이 문서는 Google Cloud Translation API를 사용해 자동 번역되었습니다.
어떤 문서는 원문을 읽는게 나을 수도 있습니다.
딥 러닝은 스스로 학습하고 결정을 내리기 위해 인공 신경망을 훈련시키는 기계 학습의 하위 집합입니다. 인간 두뇌의 구조와 기능에서 영감을 받아 전통적인 기계 학습 기술이 처리할 수 없는 복잡한 문제를 해결하는 데 사용됩니다.
딥 러닝은 상호 연결된 노드의 여러 계층으로 구성된 인공 신경망을 사용합니다. 각 노드는 이전 레이어에서 입력을 받고 결과를 다음 레이어로 전달하기 전에 해당 입력에 대해 수학 연산을 수행합니다. 최종 레이어의 출력은 신경망에 의해 만들어진 예측입니다.
심층 신경망 훈련에는 예측 출력과 실제 출력 간의 차이를 최소화하기 위해 노드 간 연결 가중치를 조정하는 작업이 포함됩니다. 이는 네트워크를 통해 오류를 다시 전파하고 그에 따라 가중치를 조정하는 역전파(backpropagation)라는 프로세스를 통해 수행됩니다.
딥 러닝은 이미지 및 음성 인식, 자연어 처리, 자율 주행 등 다양한 문제를 해결하는 데 사용되었습니다. 또한 의사 결정을 개선하고 프로세스를 자동화하기 위해 금융, 의료 및 제조와 같은 분야에서 사용되었습니다.
딥 러닝의 기원은 Warren McCulloch와 Walter Pitts가 논리 연산을 수행할 수 있는 인공 뉴런 모델을 제안한 1940년대로 거슬러 올라갑니다. 1950년대와 1960년대에 Frank Rosenblatt 및 Marvin Minsky와 같은 연구원은 데이터에서 학습할 수 있는 최초의 신경망을 개발했습니다.
그러나 신경망 분야는 하드웨어의 한계와 훈련에 사용할 수 있는 데이터의 부족으로 인해 1970년대에 인기가 떨어졌습니다. 2000년대가 되어서야 대규모 데이터 세트의 가용성과 더 강력한 하드웨어의 개발 덕분에 딥 러닝이 상당한 발전을 이루기 시작했습니다.
이 분야의 돌파구 중 하나는 1990년대 Yann LeCun이 이미지 인식에 혁명을 일으킨 CNN(Convolutional Neural Network)의 개발이었습니다. 또 다른 돌파구는 1997년 Sepp Hochreiter와 Jürgen Schmidhuber가 LSTM(Long Short-Term Memory) 네트워크를 개발하여 순차 데이터를 처리하는 신경망의 능력을 향상시킨 것입니다.
딥 러닝의 주요 기능 중 하나는 명시적으로 프로그래밍하지 않고도 대량의 데이터에서 학습할 수 있다는 것입니다. 이것은 "데이터로부터의 학습" 또는 "종단 간 학습"으로 알려져 있으며 신경망의 여러 계층에 의해 가능해집니다.
딥 러닝의 또 다른 기능은 이미지, 음성 및 텍스트와 같은 복잡하고 구조화되지 않은 데이터를 처리하는 기능입니다. 이는 CNN 및 순환 신경망(RNN)과 같은 특수 신경망 아키텍처를 사용하여 달성됩니다.
딥 러닝에는 입력 데이터에서 관련 기능을 자동으로 식별하는 기능 추출 기능도 있습니다. 이는 기능 엔지니어링 또는 관련 기능의 수동 선택이 필요한 기존 기계 학습 기술과 대조됩니다.
딥 러닝의 작동 예는 이미지 인식입니다. 심층 신경망은 다양한 객체를 인식하는 방법을 학습하기 위해 레이블이 지정된 이미지의 대규모 데이터 세트에서 훈련될 수 있습니다. 네트워크는 여러 계층의 뉴런으로 구성되며 각 계층은 점점 더 복잡해지는 이미지의 기능을 인식하도록 학습합니다.
예를 들어 첫 번째 레이어는 가장자리와 모서리를 인식하는 방법을 학습하고 두 번째 레이어는 원 및 사각형과 같은 모양을 인식하는 방법을 학습할 수 있습니다. 그런 다음 최종 레이어는 이전 레이어에서 학습한 기능을 기반으로 이미지의 개체에 대한 예측을 수행합니다.
장점:
단점:
딥 러닝을 둘러싼 논쟁 중 하나는 해석 가능성이 없다는 것입니다. 심층 신경망은 여러 계층의 상호 연결된 노드로 구성되기 때문에 네트워크가 특정 결정에 어떻게 도달했는지 이해하기 어려울 수 있습니다. 이는 의료 및 자율 주행과 같은 안전이 중요한 애플리케이션에서 문제가 될 수 있습니다.
또 다른 논란은 심층 신경망 훈련에 사용되는 데이터의 편향 가능성입니다. 훈련 데이터가 편향되면 결과 모델도 편향되어 불공정하거나 차별적인 결정을 내릴 수 있습니다.
딥 러닝은 기계 학습 및 컴퓨터 비전과 같은 다른 인공 지능 분야와 관련이 있습니다. 또한 컴퓨터를 사용하여 인간의 언어를 이해하고 생성하는 자연어 처리 분야와도 관련이 있습니다.
딥 러닝의 연구 영역 중 하나는 심층 신경망을 더 해석 가능하게 만드는 것을 목표로 하는 "설명 가능한 AI"의 개발입니다. 여기에는 네트워크에서 내린 결정을 시각화하고 이러한 결정에 가장 중요한 입력 데이터의 기능을 식별하는 방법을 개발하는 것이 포함됩니다.
연구의 또 다른 영역은 네트워크가 잘못된 예측을 하도록 의도적으로 입력 데이터를 조작하는 것과 관련된 "적대적 공격"의 개발입니다. 이는 자율 주행 및 안면 인식과 같은 보안이 중요한 애플리케이션에서 문제가 될 수 있습니다.
딥 러닝은 최근 인공 지능의 많은 발전을 주도하는 빠르게 진화하는 분야입니다. 많은 영역에서 놀라운 성공을 거두었지만 심층 신경망의 해석 가능성 및 이를 훈련하는 데 사용되는 데이터의 편향 가능성과 같이 해결해야 할 과제가 여전히 많습니다.