인공지능 (Artificial Intelligence)

1. 인간의 지능을 모방한 기술, 인공지능의 개요

(1) 인공지능 (Artificial Intelligence)의 개념 및 특징

개념	인간의 지능을 모방하여 문제를 해결하거나 아이디어를 도출하는 기술
특징	– 인간처럼 사고/행동 (Thinking/Acting Humanly) – 합리적으로 사고/행동 (Thinking/Acting Raionally)

(2) 인공지능과 기계 학습, 딥러닝과의 관계

인공지능 (Artificial Intelligence)	인간의 지능을 모방하여 인간처럼 사고/행동하는 가장 큰 범위를 포괄하는 개념
기계 학습 (Machine Learning)	컴퓨터가 데이터를 통해 학습할 수 있도록 하는 알고리즘과 기술 (머신러닝)
인공 신경망 (Artificial Neural Network)	인공 뉴런(퍼셉트론)이 학습을 통해 시냅스의 결합 세기(가중치)를 변화시켜 문제 해결 능력을 갖추는 모델
딥러닝 (Deep Learning)	인공 신경망을 깊고 넓게 복합적으로 쌓아 학습을 수행하는 방식

• 인공지능은 사람과 같은 지능을 가진 강한 인공지능(Strong AI)과 특정 문제를 해결할 수 있는 수준의 지능을 갖는 약한 인공지능(Weak AI)로 분류

 

2. 인공지능 기술의 발전 과정과 기계 학습 분야

(1) 인공지능 기술의 발전 과정 및 주요 활동

시기	발전 과정	주요 활동
1950년대	인공지능의 시작	– 1950년 튜링 머신의 개념 제안(앨런 튜링, 튜링 테스트) – 1950년 인공지능 관련 최초 논문 발표 – 1956년 다트머스 회의에서 인공지능 용어 사용 – 1958년 LISP 언어 개발 – 1959년 퍼셉트론 제안(인공신경망 역사)
1960 ~ 1970년대	전문가 시스템과 1차 인공지능 붐	– 1965년 최초의 전문가 시스템 개발 – 1973년 퍼지 개념 적용 – 1973년 Prolog 언어 개발 – 1975년 유전 알고리즘 개발
1980 ~ 2000년대	2차 인공지능 붐과 신경망 암흑기	– 1986년 다중 퍼셉트론 제안(인공신경망 역사) – 1990년대 인공생명 등 과학 기반 복합계 형성 – 1990년 확률 모델 개발 및 베이즈 통계 도입 – 1990년 이후 데이터 마이닝 기법 활용 – 1996년 서포트 벡터 머신 활용
2010년대 이후	3차 인공지능 붐	– 2010년 이후 분산 처리, IoT 및 빅데이터 분석 시대 – 2010년 딥러닝 제안(인공신경망 역사)

(2) 인공지능(기계 학습) 분야 및 주요 기술

분야	주요 기술	메커니즘
통계 기반 머신러닝	베이지안 네트워크	체계적 확률 정보 기반 방향성 비순환 그래프와 그래프를 다루는 기법이 정리된 방법론
	은닉 마르코프 모델	관측 불가능한 은닉 상태를 관측이 가능한 결과를 통해 모델링(모형화)하는 이중 확률론적 모델
지도 학습	회귀 분석	관찰된 변수 집합에서 독립변수와 종속변수 간 상관관계를 함수식으로 표현 및 검증
	SVM	서포트 벡터 머신, 학습 데이터를 두 개의 클래스로 분류하기 위해 Margin을 최대로 하는 결정직선탐색 분류
비지도 학습	패턴 인식	문자, 물체 등을 인식하기 위해 표준 패턴과 입력 패턴 비교 기반 사물 식별 및 클래스 구분
	K-means	데이터를 임의의 중심점을 기준으로 최소의 거리가 되도록 K개의 군집화 하여 분류
	DBSCAN	핵심 벡터로부터 ε 반경 내 접근 가능한 모든 데이터 벡터들의 집합(군집)을 생성
강화 학습	MDP	마르코프 결정 프로세스, 이산시간 확률제어 과정으로, 상태, 행동 및 전이확률 기반 최적의 의사결정 정책 을 탐색
	Q-Learning	특정 상태에서 행동에 대한 미래값(Q)을 계산하여, 최적 정책을 찾는 마르코프 의사결정 기반 강화학습
	유전 알고리즘	적자생존, 돌연변이 등 유전 원리에 따라 최적화 형태로 진화 과정에서 해를 찾는 알고리즘
	전이학습	데이터 세트가 유사한 분야에 학습치를 전이하여 Fine Tuning 기반 신경망 학습 재사용
딥러닝	DBN	심층 신뢰망, 입력층과 은닉층으로 구성된 제한 볼츠만 머신을 블록처럼 여러 층으로 쌓인 형태로 연결
	CNN	Convolution, Pooling, Fully Connected layer를 통해 특징 추출, 차원 축소하여 이미지를 분류, 인식
	RNN	음성인식, 자연어 등 현재 입력 데이터와 과거 데이터를 고려하여 순차 데이터를 처리하는 순환 신경망

• 인공지능 기술을 활용하기 위해서는 대용량의 데이터와 컴퓨팅 파워가 필요하므로 데이터 및 컴퓨팅 관련 기반 기술의 성숙이 필수

 

3. 인공지능 서비스 개발 및 활용을 위한 기반 기술

(1) 대용량 데이터 수집/저장 관점의 인공지능 기반 기술

구분	기반 기술	역할
데이터 수집	엣지 컴퓨팅	스마트 더스트 등 작은 센서에 송수신기를 탑재하여 데이터를 수집, 전송
	합성 데이터	실제 데이터와 유사한 통계 속성을 가지고 생성하여 기계학습 훈련 데이터로 활용
	데이터 거래소	확보한 데이터를 수집/가공하여 부가가치를 높여 필요한 소비자에게 공급
데이터 저장/관리	하둡(Hadoop)	네임노드와 데이터노드를 통해 대용량의 데이터를 클러스터링 기반 분산처리
	데이터 레이크	정형, 반정형, 비정형의 다양한 원형(Raw) 데이터들을 실시간으로 수집, 전처리, 변환, 저장, 제공
	빅데이터 품질 관리	DQM 등 기반 기계, 프로그램에 의해 수집되는 대량의 데이터를 정확성, 완전성 등을 확보

(2) 컴퓨팅 파워 제공 관점의 인공지능 기반 기술

구분	주요 기술	역할
컴퓨팅 하드웨어	GPGPU	GPU를 그래픽 연산뿐 아니라 인공지능 서비스 활용 위해 인공지능 연산에 GPU를 사용
	뉴로모픽칩	인간 뇌의 뉴런-시냅스 구조를 모방하여 연산, 저장, 통신 기능을 융합한 다수의 저전력 코어 기반 칩
	양자 컴퓨팅	폰노이만 시스템 한계 극복 및 양자 병렬성 기반 인공지능 연산에 활용
가상화/ 클라우드	클라우드 컴퓨팅	서버, S/W 등 IT 자원들을 구매하지 않고 필요 시 인터넷을 통해 On-Demand 서비스 형태로 이용
	GPU 가상화	Host OS(Native 환경)의 GPU 라이브러리와 동일한 API를 가진 래퍼(wrapper) 라이브러리를 Guest OS에 제공
	AIaaS	인공지능 API 엔진 및 어플리케이션, 머신러닝 프레임워크 등의 기능을 클라우드로 구현
인공지능 개발 도구	텐서 플로우	머신러닝 모델의 제작, 빌드 및 배포를 위해 개발 도구, 라이브러리, 커뮤니티 리소스로 구성
	머신러닝 파이프라인	데이터 수집부터 전처리, 학습 모델 배포, 예측까지 전과정을 순차적으로 처리하도록 설계

• 인공지능의 성능을 평가하기 위해 인공지능 평가모델 및 교차검증 등을 사용하며, 최근 인공지능 신뢰성 확보를 위한 설명 가능한 인공지능(XAI) 등도 연구중

 

4. 인공지능 활용 분야 및 서비스

활용 분야	활용 서비스	활용 사례
이미지 및 음성 인식	영상/이미지 인식	입력된 영상/이미지를 분할, 특징 추출, 매칭 등 영상 처리기술을 통해 사물을 분류
	음성 패턴 인식	사람의 음성을 인공지능 기반 패턴화, 기계학습을 통해 업무 보조, 생활 편의 서비스 제공
NLP와 AI 장치 소형화	자연어 이해(NLU)	인간의 언어 이해 방법을 모방하여 자연어의 어휘/문장/문맥을 이해
	자연어 생성(NLG)	지식 기반이나 논리 형식과 같은 기계 표현에서 의미 표현으로 자연어 문장 생성
	엣지 AI	IoT, 모바일 장치의 신속한 인공지능 서비스를 위해 단말 장치에서 생성한 데이터로 AI 알고리즘 직접 실행
지능형 로봇	지능형 로봇	외부 환경을 인식(Sensing)하고 상황을 판단(Think)하여 자율적으로 동작(Act)
	인지 컴퓨팅	사람의 인지기능인 지각, 행동, 언어 등을 모방하여 인식과 행동, 기억, 학습, 의사결정 등을 수행
기술 융합	메타버스	인공지능 NPC를 포함한 다른 존재와 함께 일상활동 경제생활을 영위하는 인터넷 공간과 물리적 공간이 공존
	생성형 AI	주어진 데이터 세트를 활용하여 이야기, 이미지, 동영상, 음악 등 새로운 콘텐츠와 아이디어를 생성

• 최근 생성형 AI(Generative AI)를 활용한 서비스가 폭발적으로 증가하고 있으며 프롬프트 엔지니어링, 생성형 AI 보안 위협 대응 등 안전한 생성형 인공지능 서비스 구축 방안 연구/개발 활성화

 
[참고]

• 정보문화사, 인공지능 바이블