딥러닝 이야기

딥 러닝이란 무엇입니까?

딥 러닝 ( DL )은 인간의 뇌에서 신경 세포를 사용하는 방식과 유사한 알고리즘을 사용하는 머신러닝의 하위 분야입니다. 딥 러닝은 인간의 뇌가 작동하는 방식을 기반으로 인공 신경망과 계층을 생성합니다. 딥 러닝은 우리 생활의 예를 통해 우리 인간들이 쉽고 자연스럽게 하는 일을 컴퓨터에 가르치는 머신 러닝 기술입니다.자율주행 차량에서 딥 러닝 기술을 볼 수 있는데, 초록색에서 빨간색을, 거리에서 사람을 구분할 수 있으며 두 대의 자동차 사이의 거리까지 측정할 수 있습니다. 음성을 통한 휴대폰 구동, TV에서 얼굴 인식 및 개인 장치의 제스처 작동을 가능하게 하는 기술입니다. 딥 러닝은 최근 몇 년 동안 상당한 관심을 받고 있으며 그럴만 한 이유가 있습니다.

 

 

딥 러닝의 역사

그 기원으로 거슬러 올라가보면, 딥 러닝은 1943년 Warren McCulloch와 Walter Pitts가 수학 및 알고리즘을 사용하여 신경망을 복제하는 컴퓨팅 시스템을 만들었을 때 처음 나타났습니다. 1950 년대, 1960 년대, 1970 년대 및 1980 년대에 약간의 진보가 이루어졌습니다. 딥 러닝의 가장 큰 발전은 컴퓨터 처리 속도가 빨라지고 그래픽 처리 장치가 개발된 1999년에 발생했습니다. 이후 10 년 동안 어설프고 비효율적인 시스템은 1000 배 더 빨라졌습니다. 

 

용어로서의 딥 러닝이 기술 대화에서 정기적으로 등장하기 시작한 것은 2000 년대 중반이었습니다. 이 용어는 Geoffrey Hinton과 Ruslan Salakhutdinov가 여러 계층으로 구성된 신경망을 한 번에 한 계층씩 훈련할 수 있는 방법에 대한 논문을 발표했을 때 인기를 얻었습니다. Google은 2012년 고양이를 인식할 수있는 알고리즘을 통해 한 단계 더 발전했습니다. 고양이 실험으로 알려진 이 알고리즘은 비지도 학습을 사용하여 고양이 이미지 10,000,000 개를 시스템에 표시하고 고양이를 인식하도록 훈련했습니다. 부분적인 성공을 거두어서 선조들보다는 더 잘했지만, 표시된 고양이의 16% 미만을 인식했습니다. Google은 2년 후 영국에 기반을 둔 인텔리전스 창업 회사 DeepMind에 투자했고, 2016 년 Google DeepMind(구글 딥 마인드)의 알고리즘 AlphaGo(알파 고)는 복잡한 보드 게임인 바둑을 학습하여 서울에서 열린 경연에서 직업적인 인간 선수를 이기는 역사를 창조했습니다. 

 

머신 러닝의 하위 분야인 딥 러닝은 자체 알고리즘을 조사하여 지속적으로 학습하고 개선하는 분야입니다. 딥 러닝은 인간의 사고를 모방하기 위해 만들어진 인공 신경망을 기반으로 합니다. 최근까지도 이러한 신경망은 컴퓨팅 성능이 제한되어 복잡도에서 제한을 받았습니다. 빅데이터 분석이 급속히 발전함에 따라 신경망은 더욱 복잡하고 정교해지고 있습니다. 이로부터 컴퓨터가 복잡한 상황을 관찰하고, 학습하고 복잡한 상황에 대한 반응이 더 빨라져 때로는 인간의 마음보다 더 빠르게 되었습니다. 모델은 레이블이 지정된 대규모 데이터 세트와 여러 계층이있는 신경망으로 계속 훈련됩니다. 이미지 분류, 번역 용량 및 음성 인식 기술을 지원하는 딥 러닝은 사람의 도움없이 패턴 인식을 디코딩합니다.

 

딥 러닝으로 무엇을 달성합니까?

 

딥 러닝은 우리 일상 생활의 일부입니다. 예를 들어 페이스북에 사진을 업로드 할 때 딥 러닝은 친구에게 자동으로 태그를 지정하여 도움을 줍니다. Siri, Cortana 또는 Alexa와 같은 디지털 어시스턴트를 사용하는 경우 자연어 처리 및 음성 인식의 도움으로 그것들이 여러분에게 도움이 되도록 서비스합니다. Skype에서 해외 고객과 만날 때 실시간으로 번역을 해줍니다. 이메일 서비스 제공 업체는 사용자가 직접 처리하지 않아도 스팸을 인식합니다. 이런 실례는 많습니다.

 

Google과 같은 거대 기업은 수년간 딥 러닝을 활용해 왔으며 현재 차세대 솔루션을 제공하기 위해 노력하고 있습니다. 그들은 인간의 음성을 모방하고 음성 시스템에서 얻을 수 있는 자연스러운 소리를 생성할 수 있었습니다. Google 번역은 딥 러닝 및 이미지 인식을 사용하여 음성 번역 및 서면 언어에 대한 인식을 수행합니다. Google의 PlaNet은 사진이 촬영 된 위치를 알려줄 수 있으며 TensorFlow는 다양한 인공 지능(AI) 애플리케이션을 제작했습니다.

 

현재 다음의 다양한 산업에서는 기능의 핵심에 딥 러닝을 적용합니다.

 

항공 우주 및 방위 - 딥 러닝은 인공위성이 특정 물체나 관심 영역을 식별하고 그것을 군인에게 안전하거나 안전하지 않은 것으로 분류하는 데 광범위하게 활용됩니다.

의학 연구 - 의학 연구 분야는 딥 러닝을 광범위하게 사용합니다. 예를 들어 진행성 암 연구에서 딥 러닝을 사용하여 암세포의 존재를 자동으로 감지합니다. 고급 현미경은 UCLA에 소속된 사람들이 만들었으며 고급 데이터를 사용하여 암세포를 정확하게 식별하는 방법을 딥 러닝 애플리케이션에 가르칩니다. 딥 러닝의 범위는 궁극적으로 의료 연구가 개인의 게놈 구조에 맞는 맞춤형 의약품을 만들 수 있는 데까지 확대되었습니다.

산업 자동화 - 중장비 부문은 많은 안전 조치가 필요한 분야입니다. 딥 러닝은 중장비의 안전하지 않은 반경 내에 들어오는 사람이나 물체를 감지하여 이러한 환경에서 작업자 안전을 개선하는 데 도움이 됩니다.

챗봇 및 서비스 봇 - 딥 러닝은 고객과 상호 작용하는 모든 챗봇 및 서비스 봇을 구동하여 점점 더 복잡 해지는 음성 및 텍스트 기반 쿼리에 대한 지능적인 답변을 제공할 수 있도록합니다. 이것은 끊임없이 진화하고 있습니다.

이미지 채색 - 한때 수작업으로 오랜 시간 동안 수행되었던 작업을 이제는 컴퓨터에 맡길 수 있습니다. 흑백 이미지는 이미지의 내용을 컨텍스트에 배치하고 올바른 색상으로 정확하게 재현할 수 있는 딥 러닝 알고리즘을 사용하여 색상을 지정할 수 있습니다.

안면 인식 - 딥 러닝을 활용하는 이 기능은 다양한 보안 목적으로만 사용되는 것이 아니라 곧 매장에서 구매할 수 있게 될 것입니다. 안면 인식은 이미 공항에서 종이 없이 원활하게 체크인할 수 있도록 광범위하게 사용되고 있습니다. 딥 러닝은 한 단계 더 나아가 안면 인식이 사람이 헤어 스타일을 변경했거나 조명이 최적이 아닌 상황에서도 지불 수단이 되도록 할 것입니다.

 

딥 러닝은 어떻게 작동합니까?

 

컴퓨터가 딥 러닝을 사용하는 방법을 이해하기 위해 그들은 개를 식별하는 방법을 배우려는 유아와 유사한 과정을 사용합니다. 유아는 먼저 성인이 말한 것처럼 그림과 개라는 단어를 연관시키는 법을 배웁니다. 아이는 짖는 소리를 개와 연관시키기 위해 계속 움직입니다. 그런 다음 아이는 발음이 제대로 될 때까지 여러 가지 변형으로 단어를 말하기 시작합니다. 같은 방식으로 컴퓨터 프로그램은 계층 구조를 가지고 있으며 각 수준의 알고리즘은 입력에 변환 수준을 적용하고 (즉, 학습하는) 출력에 대한 참조로 통계 모델을 만듭니다. 필요한 정확도 수준에 도달할 때까지 다양한 반복(아이가 개를 인식하는 방법을 배우는 것과 마찬가지로)을 진행합니다. 데이터가 최종 수준에 도달하기 위해 거쳐야 하는 여러 계층 또는 기능 집합으로부터 '딥' 러닝이라고 불리는 기술을 이끌어냅니다.

 

어린이 및 지도학습의 경우 모든 수준을 지도해야 하며 지침은 구체적이어야 합니다. 어린이의 경우 부모에 의존하고 ML의 경우 개를 식별하는 데이터 집합을 정의하는 프로그래머 또는 데이터 사이언스트의 기술을 기반으로합니다. 딥 러닝의 경우 프로그램은 감독없이 더 빠르고 정확하게 기능 집합을 구축합니다. 아이가 개와 올바른 연관을 맺는 데는 몇 달이 걸립니다. 딥 러닝 알고리즘을 기반으로하는 컴퓨터 프로그램의 경우 수십 개의 이미지를 정확하게 스캔하고 그 안에서 개를 골라 내기 때문에 몇 분 만에 이 작업을 수행할 수 있습니다. 이러한 정확도 수준을 달성하고 지속적으로 유지하려면 딥 러닝 프로그램에 처리 능력은 물론 훈련을 위한 엄청난 양의 데이터가 필요합니다. 클라우드 컴퓨팅과 빅 데이터가 출현하기 전에는 프로그래머가 이 둘 모두에 쉽게 접근할 수 없었습니다.

 

이제 데이터를 충분히 사용할 수 있게 되면서 딥 러닝 프로그램은 자체 반복 기반 출력으로 복잡한 계층 적 모델을 생성할 수있는 능력을 갖게 되었습니다. 딥 러닝은 방대한 양의 비구조적 원시 데이터로부터 매우 정확한 예측 모델을 생성 할 수 있습니다. 앞으로는 인간과 기계가 생성하는 대부분의 데이터가 비구조적이며 인간이 아닌 딥 러닝이 이런 데이터를 가장 잘 처리하기 때문에 사물 인터넷을 활성화하는 데 큰 역할을 할 것입니다.

 

강력한 딥 러닝 방법 생성

 

강력한 DL 모델을 만드는 방법에는 여러 가지가 있습니다.

 

학습률 감소 - 이것은 딥 러닝에서 가장 중요한 매개 변수가 될 수 있는 하이퍼 매개 변수입니다. 이런 변수는 요인이 변경될 때마다 추정된 오류 양에 대한 반응으로 모델이 자체적으로 변경되는 정도를 결정합니다. 학습률이 높으면 훈련 과정에 시스템의 불안정성은 커집니다. 너무 낮으면 훈련이 필요 시간보다 오래 걸릴 가능성이 높습니다. 학습률 감소를 정확하게 구성한다는 것은 학습률이 수행 능력을 향상시키는 동시에 소요되는 학습 시간을 줄이도록 적응한다는 것을 의미합니다.

전이 학습 - 이 프로세스는 모델이 이미 알고있는 지식에 대한 관련 작업에 대한 분석을 수행하도록 하는 것입니다. 기존 네트워크에는 분류되지 않은 새로운 데이터가 제공됩니다. 조정이 이루어지면 수행되는 새로운 작업이 더 나은 분류 능력으로 수행됩니다. 이 접근 방식을 사용하면 필요한 데이터 양이 줄어들어 컴퓨팅 시간도 단축됩니다.

상향식 트레이닝 - 이 접근 방식에서 개발자는 많은 양의 레이블된 데이터를 집계합니다. 그런 다음 네트워크 아키텍처가 구성되어 기능 및 모델을 학습할 수 있습니다. 이 접근 방식은 여러 출력이 필요할 수 있는 애플리케이션 뿐 아니라 새로운 애플리케이션을 만드는데도 효과적입니다. 그러나 방대한 양의 데이터가 필요하기 때문에 트레이닝에 소요되는 시간이 늘어남에 따라 덜 사용되는 접근 방식 중 하나입니다.

드롭 아웃 접근법 - 이 방법은 많은 수의 매개 변수를 고려하여 네트워크의 과적합 문제를 해결합니다. 과적합은 훈련 데이터에서 개발된 알고리즘이 실제 데이터에 맞지 않는 경우입니다. 드롭 아웃 접근 방식은 특히 음성 인식 및 문서 분류 뿐만 아니라 계산생물학 분야에서 지도 학습이 진행되는 한 신경망의 성능을 향상시키는 입증된 실적을 가지고 있습니다.

 

딥 러닝은 AI 및 ML 분야를 크게 향상시켰습니다. 모든 머신을 보다 쉽게 지원하고 이전에 사람만 수행할 수 있은 작업을 가능하게 하는 방식으로 작업을 분석하는 딥 러닝의 능력이 강점입니다. AI는 미래이며 딥 러닝의 도움으로 영화에서 보는 것들이 생활에서 현실로 될 수 있습니다.

 

이상, 출처; TIBCO

딥 러닝이란 무엇입니까? | 팁코 소프트웨어 (tibco.com)