2. 인공지능의 역사

인공지능의 발전

 1950년대에 처음 거론되어 시작한 인공지능은 불과 몇년 전까지만 해도 이론에만 머물러 있거나 제한된 기능밖에는 수행하지 못했습니다. 

 인공지능을 구현하는데 필요한 연산을 하드웨어의 제한으로 받쳐주지 못하였고 결국, 공학 연구에서 비주류가 되어 우리나라에서는 연구, 개발을 하는 곳을 찾기 힘들었습니다.

 하지만 1990년대 후반 빅데이터의 등장과 함께 급격히 발전하는 컴퓨터 하드웨어와 새롭게 등장한 딥러닝 등이 하나로 융합되면서 2000년대에 들어 인공지능은 주로 인간이 미리 수집하여 만들어 놓은 지식을 기계가 학습하는 방식으로 구현되어 현재는 매우 빠른 속도로 진화하고 있는 분야입니다.

특히 2012년 이미지넷(ImageNet)에서 인공지능, 딥러닝분야에서 결코 빠질 수 없는 엄청난 사건이였습니다. 2010년 부터 시작된 이미지넷은 무려 1,000개가 넘는 카테고리로 분류된 100만개의 이미지를 인식하여 그 정확도를 겨루는 대표적인 시각지능 대회입니다. 2012년 대회 이전까지는 이미지 인식률이 75%를 넘지 못했었습니다. 

캐나다 토론토대학의 알렉스 크리제브스키가 GPU 기반 딥 러닝 기술을 들고 나오기 전까지는요. 

2012년 이미지넷에 출전한 알렉스가 들고 나온 ‘알렉스넷(Alexnet)’은 기존의 시스템과는 무척 달랐습니다. 인간의 뇌 구조를 본딴 인공신경망 모델인 나선형신경망(Convolution Neural Network, CNN)을 사용하여 심층 신경망(Deep Neural Network)을 구현한 것입니다. 바로 이것이 바로 기존의 기계 학습법(Machine Learning)을  더욱 발전시킨 딥 러닝(Deep Learning)입니다.

(2010년부터 이미지넷 경진대회 결과 데이터. GPU 기반 딥러닝을 도입한 2012년(빨간색 원)부터

GPU를 사용한 딥러닝 인식은 이제 99%라는 수치를 넘어서 사람도 구분할 수 없는 것들도 인식과 분류가 가능하다고 합니다.

https://korea7030.github.io/Study1/

 이미지, 텍스트, 영상 등과 여러 분야에서 필요한 지식을 미리 수집하여 그것을 전문가가 정교하게 모델링하고, 그 결과를 머신러닝, 딥러닝이라는 대표적인 방법을 이용하여 기계에 학습시키는 것으로 특정 분야의 인공지능을 만들 수 있게 되었습니다.

1950년대

- 인공지능의 시작

- 1950년 튜링은 '계산 기계와 지능 Computing Machinery and Intelligence'라는 논문을 기고함.

- 기계가 생각할 수 있는지 테스트하는 방법, 지능적 기계의 개발 가능성, 학습하는 기계 등에 대한 내용.

- 인공지능의 아버지로 여겨진다.

- 제한된 환경을 구축하고 그 속에서 실험할 수 있는 시스템을 만듬.

- 어려운 문제들이나 더 넓은 문제로 확장 적용이 어려움.

- 초기 AI 시스템의 성능은 불확실성에 대한 취약성, 근거 없는 상징적 재현에 대한 의존성, 데이터 부족, 메모리 용량과 프로세서 속도 제한에도 영향을 받음.

1970년대

- AI 의 겨울

- 1970년대 중반, AI 시스템이 애초의 기대를 만족시키 못할 것이라는 인식이 퍼짐.

- 펀딩 삭감으로 이어지면서 AI 겨울이 시작됨.

1980년대

- 전문가 시스템

- 결정권자들의 판단을 돕기 위한 전문가 시스템 expert system이 발전.

- 인간 전문가들의 지식을 하나하나 입력해 만든 규칙 기반 시스템.

- 수백개의 시스템이 만들어졌지만 소규모 시스템은 효용이 적었고 대규모 시스템은 개발, 유지비가 높았고 사용하기도 어려움.

- 1980년대 후반 두 번째 'AI 겨울'이 찾아옴.

1990년대

- 자연의 모방

- 전통적인 논리주의 패러다임을 대체하여 고차원의 상징 조작에 집중하는 새로운 기술 등장.

- 뉴럴 네트워크와 유전 알고리즘

- '불안정성 brittleness'와 같은 전통 AI의 약점을 극복할 것으로 여겨짐.

- 뉴럴 네트워크는 경험을 통해서 배우고 사례들로부터 자연스러운 일반화 방식을 찾아냈으며, 숨은 통계적 패턴을 발견함.

- 뉴럴 네트워크는 패턴 인식과 분류에 유용.

- 유전 알고리즘과 유전 프로그래밍 같은 진화기반 방식이 널리 활용됨.

- 진화적 방법은 후보 솔루션들과, 조합과 돌연변이 방식으로 새롭게 생성되는 후보 솔루션을 세대를 거듭해가며 최적자를 선택해 가면서 더 나은 솔루션을 찾아가는 방식.

- 다양한 문제에 대한 효율적인 솔루션을 만들수 있었지만 진화적 방식이 잘 작동하기 위해서는 representational format을 잘 만들어야 하는 등의 어려움이 있고 조합 폭발 등의 문제도 있음.

2010년대 이후

지난 20년 간 가장 큰 이론적 발전 중 하나는 이질적인 테크닉들을 공통의 수학적 프레임으로 설명할 수 있게 된 것이다.

- 뉴럴 네트워크를 분류기 classifier로 볼 수 있음.

- 유전 알고리듬은 최적화 optimization을 위한 알고리즘 중 하나

- 주어진 정보를 최적으로 사용하는 완벽한 베이지안 에이전트.

- 계산량이 너무 많이 요구됨.

- 1985년부터 현재까지 실용화의 시기로서 각종 인공지능 기술을 이용한 실용적인 시스템이 개발되었고, 다양한 산업 분야에의 적용을 시도

AI 현재 그리고 미래

AI는 이미 많은 영역에서 인간을 넘어서고 있고. 한 때 인간 지성의 전형으로 여겨졌던 체스에서 AI가 오래전 인간을 넘어섰다. 이제는 이것이 별로 대단해보이지도 않는다. 

시간이 지남에 따라 AI에 대한 우리의 기대도 높아졌기 때문이다. 

다른 영역에서는 애초의 예상보다 훨씬 복잡한 것으로 드러났다. 시각적 장면을 분석하고, 사물을 인식하고, 자연 환경에서 로봇을 컨트롤 하는 등의 일은 매우 어렵다. 

하지만 지속적인 발전이 이루어지고 있다. 전문가 수준의 체스 AI는 다주 단순한 알고리듬으로 만들 수 있는 것으로 밝혀졌다. 다른 영역에도 마찬가지로 간단한 해결책이 발견될 지 모른다.

** 출처 및 참고 **

[1] 위키백과 

[2] TCP SCHOOL

[3] NVIDIA Korea