지금까지 인공지능을 몰라도 불편하지 않았는데, 이제는 세상이 달라졌다. 인간의 부족함을 채워주는 인공지능 기술이 발전하면서 무서운 속도로 인공지능 산업이 성장하고 있고, 심지어 고유 영역이라고 여겼던 전문 영역까지 침범하고 있다.
앞으로 인공지능을 활용해 수행할 업무들이 늘어날 것이 자명하다. 그렇다면 우리는 무엇을 대비해야 할까? 우리는 스스로 인공지능과 어떻게 공존할지, 어떻게 인공지능을 활용할지를 적극적으로 고려해볼 필요가 있다.
이 책은 앞부분에 인공지능의 이해를 돕고자 인공지능 개념부터, 인공지능에 사용되는 용어와 기술들을 설명하고, 뒷부분에 코딩절차를 시작으로 딥러닝 코딩을 경험할 수 있도록 코딩 실습을 담았다.
저자는 인공지능 공부에 첫발을 내딛는 독자를 위해, 어려운 수학공식이나 복잡한 코딩보다는 인공지능의 개념을 정확히 이해하는 데 초점을 맞췄다고 밝혔다.
김현정 지음 | 궁리 | 336쪽 | 1만6000원
#10줄 요약 #코딩책과 함께 보는 인공지능 개념 사전 #5장 깊은 신경망, 딥러닝
1. 딥러닝은 머신러닝의 한 분야로 입력층과 출력층 사이에 여러 개의 은닉총이 있는 깊은(deep) 인공신경망을 말한다. 은닉층이 여러 개라는 의미로 ‘딥’이라는 수식어가 붙었다. 머신러닝 알고리즘으로 해결하기 어려웠던 이미지 인식 분야, 자연어 처리, 음성처리 등의 영역에서 딥러닝이 두드러진 연구 성과를 보이고 있는데, 딥러닝 연구 분야에 대한 높은 관심 덕분인지 딥러닝 분야가 머신러닝에 속해 있음에도 불구하고, 이 둘을 구별해 부르고 있다.
2. 머신러닝 알고리즘과 딥러닝 알고리즘은 입력 측면에서 큰 차이가 있다. 머신러닝 알고리즘을 이용하기 위해서는 사람이 특징 데이터를 뽑아줘야 하지만, 딥러닝 알고리즘을 이용하면 입력 데이터에서 자동으로 특징을 뽑아준다.
3. 딥러닝은 컴퓨터 비전, 음성 인식, 자연어 처리 등의 다양한 분야에서 적용되고 있는데, 대표적인 딥러닝 알고리즘으로는 합성곱 신경망(CNN)과 순환신경망(RNN)이 있다.
4. 다층 퍼셉트론은 각 층의 뉴런이 다음 층의 모든 뉴런에 빠짐없이 ‘완전 연결’된다. 다음과 같이 28X28 픽셀의 이미지를 일렬로 펼치면 784개의 픽셀이 되는데, 이것을 입력으로 받아 은닉층을 연결한다.
5. 합성곱 신경망(CNN)은 이런 복잡함을 줄인 신경망이다. 합성곱 신경망은 이미지 분석에 가장 많이 적용되는 딥러닝 알고리즘으로 완전 연결의 인공신경망보다 높은 정확도를 보이는 신경망이다.
6. 합성곱 연산을 거치면 입력 데이터의 크기가 줄어들기 때문에 패딩 과정을 추가하기도 한다. 정장 어깨에 패딩이 들어가는 것처럼 ‘패딩’은 입력 데이터 주변에 0을 채우는 것이다. 입력 데이터에 패딩을 한 후 합성곱 연산을 하면 입력 데이터의 크기와 출력 데이터의 크기가 같아진다.
7. 풀링이란 신경망의 용량을 줄이기 위해 데이터의 크기를 줄이는 연산을 말한다. 합성곱층에서 데이터의 특징을 뽑아주고, 풀링층에서 데이터의 크기를 줄여준다. 이렇게 데이터의 특징을 뽑는 작업이 완료되면 3차원의 데이터를 일렬로 펼치는 평탄화 작업을 해준다.
8. 3차원 입력 데이터(28X28X1)를 1차원으로 펼쳐 평탄화해주면 이미지의 모양, 색깔 등의 형상 정보가 유지되기 어렵다는 단점이 있다. 이런 이유로 합성곱 신경망은 3차원 데이터에서 특징을 뽑는 합성곱 연산 과정을 거친다. 이렇게 하면 평탄화하더라도 형상 정보가 유지될 수 있는 장점이 있기 때문에 더 높은 성능을 얻을 수 있다.
9. 순차적이고 서로 관계가 있는 입력을 처리하기 위해 제안된 방법이 바로 ‘순환신경망’이다. 순환신경망은 순차적인 데이터 처리에 좋은 성능을 내고 있기 때문에 음성 인식, 번역, 주가 예측 등에 활용되고 있다.
10. 순환신경망에서 한 가지 걱정이 생겼다. 문장이 길어지면 데이터가 순환되는 과정이 길어지기 때문에 오차역전파법에서 기울기 값이 계속 작아져 가중치가 0에 가깝게 되는 ‘기울기 소실’ 문제가 발생한다. 기울기가 0이 되면 학습이 중간에 멈추기 때문에 꼭 해결해야 할 문제다.
하순명 기자 kidsfocal@chosunbiz.com