TIL_220211_인공지능

 

인공지능

추상적

사람이 생각하는 것을 본떠 기계에 구현한 것

 

생각 메커니즘

동기부여 - 강화 - 비교(탐색) - 경험

 

인간의 추상화 과정을 모델링

길을 찾을 때

Input Layer : 가장 빠른 길은?

Hidden Layers : 막히는 길은 없나?

                     가까운 길은 없나?

                     => 학습

Output Layer : 가장 빠른 길은 여기다.

변수 눈이 온다

 

인공지능의 특이점

사람의 지능 네가지

{ 시각 / 소리 / 언어 / 분석 } + 감성(Sentiment)

인공지능이 사람의 지능을 뛰어 넘어도 감성은 불가능(주관적이기 때문)

앞으로 발전하는 지능은 분석 지능

 

인공지능의 본질은?

인간이 준 정보를 토대로 확률에 기반하여 의사 결정을 하는 시스템의 총칭

 

인공지능의 시발점, 라이프니츠

= 도서관학의 창시자

 

현대 인공지능의 출발점

• 심리학 -> 언어지능에 대한 이해 -> 수학(통계학)에 기반한 모델
• 1965년 존 매카시가 다트머스 학회에서 처음 인공지능(Artificial Interlligence)라는 용어를 사용
• LISP 언어를 창시

 

튜링 테스트

설명

 

맥락 context

기계와 인간을 차이 짓는 가장 큰 점은 맥락

사전 정보

맥락 정보

기존 데이터를 바탕으로 한 사전 학습으로 강화 필요

기존 데이터엔 고정 데이터가 필수임(ex. 알파벳, 단어처럼 변하지 않는 정보)

 

기계가 인간의 언어를 이해하기 어려운 이유

1. 사람도 본디 사람 말을 잘 못 알아 듣는다.

2. 기계 번역은 문화적 요인이 많이 들어가서 번역 자체가 어렵다.

ex. 피리부는 사나이의 원제는 하멜른의 쥐잡이

 

딥러닝 머신러닝

요즘 트렌드는 딥러닝

 

차이

머신러닝과 딥러닝은 다른 개념

머신러닝 : 인간이 먼저 룰을 정해주고 학습을 돌림(확실한 기준 존재로 인한 한계 존재(융퉁성 없는 결론 도출))

딥러닝 : 먼저 데이터를 수집하고 그 데이터를 바탕으로 기준을 추려서 인간에게 물으면 인간이 알려줌

머신 러닝은 전통적인 인공지능 연구 분야에 보다 가까운 영역(인간의 사고 방식도 머신러닝)

환경에 따른 학습 데이터 필요

 

자주 쓰이는 용어

• 의사결정나무(Decision Tree)
• SVM(Support Vector Machine)
• K-means 클러스터링
• HMM(Hidden Markov Model)

사용되는 분야

• 지도 학습
• 비지도 학습
• 강화 학습 : 알파고

딥러닝에 자주 쓰이는 용어들

• CNN
• RNN
• LSTM : Long Short Term Memory => 기초학습 후 추가학습 = 오래된 데이터를 백그라운드로 넣어주고 새로운 데이터를 계속 넣어줌
• 인코더

사용 범주

• 범주화(classification)
• 자질(속성) 추출
• 데이터 전처리
• 시계열 기반 데이터 처리
• 객체 인식
• 로봇

최신 기술 트렌드

인공지능 최신 트렌드

Computer vision - ToF 센서 (Time of Flight Sensor) 설명

 

ai = 확률 = 100%가 존재하지 않음

 

Cosine Measure

인공지능의 기본

각도가 클수록 관계가 멀다 / 각도가 작을수록 관계가 적다

 

구분 지어야 할 개념

검색 : 고르는 것

지능 : 찾아가는 것

 

@@2Vec

머신러닝의 기본 기술

World2Vec, Doc2Vec...

likeness : ~일 것 같다 를 찾아가는 기술

 

최신 인공지능 기술들

Transformer : encoding-decoding 제일 많이 사용됨

Elmo

Bert : 질의 응답을 잘해주는 모델

ㅋㅋㅋㅋ

Bart : 기사 요약

ㅋㅋㅋㅋㅋ

 

기계독해 vs 질의응답

기계독해 : 낮은 수준의 질의 응답(문제하고 답을 모두 넣어줌) / 읽기 지문을 주고, 주관식 질문을 하면 지문에서 답을 찾는 문제

질의응답 : 지문이 없거나 지문의 내용에서 추론해서 답을 만드는 문제

 

 

빅데이터와 V

빅데이터

큰 용량, 빠른 속도, 그리고(또는) 높은 다양성을 갖는 정보 자산으로서 이를 통해 의사 결정 및 통찰 발견, 프로세스 최적화를 향상시키기 위해서는 새로운 형태의 처리 방식이 필요하다(Gartner, 2012)

빅데이터는 문제부터 정의 후 데이터 수집이 이루어져야한다.

데이터를 수집할 가치가 있느냐 => 행정의 영역(손해를 따져서...)

과거의 V3

Volume(양)

Variety(다양성)

Velocity(속도) : 매우 중요(시간이 존재해야 과거 데이터 분석, 예측 등이 가능)

새로운 V3

Veracity(정확성)

Variability(가변성)

Visualization(시각화)

 

제조 빅데이터

데이터 수집 과정 중요!(정상 데이터만 100% 엄청 많이 쌓임 => 분석 불가 / 잘못될 확률을 찾는 게 핵심)

Value : 고객이 원하는 value(전기료 절약, 불량 감소, 제작 단가 낮춤 등)

 

빅데이터 종류

비정형 데이터

정형 데이터

작은 분석 값

BI

 

	전통적 데이터	빅데이터(정형/비정형)
데이터 원천	전통적 정보 서비스	일정화된 정보 서비스 디바이스, 기기 발생 데이터
생성 주체	업무 관련 담당자(인간) 기업, 정부 등 조직 내	SNS 데이터: 개인, 대중 산업데이터: 장비, 기기, 시스템
목적	업무진행 및 효율성 제고	SNS 데이터: 소통, 표현, 기반 서비스 산업 데이터: 생산관리, 품질극대화 등
데이터 유형	정형 데이터 고객 정보, 거래 정보 비공개 대인 관련 데이터	비정형 데이터(영상, 이미지, 텍스트) 장비, 기기 데이터 공개 데이터
데이터 특징	데이터 증가량 관리 가능 신뢰성이 높은 핵심 데이터 위주	기하급수적으로 양적 증가 분류 못할 경우 쓰레기 데이터로 분류 문맥, 품질, 트렌드 정보 등 다양
데이터 보유	기업, 정부 등 조직	서비스 기업(구글, 아마존) 포털, 온라인 쇼핑몰 이동통신 회사 디바이스 관련 업체 일체

정형 데이터 : 엑셀로 정리할 수 있음

 

데이터에 대한 신뢰도가 굉장히 중요

 

IoT Device의 폭증

ex. 스마트 홈 => cloud의 경우 해킹에 취약하기 때문에 edge에서 끝나야한다(정상적인 상황에선 집에서만 끝나고 긴급상황에서만 신호가 위로 올라간다던지)

 

Gartner Top Strategic Technology Trends for 2021

사람 중심성 / 위치 독립성 / 탄력적인 전달

 

AI 데이터 / 빅데이터 가장 큰 차이

AI 데이터 : 라벨 필요

빅데이터 : 시간 필요

 

IIoT 데이터의 증가

 

Industrial IoT 데이터 추이

데이터가 점점 더 늘어나 Smart Factory 시대의 데이터 처리 요구량은 현재 처리능력보다 늘어날 수밖에 없음

문제

센서가 과연 타당한 숫자인가?(고객의 cost에도 직결)

 

Edge Computing Layer for Machine Learning

 

SCADA

설명

X-SCADA | 국내 최신 기술력이 적용된 스마트팩토리 솔류션

 

---

느낀 점

평소에 생각 안해본 지점들을 많이 생각해 볼 수 있어 좋았다.

얼마나 생각 없이 살았나 반성이 좀 됐다...

인공지능이 사람과 많이 닮아서 신기했다. 당연히 사람이 만들었으니 사람과 닮을 수 밖에 없겠지만!