1.단순 알고리즘: 단순 제어 기능
f(X , Y) = A
우리가 흔히 마트에서 접할 수 있는 '인공지능 탑재'라고 쓰여져 있는 가전기기를 떠올리면 된다.
예를 들어 공기 중에 있는 미세먼지 농도를 파악하여 자동으로 on/off가 조절되는 공기청정기를 떠올리면 된다. 이런 기능을 가전기기에 탑재하기 위해서는 이와 관련된 알고리즘(문제를 해결하기 위해 정해진 일련의 절차, 가장 대표적인 예는 2차 방정식의 해를 위할 때 사용되는 근의 공식)을 입력시키는 작업이 필요한데, 여기에 필요한 변수는 미세먼지가 있는가/없는가의 두 가지 종류뿐으로 가장 기초적인 단계의 인공 지능이라고 할 수 있다.
2.강화된 알고리즘: 제어 기능 강화
f(X , Y , Z) = A 조금 더 다양한 변수를 추가
단순 제어 기능에서 조금 더 복합한 제어 기능이 가능하도록 한 것을 의미한다.
예를 들어 자동적으로 on/off가 조절되는 기능에 사람이 집에 있을 경우엔 미세먼지 농도가 낮더라도 자동적으로 off가 되지 않도록 하는 기능까지 추가된 공기청정기를 생각하면 된다. 즉, 기기가 작동하는데 필요한 알고리즘이 단순 제어 기능에 필요한 알고리즘 대비 더욱 복잡해진 것(변수가 증가한 것)으로 이해할 수 있다.
3.알고리즘에 통계/확률을 입히다: 머신러닝을 통한 인공지능
f(aX , bY , cZ) = A a, b, c는 변수에 대한 가중치(중요도)로 통계/확률 기법을 활용한 빅데이터 분석을 통해 설정
변수들을 하나씩 추가해 나가는 기존의 알고리즘 구성 방식은 수많은 변수가 존재하는 실생활에 적용시키기에 현실적으로 무리가 있다.
세상의 모든 경우의 수를 알고리즘에 입력하는 것은 사실상 불가능하기 때문이다. 따라서 이러한 한계를 개선시키기 위해선 모든 변수를 알고리즘으로 입력시켜왔던 기존의 방식에 근본적인 변화가 필요했는데,이것이 기존 알고리즘에 통계/확률의 개념을 추가한 머신러닝이다.
쉽게 말해서 변수를 모두 입력하는 것이 아니라, 변수에 가중치(중요도; 확률)를 부여하여 예상치 못한 상황들에도 대처할 수 있도록 알고리즘을 보완한 것이다. 결국 알고리즘의 정확도는 어떤 가중치를 사용하는가에 달려있는데, 이를 프로그래머가 임의적으로 설정하는 것이 아니라 과거 수십년치의 데이터를 컴퓨터에 입력시키고(기계에게 학습을 시키고) 여기서 추출한 빈도 값(통계/확률)을 가중치로 사용하는 것이 바로 머신러닝의 기본 개념이다.
4. 스스로 상황 판단을 하다: 딥러닝을 통한 인공지능
f(aX , bY , cZ) = A 가중치인 a, b, c를 컴퓨터 스스로 가장 적합한 해를 찾기 위해 조절
수많은 데이터를 컴퓨터에 입력시키고(기계에게 학습을 시키고) 여기서 추출한 값(통계/확률)을 알고리즘에 있는 변수의 가중치로 사용한다는 기본 개념은 머신러닝과 같다.
하지만 딥러닝이 머신러닝 대비 발전된 점은 추가적으로 입력되는(학습되는) 데이터의 특징을 컴퓨터가 스스로 파악하고 최적의 해(판단)를 구할 수 있도록 하기 위해 알고리즘 속 변수에 대한 가중치를 스스로 조절해간다는 것에 있다. 가중치를 상황에 맞게 알아서 조절해 나갈 수 있다는 것은 그 만큼 돌발 상황에서 가장 적합한 판단을 할 수 있는 능력이 향상되었다는 의미이다.
관련기사
[머신러닝①] 앨런 튜링의 3가지 조건
[머신러닝③] 알고리즘에 통계·확률을 입히다
[머신러닝④] 딥러닝, 인간의 뉴런을 모방하다
한승균 기자/ 전자공학 박사
<저작권자 © 빅데이터뉴스, 무단 전재 및 재배포 금지>
