조민호 (2021). 인공지능 역사, 분류 그리고 발전 방향에 관한 연구. 한국전자통신학회논문지, 16(2), 307-312.
- upstage 멘토링 1주-1일차 제공 아티클
연구 필요성과 목적 인공지능(AI)은 현대 사회와 산업에 혁신적인 변화를 가져오는 중요한 기술로 자리 잡고 있으며, 이 기술의 발전 과정과 기술적 접근법에 대한 종합적인 이해가 필요. 따라서 본 연구는 인공지능의 발전 과정을 역사적으로 돌아보면서 현재의 기술을 체계적으로 분류하고, 향후 AI가 어떤 방향으로 발전할지 예측하는 것을 목적으로 하는 연구. 이 연구는 AI 기술에 대한 기초 지식을 제공함과 동시에 미래 연구에 필요한 방향성을 제시하고자 함. -> 이러한 어려움을 겪는 연구자들에게 도움이 될 수 있도록 인공지능에 관련 된 중요 개념을 정리하고, 지난 60년의 발전 과정을 요약 - 방대한 인공지능 기술 활용의 기초를 확립하고 올바른 연구의 방향성을 수립할 목적성을 지님
요약 - 인공지능 관련 용어의 정리
인공지능에 관련된 기술 분야를 정리하는 것이 첫번째 목표. : 인공지능은 수학적으로 표현할 수 없었던 복잡한 인간의 두뇌를 데이터를 기반으로 흉내내는 것
데이터마이닝 : 대규모 데이터에서 체계적이고 자동으로 통계적 규칙이나 패턴을 찾아내는 것을 의미함. -> 인공지능 분야중 하나인 지도학습이라 의미함. 기계 학습 : 인공지능의 한 분야로 컴퓨터가 데이터를 통해 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야 - 데이터를 이용하여 모델을 훈련시키고, 훈련된 모델을 이용하여 예측을 수행하는 지도학습 - 주어진 데이터를 기반으로 분류를 수행하는 비지도학습(자율학습) - 주어진 환경에서 에이전트가 현재의 상태를 인식하여 행동하고 이에 따른 보상으로 최적화 과정을 수행하는 강화학습 - 수행 방법 : 수행하는 방법은 통계분석, 함수최적화, 뉴런모델
딥러닝 - 퍼셉트론을 쌓는 방법에 따라서 여러 층으로 구성하는 딥모델(Deep Model) - 넓게 분산하는 와이드모델(Wide Model)로 분류 -> 와이드모델이 딥모델보다 나은 결과를 나타내는 경우가 자주 있음
- 인공지능 발전의 역사
- 1950-60년대: 인공지능(AI)의 개념은 앨런 튜링의 "튜링 테스트"로 시작 - 컴퓨터가 인간과 구별할 수 없을 정도로 대화할 수 있는지를 기준으로 지능을 정의하려 한 시도 - 다트머스 학회에서 "인공지능"이라는 용어가 처음으로 제안되었으며, AI 연구가 본격적으로 시작 -1980-90년대: 데이터 기반 접근법으로 기계 학습과 신경망이 부활했지만, 데이터와 컴퓨팅 한계로 발전이 제한됨. - 2000년대: 빅데이터와 컴퓨팅 성능 향상으로 딥러닝이 도약하며 이미지·음성 인식 분야에서 성과를 거둠. - 인터넷과 디지털 기술의 확산으로 데이터가 폭발적으로 증가하면서, **빅데이터(Big Data)**와 함께 딥러닝이 본격적으로 주목받기 시작 - "딥러닝"이라는 용어를 사용하기 시작했고, 다층 신경망의 학습 효율이 개선되면서 이미지 인식, 음성 인식 등에서 큰 성과 - CNN(Convolutional Neural Network) 같은 딥러닝 모델이 크게 주목 - 2010년대 이후: 강화학습과 설명 가능한 AI가 주목받으며, AI의 윤리와 융합 기술에 대한 관심이 증가. - **강화학습(Reinforcement Learning)**과 **설명 가능한 AI(XAI)**가 주목받기 시작했습니다. 대표적인 사례로는 알파고(AlphaGo)의 성공이 있으며, 이는 딥러닝과 강화학습을 결합하여 바둑 대결에서 인간을 능가하는 성과 - AI는IoT, 빅데이터, 로봇, 자율주행등 다양한 기술과 융합되며 계속 발전
- 인공지능 분야의 정리 - 데이터마이닝(Data Mining) - 대규모 데이터에서 규칙과 패턴을 찾아내어 인사이트를 도출하는 기술로, AI의 기초 기술 중 하나 - 지도학습(Supervised Learning)의 일부로 분류되며, 데이터를 기반으로 특정 패턴을 자동으로 찾아내는 데 중점
- 기계 학습(Machine Learning) - AI의 핵심 분야로, 데이터를 통해 알고리즘이 스스로 학습할 수 있도록 만드는 기술을 개발하는 분야 - 지도학습: 데이터를 이용해 모델을 훈련시키고, 훈련된 모델을 통해 예측을 수행 - 비지도학습(Unsupervised Learning): 주어진 데이터를 통해 군집화 및 분류를 수행하며, 라벨이 없는 데이터에서 패턴을 찾음 - 강화학습(Reinforcement Learning): 주어진 환경에서 에이전트가 행동을 수행하고 이에 대한 보상을 받아 최적화하는 방식
-딥러닝(Deep Learning) - 다층 신경망을 통해 데이터를 학습하며, 퍼셉트론을 쌓아 여러 층으로 구성된 딥모델(Deep Model)로 발전 - 데이터가 복잡할수록 모델의 층이 많아지며, 이를 통해 더 높은 예측력 - 최근에는 넓게 분산하는 **와이드모델(Wide Model)**과 결합하여 성능을 높이는 방식이 개발
-설명 가능한 AI(XAI) -AI 모델의 의사결정 과정을 이해하고 설명할 수 있도록 돕는 기술로, AI의 신뢰성과 투명성을 높이는 데 중요한 역할 -특히, 윤리적 문제나 법적 규제와 연관된 AI 시스템에서 필수적인 요소로 주목받음
결과 요약 - 인공지능은 인간의 지능을 컴퓨터로 구현하기 위한 연구로, 다양한 지식을 표현하고 기억과 추론을 알고리즘화하는 분야로 발전해왔다 - 최근에는 퍼셉트론 기반의 인공신경망 기술이 딥러닝으로 확장되며 자율주행, 자동 번역, 챗봇 등 다양한 분야에 적용되고 있으며, 의학, 바이오인포메틱스, 산업 및 가정용 로봇 분야로도 확대중. - 이 연구는 인공지능의 주요 개념과 지난 60년간의 발전 과정을 정리하고, 인공지능 학습을 네 가지 분야로 나누어 각 분야에 필요한 학습 방향을 제시함. - 연구의 핵심은 딥러닝 외에도 다양한 기술들이 상황에 맞게 활용될 수 있으며, 이를 이해하고 선택하는 것이 AI 연구에 중요하다는 점
