이 책은 AI 인공지능의 역사와 최근의 트렌드, 그리고 미래에 대한 전망을 설명하고 있습니다. 실제 산업에서 기업들이 어떠한 혁명적인 일들을 위해 얼마나 노력하고 있는지를 AI 기술을 적용한 기업들의 사례를 들어가며 설명하고 있으므로 인공지능과 관련된 사업이나 미래를 준비하는 사람들에게 방향과 돌파구를 제시해 주고 있습니다.
지금 시대에 AI 인공지능은 필수가 되었고 이미 우리 주위의 삶에 깊숙이 퍼져 침투하여 공존하고 있습니다. 그러하기에 현대인으로서 AI의 탄생부터 변천사와 미래 전략에 대해 궁금해하고 알아볼 필요가 있다고 생각합니다. AI가 얼마나 많은 발전을 이뤘으며, 현재 AI가 어떻게 개발되고 우리의 삶에 어떻게 적용되고 있는지.. 그리고 혁신가들이 어떠한 노력을 해왔고 지금 이 순간에도 엄청난 자금과 시간을 투입하여 새로운 혁명을 일으키기 위해 피땀을 흘리고 있습니다. 인간의 뉴런과 인공 뉴런의 비교, 인간의 뇌와 인공신경망의 접점을 찾기 위해 많은 노력과 시도를 통해 괄목할 만한 성과와 발전을 이룬 기술자들과 투자자들로 인해 지금의 인공지능이 있지 않나 생각해 봅니다.
우선 친숙하지 않지만 꼭 알아야 될 AI와 관련된 용어들에 대해서 알아보면 좋을 것 같습니다.
<인간의 뇌>
p.32 ; 감각 뉴런에 시각, 청각 등의 감각이 들어올 경우 각 뉴런은 자신과 연결된 뉴런들에게 신호를 보낸다. 그 신호를 받은 뉴런들은 신호의 세기가 너무 약할 경우 자기 오른쪽으로 신호를 보내지 않는다. 특정 크기 (역치)를 넘어선 신호가 발행해야만 옆 뉴런에게 신호를 전달하는 것이다.
p.33 ; 각 뉴런의 역치값이 바뀌면 동일한 사진이 입력되더라도 활성화 뉴런의 종류가 바뀌고, 활성화 강도도 달라지게 되어 최종 출력값이 변하게 된다. 즉, 학습이란 과정은 뉴런의 연결 형태와 역치값을 바꿈으로써 바람직한 출력값을 나오게 하는 것이다.
<인공신경망>
p.48 ; 사람의 얼굴을 찾아내는 인공지능을 학습시키면 은닉층들은 전 단계에서 얻은 이미지들을 강하게 반영할지 약하게 반영할지 등을 학습하며 눈,코,입 등에 반응하게 스스로 변화해 간다.
<인식>
p.72 ; 심층 인공신경망 기반의 얼굴 인식 알고리즘이 도입되자 얼굴 인식의 정확도는 어마어마한 속도로 높아졌다. 2017년 등장한 Arcface 알고리즘의 정확도는 99.7%로 사실상 더 개선할 수 없을 정도로 정확하다. (의료 인공지능 스타트업 뷰노 / 인공지능 기술로 육안으로 불량을 확인하는 기업인 수아랩)
p. 58 ; LAS (Listen Attend and Spell) 기존의 음성인식은 딥러닝을 사용하더라도 언어별로 특징을 추출하는 전처리를 필요로 했다. 그런데 Google은 언어별 특징 추출 없이 바로 음성을 입력하는 새로운 방식의 음성인식 기술을 공개한 것이다. 한국어 음성인식 기술을 개발하기 위해서는 한국어 전문가가 필요하다는 일반 상식과 달리 LAS는 음성인식을 개발하기 위해서 언어 전문가에게 의존할 필요가 없었다.
<생성>
p.81 ; GAN (Generative Adversarial Network) 은 두 인공신경망이 경쟁하는 독특한 인공신경망이다. 한쪽의 신경망은 그럴싸하게 가짜 얼굴을 만드는 역할을 하며, 다른 한쪽은 그게 사람인지 아닌지 구분하는 역할을 맞는다.
<강화학습>
p.89 ; 강화학습은 상태, 행동, 목적함수로 구성된다. 상태는 교차로에 자동차들이 서 있는 매 순간의 상황이며, 행동은 경찰관이 취할 수 있는 교차로 신호 변경 등의 행동이다. 목적함수는 경찰관이 신호 조작을 함으로써 얻을 수 있는 원급의 예상값이다. 즉, 강화학습은 인공지능이 할 수 있는 각종 행동을 통해 상태를 바꿈으로써 목적함수에서 나오는 보상을 최대화 하도록 학습시키는 과정이다.
<자연어 처리>
p.92 ; 자연어처리는 쉽게 말하면 글을 읽고 이해하는 것이다. 자연어 이해 (뉴스를 입력하면 그 뉴스가 정치 기사인지, 스포츠 기사인지 등 카테고리를 구분하는 것) 와 자연어 생성 (기상청 날씨 데이터를 입력하면 인공지능이 오늘의 날씨 뉴스 기사를 작성하는것) 이 그 예에 해당한다.
p.94 ; 연구자들은 언어에 대한 이해와 문장의 생성을 완전히 구분하지 않고 한 번에 학습하는 거대한 인공신경망을 만들고자 했다.. Open AI의 GPT-3가 등장 / GPT-3는 트랜스포머라는 단위 인공신경망을 기반으로 만든 사전 학습된 생성 모델이다.
p.95 ; Google 역시 초거대 언어 모델인 람다 LaMDA를 내놓았다.<자연어 처리>
<트랜스포머>
p.121 ; 트랜스포머는 성능이 우월하고 범용성이 높은 대신 학습을 위해 대체로 더 많은 데이터를 필요로 한다. 트랜스포머 기반으로 인공신경망을 만들면 RNN이나 CNN 기반 인공신경망보다 복잡도가 높아진다. 연산 자원이 더 많이 필요하단 의미다. 트랜스포머와 같이 정확도가 좋고 범용성이 높은 인공신경망은 대세가 될 수 밖에 없다. 그러나 인공신경망은 정확동만으로 성립하지 않는다. 비즈니스가 성립 할 수준의 원가를 확보하는 것 역시 매우 중요하다.
<데이터와 인공신경망>
p.109 ; 전체 학습 데이터 중 정상 제품 데이터를 무작위로 덜어 내 둘의 비율을 50:50 정도로 맞춰 볼 수 있다. 이를 언더샘플링이라 한다. 양이 부족한 모조품 데이터를 복사해 정상 제품 데이터와 숫자를 비슷하게 맞추는 오버샘플링 방식을 시도해 볼 수 있다. 정확도를 담보하기 쉽지 않을 것이다.
p.112 ; 원본 데이터에 노이즈를 가하거나 색상을 변경하는 등 원본 데이터를 의도적으로 왜곡하는 방식과 GAN과 같은 생성 모델을 통해 데이터 자체를 생성하는 방식이 그 예이다.