인공지능의 공부비결, 머신러닝 - 2 [Design X AI 5편]

뉴런을 닮은 노드가 정보를 전달하는 방법

뉴럴 네트워크 속 각각의 층은 마치 사람의 뉴런과 같은 역할을 하는 ‘노드(node)’로 이루어져 있습니다.
그리고 노드와 노드를 연결은 시행착오를 겪을수록 올바른 결과를 낳는 방향으로 서서히 변화합니다.
마치 뉴런과 뉴런 사이 시냅스의 크기가 변하듯이 말이죠.

 

바로 이 노드와 노드의 연결부분을 ‘중요도 평가’라고 하며,
이 중요도 평가를 서서히 변화시켜가는 것을 머신러닝(기계학습)이라고 합니다.

 

이 학습 전의 인공지능은 모든 중요도 평가가 임의적인 값으로 설정되며,
인공지능이 각 노드의 임의의 중요도값에 기반한 답을 냈을 때, 정답 확인을 해서
틀린 답을 냈을 때마다 중요도값을 스스로 바꾸어 가며 올바른 답이 나올 때까지 계속합니다.

 

인공지능의 ‘학습’이란 출력 결과와 정답 사이의 오차를 줄여나가는 과정인 것이죠.

 

인공지능도 자기가 뽑아낸 특징이 중요한 특징인지, 안 중요한 특징인지 계속 고민하며 특징의 중요도를 조절합니다. 뉴런이 시냅스의 크기를 조절하듯이 말이죠. https://www.chemistryworld.com/news/machine-learning-masters-molecules/3009010.article

 

예를 들어보겠습니다.
먼저 인공지능에게 아래과 같이 어떤 사진과 문제를 줍니다.

 

- 사진: 딸기
- 문제: 딸기와 사과를 분류하라!

 

그럼 인공지능은 먼저, 저번 시간에 다루었던 뉴럴 네트워크로 사진의 특징을 추출합니다.
그랬더니 다음과 같은 특징과 임의의 중요도 값이 나왔다고 칩시다.

 

• 사각형이다 - 중요도 40%
• 원뿔 모양이다 - 중요도 60%
• 씨가 박혀있다. - 중요도 50%
• 빨갛다. - 중요도 50%

 

위와 같이 각 특징에 대한 중요도 값으로 계산을 했더니 “딸기의 확률은 50%”로 출력이 되었습니다.
그럼 이제 정답확인을 해봅니다. 정답은 물어볼 것도 없이 “딸기일 확률이 100%” 이므로, 오차는 50%나 됩니다.
인공지능은 중요도값을 조절해야겠다고 생각하고, 다음과 같이 조절합니다.

 

• 사각형이다 - 중요도 20%
• 원뿔 모양이다 - 중요도 70%
• 씨가 박혀있다 - 중요도 80%
• 빨갛다 - 중요도 90%

 

위와 같이 바뀐 중요도 값으로 계산을 해봤더니, 딸기일 확률이 75%로 출력되었습니다.
그럼 처음 계산한 중요도보다, 더 올바른 특징의 중요도에 무게를 실어주었다고 판단하는 것입니다.

 

이런 식으로 인공지능은 수천 번을 반복하며 각각의 특징에 다른 중요도값을 설정하면서 서서히 정답에 가까워져 갑니다.
인공지능의 공부비결은 처음부터 맞추는 것이 아니라, 오답에서 정답으로 점점 가까워져 가는 반복학습이었던 셈입니다.

 

 

이번시간까지 인공지능에서 가장 많이 대두되는 두 개념(딥러닝, 머신러닝)에 대해서 알아보았습니다.

다음 시간 부터는 조금 더 실생활에 가까이 있는 사례, 챗봇에 대해서 이야기해보겠습니다.

 

본 포스팅은 <뉴턴 하이라이트 121 - 인공지능, 기초부터 미래의 전망까지>를 요약한 글입니다.