딥러닝 vs 머신러닝

금일은, AI교육 자료입니다.

제가 직접 제작한 PPT를 첨부해가며 내용을 작성하겠습니다.

 

현업분들이 AI를 도입하기 위해, AI가 어떤것이고, 흔히 말하는 딥러닝과 머신러닝의 차이, 그리고 어떻게 AI가 적용되고 있는지에 대해 알아보겠습니다.

 

먼저 목차는,

위와 같이 진행할것이며,

 

먼저 머신러닝과 딥러닝의 차이를 알아보겠습니다.

 

크게 AI안에 머신러닝이 있고 머신러닝 안에 딥러닝이 있다라고 개념을 잡으면 될것 같습니다.

 

AI라는 큰 기술안에 머신러닝이 있는것이며, 머신러닝 안에서 머신러닝의 고급 기술을 딥러닝이라고 생각하면 될것 같습니다.

 

각 용어를 정리하자면,

그리고, 머신러닝와 딥러닝을 학습 방법의 관점에서 차이를 살펴보자면,

위와 같이 머신러닝은 데이터를 수집하고, 변수를 가공하고 학습하는데 있어 사람이 개입하는 반면 딥러닝은 모든걸 컴퓨터가 스스로 학습해 결과를 도출해 낸다고 보면 될것 같습니다.

 

쉽게 설명하기 위해, 예를 하나 들어보겠습니다.

우리는 사진 붓꽃 품종을 판별해주는 알고리즘을 짜려 합니다.

위와 같이 머신러닝의 경우, 붓꽃 품종을 구분하는데 있어 '꽃받침의 길이'라는 변수를 파악해내고 해당 변수를 중점으로 모델을 개발하는 반면, 딥러닝의 경우 변수 자체를 자동으로 판단해 모델을 개발합니다.

쉽게 말해,  방정식에서 Y라는 붓꽃 품종을 찾는데 있어 머신러닝은 X라는 변수를 우리가 알아내서 Y를 구하는 것이라 하면 딥러닝은 X라는 변수자체도 컴퓨터가 스스로 찾아내는 것입니다.

 

이번에는 데이터 양에 따른 성능의 차이를 확인해 보겠습니다.

머신러닝의 경우는 데이터 양이 많다가 어느 부분이 되면 성능이 더이상 증가하지 않고 유지되는 것을 확인할수 잇지만, 딥러닝의 경우 데이터가 많으면 많을수록 성능이 좋아지는것을 확인할 수 있습니다.

 

그렇다면, 당연히 딥러닝이 더 좋은것이 아니냐? 라는 의문을 가질수 있습니다.

위와 같이 학습 시간으로 차이를 보자면 머신러닝은 짧은 시간내 결과를 확인할수 있습니다.

하지만 딥러닝은 몇일~몇주 동안의 긴 시간동안 컴퓨터의 학습이 필요합니다.

또한, 실제로 고사양의 컴퓨터와 성능이 필요합니다.

 

실제로 딥러닝의 가장 대표적인 예인 '알파고'는 1920개의 CPU와 280개의 GPU가 필요했다고 합니다.

이번에는 AI기술들의 활용 예시들에 대해 알아보겠습니다.

가장 많이 알려진 이미지 분류라고 할 수 있습니다.

CNN알고리즘의 가장 유명하며, 사진들을 학습해 유사한 이미지를 확인하는 것입니다.

사진이라는 데이터를 계속 확인해가며 알고리즘의 정확도를 높이는 기술입니다.

 

다음은 자연어 처리(NLP)라고도 하며 가장 대표적인 것으로는 '챗봇'이 있습니다.

챗봇을 통해 사용자가 질문하는 데이터를 쌓아가며 AI는 점점 학습해가게 되고 나중에는 자유 대화가 가능해지는 기술입니다.

 

다음으로는, 가장 유명한 알고리즘 중하나인 '알파고'에 쓰였던 내용입니다.

강화 학습을 통해 여러 신경망을 마치 사람처럼 학습해나가며 데이터들을 쌓고 최적의 수를 도출해나가는 알고리즘입니다.

 

다음은, 가장 단순하면서도 모든 데이터를 탐색할때 사용되는 알고리즘입니다.

상관분석이란 여러 변수들간의 상관성을 분석해주고 우선순위를 확인할 수 있게 해주는 알고리즘입니다.

쉽게말해 여러 x들중 어떤 x가 가장 y를 도출하는데 있어 큰 영향을 미치는지를 학인해주는 알고리즘입니다.

어떠한 알고리즘을 만들던, 데이터를 분석하는데 앞서 해당 데이터들을 탐색하는 EDA(탐색적 분석)에 있어 가장 필수적이기 때문에 사용도가 매우 높은 알고리즘입니다.

 

이번에는, AI알고리즘들이 현업에 어떻게 적용되는지에 대해,

적용 사례들에 대해 알아보겠습니다.

포스코의 경우 작업자의 감에 의존했던 공정에 있어 데이터 상관성 분석을 통해 해당 작업의 최적 공정 조건을 파악해 냈고, 이를 자동화를 통해 동일 품질, 동일 제조시간, 최적의 공정 조건을 도출해 내었습니다.

 

다음은, 대우조선해양의 '곡누리' 개발입니다.

열간가공 작업은 작업자 환경이 매우 열악하고, 근무 난이도가 높은 공정이였습니다. 이또한, 해당 공정에 있어 온/습도에 따라 각각 다른 공정 시간 및 동일하지 못한 품질이 도출되었고 이를 데이터화를 통해 최적의 공정조건을 도출해낼수 있었고, 로봇을 도입하여 업무 자동화를 도출해 낼 수 있었습니다.

 

 

이처럼, 향후 공장에 있어 스마트팩토리 도입은 필수적이라 생각합니다.

데이터를 분석하고, 작업자의 감에 의존하던 공정들의 최적의 조건들을 찾아내고, 업무를 자동화시키는 것은 모든 공정에서 필수적인 요소라고 생각합니다

 

하지만 스마트팩토리를 도입하는데 있어 가장 중요한 것은 작업자와의 소통을 통한 비즈니스케이스에서의 업무 개선입니다.

 

무턱대고 AI를 도입하고, 스마트팩토리를 구축하는 것이 아닌, 작업자와의 지속적인 소통과 협업을 통해 어떤 부분이 개선되었으면 좋겠는지, 실 사용자에게 어떤 부분이 필요한지를 확인하고 나서 스마트팩토리를 구축하는것이 매우 중요하다고 생각합니다.