인공지능의 역사2 the history of Artificial Intelligence (AI)

인공지능의 역사 2 the history of Artificial Intelligence (AI)

인공지능의 역사2 the history of Artificial Intelligence (AI)

 

1960년대에 연구자들은 자연어를 추론하고 이해할 수 있는 보다 정교한 AI 시스템을 개발하기 시작했다. 1965년 Joseph Weizenbaum은 인간 사용자와의 대화를 시뮬레이션하는 초기 자연어 처리 프로그램인 ELIZA를 만들었다. ELIZA는 심리 치료사를 모방하도록 설계되었으며 패턴 매칭 기술을 사용하여 간단한 대화에 참여할 수 있었다.

 

1970년대에 AI 연구에서는 전문가 시스템(expert systems)이 대중화되었다. 이러한 시스템은 지식 기반과 일련의 규칙을 사용하여 특정 도메인의 문제를 해결하도록 설계되었다. 의료 진단에서 재무 예측에 이르기까지 광범위한 응용 분야에서 사용되었다.

 

1980년대에는 연결주의(connectionism)라는 AI 연구에 대한 새로운 접근 방식이 인기를 끌었다. 연결주의 모델은 뇌 구조에서 영감을 얻었으며 신경망을 사용하여 정보를 처리한다.

 

신경망은 입력을 받고, 계산을 수행하고, 출력을 생성하는 상호 연결된 노드 또는 뉴런의 계층으로 구성된다. 뉴런 간의 연결에는 가중치가 부여되는데, 이는 일부 입력이 다른 입력보다 출력에 더 큰 영향을 미친다는 것을 의미한다. 연결 가중치를 조정함으로써 네트워크는 데이터의 패턴을 인식하고 예측 또는 분류하는 방법을 학습할 수 있다.

 

1980년대에 개발된 역전파(backpropagation) 알고리즘은 신경망 훈련의 핵심 구성 요소이다. 이를 통해 네트워크는 출력 오류에 대한 응답으로 연결 가중치를 조정한 표본으로부터 학습할 수 있다. 훈련하는 동안 네트워크에 입력-출력 쌍 세트가 제공되고 네트워크의 출력과 원하는 출력 간의 차이를 최소화하기 위해 연결 가중치가 조정된다.

 

역전파 알고리즘은 이미지 및 음성 인식, 자연어 처리, 자율 주행 차량을 비롯한 다양한 애플리케이션을 위한 신경망 훈련에 오늘날에도 널리 사용되고 있다. 연결주의 모델과 신경망은 특히 복잡하고 시끄러운 데이터를 성공적으로 처리했으며 지난 수십 년 동안 AI 연구에서 상당한 발전을 가능하게 했다.

 

1990년대에는 기계 학습(machine learning)이라는 AI의 한 분야가 업계에서 더 널리 사용되었다. 기계 학습에는 데이터의 패턴을 인식하고 해당 데이터를 기반으로 예측 또는 결정을 내리는 학습 알고리즘이 포함된다.

 

1990년대에 개발된 두 가지 중요한 기계 학습 기술은 결정 트리(decision trees)와 지원 벡터 머신(support vector machines)이다. 결정 트리는 결정을 트리와 같은 구조로 나타내는 모델로, 다른 변수를 기반으로 범주형 변수의 값을 예측하는 것과 같은 분류 문제에 사용된다. 서포트 벡터 머신은 데이터를 서로 다른 클래스로 분리하는 초평면을 찾고 분류 문제에도 사용된다.

 

의사 결정 트리와 지원 벡터 머신은 모두 이미지 인식, 음성 인식 및 자연어 처리와 같은 많은 응용 프로그램에서 사용되었다. 특징이나 변수가 많은 데이터를 처리할 때 특히 효과적이다. 이러한 기술은 오늘날 우리가 볼 수 있는 AI의 많은 발전을 가능하게 했으며 다양한 산업에 걸쳐 광범위한 응용 프로그램을 가지고 있다.

 

2000년대에 AI 연구자들은 딥 러닝(deep learning)이라는 머신 러닝의 하위 분야에서 획기적인 발전을 이루었다. 딥 러닝에는 데이터의 패턴을 인식하고 해당 데이터를 기반으로 결정을 내리는 신경망이라는 훈련 알고리즘이 포함된다.

 

2000년대에 개발된 신경망의 두 가지 중요한 유형은 합성곱 신경망(convolutional neural networks:CNN)과 순환 신경망(recurrent neural networks:RNN)이다. CNN은 그림에서 개체를 식별하는 것과 같은 이미지 인식 작업에 특히 효과적이며 RNN은 음성이나 텍스트와 같은 순차적 데이터를 처리하는 데 유용하다.

 

이러한 딥 러닝 기술의 개발은 CNN이 얼굴 인식 및 물체 감지와 같은 시스템을 개발하는 데 사용되고 RNN이 음성 인식 및 자연어 처리에 사용되는 등 이미지 및 음성 인식의 상당한 발전을 가능하게 하였다. 이러한 기술은 자율주행차 및 의료 진단을 포함한 광범위한 응용 분야에서 사용하게 되었다.

 

전반적으로 2000년대 딥 러닝 기술의 발전은 오늘날 우리가 볼 수 있는 많은 AI 애플리케이션의 길을 열었고 다양한 분야에서 상당한 발전을 가능하게 했다.

 

오늘날 AI는 전례 없는 속도로 발전하고 빠르게 성장하는 분야이다. 새로운 돌파구와 애플리케이션이 정기적으로 등장하고 있으며 AI는 점점 더 우리 삶의 중요한 부분이 되고 있다.