팅에 가깝습니다. 용어 차이를 명확히 구분하기 힘들고 그 안에 속한 기술을 정확히 정의하기도 어렵습니다.
사실 이런 기술은 모두 인공지능의 큰 범주 안에 포함됩니다. 시대와 트렌드에 따라 옷을 바꿔 입었지만 큰 흐름은 모두 일맥상통하죠. 그리고 이제 이런 기술이 머신러닝과 딥러닝에 이르러 절정을 이루고 있습니다. 3번째 전성기를 맞은 지금이 이 기술을 배우기 가장 좋은 때라는 것은 의심의 여지가 없습니다.
🔑 꼭 알아두면 좋은 키워드 정리!
인공지능(Artificial intelligence) : 인공지능은 사람처럼 학습하고 추론할 수 있는 지능을 가진 시스템을 만드는 기술입니다. 인공지능은 강인공지능과 약인공지능으로 나눌 수 있습니다.
머신러닝(Machine Learning) : 규칙을 프로그래밍하지 않아도 자동으로 데이터에서 규칙을 학습하는 알고리즘을 연구하는 분야입니다. 사이킷런이 대표적인 라이브러리입니다.
사이킷런(scikit-learn): 2007년 구글 썸머 코드에서 처음 구현되었으며, 가장 널리 사용되는 머신러닝 패키지 중 하나입니다.
인공 신경망(Artificial Neural Network): 생물학적 뉴런에서 영감을 받아 만든 머신러닝 알고리즘입니다. 신경망은 기존의 머신러닝 알고리즘으로 다루기 어려웠던 이미지, 음성, 텍스트 분야에서 뛰어난 성능을 발휘하면서 크게 주목 받고 있으며 종종 딥러닝이라고도 부릅니다.
딥러닝(Deap learnging) : 딥러닝은 인공 신경망이라고도 하며, 텐서플로와 파이토치가 대표적인 라이브러리입니다.
텐서플로(TensorFlow): 구글이 만든 딥러닝 라이브러리로 CPU와 GPU를 사용해 인공신경망 모델을 효율적으로 훈련하며 모델 구축과 서비스에 필요한 다양한 도구를 제공합니다.텐서플로 2.0부터는 신경망 모델을 빠르게 구성할 수 있는 케라스 Keras 를 핵심 API로 채택하였습니다. 케라스를 사용하면 간단한 모델에서 아주 복잡한 모델까지 비교적 손쉽게 만들 수 있습니다.
파이토치(Pytorch): Facebook에서 개발하여 2016년 공개한 파이썬 기반의 오픈소스 머신러닝 라이브러리를 말합니다.
케라스(Keras) : 다양한 인공지능 엔진에서 지원하며, 2015년에 공개된 파이썬 기반의 오픈소스 신경망 라이브러리입니다. 텐서플로, 파이토치와 함께 널리 사용되고 있습니다.
👥이 글에서 소개한 두 명의 딥러닝 구루
👨제프리 힌턴: 1947년 태어난 제프리 힌턴은 인공지능 분야를 개척한 영국 출신의 인지심리학자이자 컴퓨터 과학자입니다. 1978년 에딘버러에서 AI 박사 학위를 받았습니다. 현재 캐나다 토론토 대학교의 교수이며, 구글(VP Engineering fellow)에서 겸직하고 있습니다.
👨얀 르쿤: 1960년 태어난 얀 르쿤은 프랑스계 미국인으로 기계학습, 컴퓨터비전, 모바일 로보틱스 그리고 신경망을 연구하고 있습니다. 현재 페이스북 AI를 이끌고 있습니다.
위 내용은 <혼자 공부하는 머신러닝+딥러닝>과 <골빈해커의 3분 딥러닝>을 재구성하여 작성 되었습니다.
이 책을 통해 인공지능의 추상화를 걷어내고 직접 코딩하면서 머신러닝과 딥러닝의 실체가 무엇인지 배워 보세요.
모든 예제는 공개 되어 있으며, 온라인 환경인 구글 코랩에서 실습합니다. 회귀 알고리즘부터 시작해 텐서플로를 사용한 딥러닝 알고리즘을 다룹니다.
기본적인 인공 신경망에서부터 이미지 처리 분야에 뛰어난 합성곱 신경망과 순차 데이터 처리에 뛰어난 순환 신경망까지 원리를 터득하고 직접 모델을 구현하여 예제를 풀어 보실 수 있습니다.
📘용어 노트와 실습예제 다운로드
👀도서 자세히보기
👨💻유튜브 무료 강의
잡학지식)알고리즘)Rule – Based System (단순 AI)
Rule – Based System (RBS)
규칙 기반 시스템은 특정한 규칙(아이디어)을 포착하고 이를 컴퓨터 내에 구성하는 것이다.
대부분은 특정 많은 조건들로 구성되어 있다. (if – than – else)
이 규칙을 기반한 시스템은 학습능력이 없기 때문에 인공지능으로는 가짜라고 표현할 수 있지만 구성하는 아이디어가 인간의 행동을 비롯해서 구성하기 때문에 가장 단순 형태의 AI로 간주한다.
단순 능력에 대한 시뮬레이터로써는 적합한 방식이다.
반응형
구현방식은 다음과 같다.
1. 규칙을 기반해서 우선순위를 지정한다.
2. 우선순위에 의한 가중치를 부여한다.
3. 구성 및 구현부를 진행한다.
4. 검증과정을 진행한다.
참고 URL : occamsrazr.net/view/AboutRuleBasedAi
★☆☆☆☆
반응형
키워드에 대한 정보 규칙 기반 인공 지능
다음은 Bing에서 규칙 기반 인공 지능 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.
이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!
사람들이 주제에 대해 자주 검색하는 키워드 Chapter 07 규칙기반 인공지능 -기본개념-
- #처음만나는인공지능 #기본개념 #7장 #규칙기반
Chapter #07 #규칙기반 #인공지능 #-기본개념-
YouTube에서 규칙 기반 인공 지능 주제의 다른 동영상 보기
주제에 대한 기사를 시청해 주셔서 감사합니다 Chapter 07 규칙기반 인공지능 -기본개념- | 규칙 기반 인공 지능, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.
