비전공자를 위한 인공지능 입문과정 노트 Day 1

2019년 양재R&CD혁신허브에서 진행된 AI School 비전공자를 위한 인공지능 입문과정에서 필기한 내용입니다. 처음 3일 분량만 필기가 보관되어 있어 공유합니다🙂

강사: Keras Korea 전미정 / 안드로이드 개발자 (Blink, BFT, BBL, maptales)

• 인공지능 개론
• 인공지능 사례
• 머신러닝 개론

인공지능 개론

인공지능

기계가 인간과 비슷하게 동작하게 하는 기술

• 인식 (보고, 듣고)
• 이해 (학습, 분석)
• 반응 (결과)

AI의 시작

1950년대 중반 엘런 튜링

“인간과 대화를 주고받을 수 있는 컴퓨터는 지능이 있다.”

튜링 테스트의 예

질문: 너 어디에 사니?
A 편의점에서 샀어
B 나는 서울에 살아

3명중에 2명 이상이 기계를 선택하면 튜링테스트 통과

최초 튜링테스트 통과: 2014년 유진 구스트만(Eugene Goostman) (논란은 있음)

튜링테스트 비슷한 예: 2018 Google I/O 영상

AI가 폭발적으로 발전할 수 있었던 요소

• big data

  • KB MB GB TB PB EB
  • 2015년 7900 EB
  • 많은 데이터를 처리하기 위한 방법이 머신러닝

• hardware

  • CPU에는 ALU(병렬처리가 가능한 장치)가 4개 정도
  • GPU에는 ALU가 꽤 많음
  • FPGA
• algorithm (machine learning, deep learning)

• cloud service

  • Data + Algorithm + Compute 이것을 모두 갖추기는 어려움 (비용 문제)
  • AWS, Azure, Google Cloud, …

인공지능 사례

마케팅

• 넷플릭스

  • 시청 콘텐츠 약 75% AI 추천
  • 사용자 취향에 맞는 영화 포스터 제공

식품

• E&J Gallo 와이너리

  • 포도의 상태에 따라 필요한 물의 양 예측(인공위성 사진, 포도밭의 센서)
  • 물 사용량 25% 감소, 포도 수확량 30% 증가, 비용 절감, 포도 품질 향상

• 미국 노스캐롤라이나주 Sugar Creek

  • 맥주 숙성 시간, 온도, pH, 압력, 탄산 정도 분석 => 맥주 품질 향상
  • Bosch 정밀 유압계 + IoT 센서 => 병입과정에서 발생하는 파손 문제 해결

• 롯데제과 x IBM

  • 소셜 데이터, POS 판매 데이터, 구매 연령, 지역별 소비 분석
  • 결과: 꼬깔콘 버팔로 윙맛 추천, 빠다코코넛 + 앙버터

스포츠

• NBA

  • 매시즌 연봉 6억원의 선수 선발
  • 슛, 어시스트, 리바운드, 개인성향 , 팀워크, 팀 기여도 예측

• 프로야구

  • 이미지 인식 기술을 이용해 베스트 샷(사진) 제공

• Real Madrid

  • 팬들의 SNS 분석 => 팬이 좋아하는 경기, 선수에 따라 굿즈 정보 등 제공

보안

• 호주 국립 은행 ATM

  • 얼굴인식기술로 인증

• Uber

  • 운전자가 앱에 등록된 기사인지 사진을 찍어 판별하는 얼굴인식기술 이용

• Shell (셀프 주유소)

  • 주유 중 담배피는 상황을 CCTV를 통해 인식하고 경고음을 주는 기술

의료

• 365 mc

  • 지방 흡입 시술 및 회복 상황 분석 (Azure 이용)

• 한국 원자력 연구원

  • 골다공증 진단 x-ray 사진을 고해상도로 바꿔주는 기술
• 영유아의 골격 성장 예측

농수산

• 경작물 분류

  • 위성 사진으로 작물의 종류를 판별하는 기술 (통계자료로 활용)

고객 서비스

• 맥도날드 맥드라이브

  • 주문 소리가 안들리는 문제
  • 주문자의 소리를 인식해 주문서를 작성해 주는 기술 (STT 활용)

• 어린이 병원

  • 보호자들을 안심시키기 위한 서비스

• UPS (택배 서비스)

  • 택배의 위치, 맡길 수 있는 장소 등을 알려줌

• 영국 철도

  • 스카이프나 페이스북과 연동되는 챗봇을 이용해 개인별 전철 도착 시간 등을 제공

환경

• 동물보호

  • 멸종 위기에 놓인 코뿔소 개체수 보존을 위해
  • 코뿔소 주변에 많이 있는 영양, 얼룩말에 센서를 달고 모니터

• 제설 작업

  • 제설차 앞쪽에 센서를 장착해 압력, 기압 등을 체크하고 앞으로 내릴 눈의 양을 예측

• 식수 확보

  • 옥스포드 대학에서 식수가 부족한 지역에서 식수를 구하기 위한 연구
  • 날씨에 따라 식수의 위치, 우물의 깊이 등을 예측
• 토지

• 수중 생태계

  • 수중 생태종의 개체의 증감율을 수중 카메라 및 적외선 센서를 이용해 측정하고 예측

암세포 진단: 인간과 AI가 함께 진단하는 것이 그렇지 않은 경우보다 진단률이 높음

분야에 따라 인간이 할 수 있는 분야와 AI가 뛰어난 분야가 따로 있고 함께 하는 것이 좋은 분야도 있다.

머신러닝 개론

인공지능(1950) { 머신러닝(1980) { 딥러닝(2010) }}

• 인공지능

  • 기계 혹은 컴퓨터가 인간의 지능을 모방

• 머신러닝

  • 컴퓨터가 데이터를 이용해 학습하는 알고리즘

• 딥러닝

  • 인공신경망을 사용하는 머신러닝 모델링 방법 중 하나
  • 다층 인공신경망 구조를 사용하여 빅 데이터 학습

머신러닝

일반적인 컴퓨터 사이언스

(a, b)
{ + }
=> a+b

머신러닝

(a, b)
{ ? }
=> a+b

how?

• 다양한 예를 학습시켜 ?를 만듦 (ex, 3, 5 => 8; 7, 11 => 18; …)

머신러닝의 종류

• Supervised Learning (지도학습, 감독학습)

  • 문제와 정답을 제공 (Feature & Label(정답, tag))
  • 예측, 추정, 분류
  • Regressing: 예측, 회귀 문제
  • Forcast: 예측 문제
  • Classification: 분류 문제
  • 데이터를 구해야 한다는 단점이 있음

• Unsupervised Learning (비지도학습)

  • 문제만 제공 (Feature)
  • 패턴/구조 발견
  • Anomaly Detection (이상징후 감지)
  • 그룹화
  • Clustering

• Reinforcement Learning (강화학습)

  • 정답이 아닌 보상 제공
  • 인과관계가 중요
  • 게임(알파고), 로봇
  • 인간과 비슷한 형태로 움직이게 하는 기술(SFV, motivation)

머신러닝의 방법(머신러닝을 구현할 때 쓰는 알고리즘)

• Linear Regression
• SVM
• Neural Network
• …

인공 신경

I(입력):
배고픔(w:10)
통장 잔액(w:80)
주변 가게(w:30)
N(인공신경): 뭐먹지?
O(출력): 분식

딥러닝

Input layer + 여러개의 Hidden layer + Output layer

알파고는 딥러닝을 활용한 강화학습

머신러닝 vs 딥러닝

• 머신러닝

  • Input
  • Feature Engineering (필요한 데이터를 선별해 활용할 수 있도록 정제)
  • 결과값에 영향을 주는 독립변수: Feature
  • 결과 데이터 종속변수: Label (정답, tag)
  • Feature Engineering을 위해 도메인 분야의 전문가가 필요하다
  • Traditional ML
  • Ouptut

• 딥러닝

  • Input
  • Feature Extraction
  • Neural Network
  • Output

Feature & Label

Sung Kim의 강의 참고

Y(label) = w*X(Feature) + b

Learning(학습): 입력된 Feature와 Label을 통해 w와 b를 머신러닝 모델이 구해주는 것

학습을 위해 필요한 데이터

• 학습 데이터(train data)
• 검증 데이터(test data)