딥 러닝이 머신 러닝의 하위 분야라면, 이 두 분야는 어떻게 다릅니까? 취급하는 데이터의 유형과 학습 방법 때문에 딥 러닝은 기존의 머신 러닝과 구분됩니다.

머신 러닝 알고리즘은 레이블링된 정형 데이터를 활용하여 예측을 수행합니다. 즉, 이 모델은 특정 특성이 입력 데이터에 따라 정의되고 테이블로 구성됩니다. 그렇다고 해서 머신 러닝 알고리즘이 비정형 데이터를 사용하지 않는다는 의미는 아닙니다. 다만, 머신 러닝 알고리즘이 비정형 데이터를 사용할 경우 이 데이터를 정형 형식으로 구성하기 위해 몇 가지 전처리를 거칩니다.

딥 러닝은 머신 러닝에 일반적으로 수반되는 데이터 전처리 작업 중 일부를 거치지 않아도 됩니다. 이 알고리즘은 텍스트와 이미지 같은 비정형 데이터를 수집 및 처리할 수 있으며, 특성 추출을 자동화하므로 부분적으로 인간 전문가에 의존하지 않아도 됩니다. 예를 들면, 다양한 애완동물이 있는 사진이 있다고 가정해 보겠습니다. 이들을 “고양이”, “개”, “햄스터” 등으로 분류하려고 합니다. 딥 러닝 알고리즘은 동물을 구분할 때 가장 중요한 특성(예: 귀)을 결정할 수 있습니다. 머신 러닝에서는 이러한 특성의 계층 구조를 인간 전문가가 직접 결정합니다.

그 다음, 기울기 하강 및 역전파 프로세스를 통해 딥 러닝 알고리즘은 조정 작업을 수행하여 정확도를 향상합니다. 이를 통해 이 알고리즘은 새 동물 사진을 보고 더 높은 정확도로 예측을 수행할 수 있습니다.  

머신 러닝과 딥 러닝 모델이 할 수 있는 학습의 유형도 다릅니다. 이러한 학습 유형은 보통 지도형 학습, 비지도형 학습, 강화 학습으로 분류됩니다. 지도형 학습은 레이블링된 데이터 세트를 활용하여 분류 또는 예측을 수행합니다. 이 학습에는 입력 데이터를 올바르게 레이블링하기 위해 어느 정도 인간의 개입이 필요합니다. 이와 대조적으로, 비지도형 학습에는 레이블링된 데이터 세트가 필요하지 않습니다. 대신, 비지도형 학습은 데이터의 패턴을 감지하여 특징을 구분함으로써 데이터를 클러스터링합니다. 강화 학습은 모델이 보상을 극대화하기 위해 피드백을 기반으로 환경에서 작업을 수행할 때 정확도를 높이는 법을 학습하는 프로세스입니다.

이러한 기술들 간의 미묘한 차이에 대해 자세히 알아보려면 "AI 및 머신 러닝 및 딥 러닝 및 신경망: 차이점은 무엇인가?"를 확인하세요.

지도형 및 비지도형 학습의 구체적 차이점을 자세히 알아보려면 "지도형 및 비지도형 학습: 차이점은 무엇인가?"를 확인하세요.

딥 러닝 신경망 또는 인공 신경망은 데이터 입력, 가중치, 편향을 조합하여 인간의 뇌를 흉내내려고 합니다. 이러한 요소들이 함께 작용하여 데이터 안의 객체를 정확하게 인식, 분류, 설명합니다.

딥 신경망은 여러 계층의 상호연결된 노드로 구성되어 있습니다. 각 계층은 이전 계층을 기반으로 구축되어 예측 또는 분류를 향상하고 최적화합니다. 망을 통해 컴퓨팅이 진행되는 과정을 순전파라고 부릅니다. 딥 신경망의 입력 및 출력 계층을  가시적 계층이라고 부릅니다. 입력 계층에서는 딥 러닝 모델이 처리를 위해 데이터를 수집하며, 출력 계층에서는 최종 예측 또는 분류가 이루어집니다.

역전파라고 부르는 또 다른 프로세스는  기울기 하강과 같은 알고리즘을 사용하여 예측의 오류를 계산한 다음 모델을 훈련시키기 위해 계층들을 통해 역방향으로 이동하여 함수의 가중치와 편향을 조정합니다. 순전파와 역전파를 함께 활용하여 신경망은 예측을 수행하고 오류가 있으면 이를 수정합니다. 시간이 지나면서 알고리즘의 정확도는 점진적으로 향상됩니다.

위에서 설명된 유형은 가장 단순화된 딥 신경망 유형입니다. 그러나 딥 러닝 알고리즘은 매우 복잡합니다. 또한 특정 문제 또는 데이터베이스를 처리하기 위한 신경망의 유형은 다양합니다. 예:

• 콘볼루션 신경망(convolutional neural network, CNN) 은 주로 컴퓨터 비전 및 이미지 분류 애플리케이션에 사용되며, 이미지 내의 특성과 패턴을 탐지할 수 있어 객체 감지 또는 인식과 같은 작업을 가능하게 합니다. 2015년, CNN이 최초로 객체 인식 과제에서 인간을 능가했습니다.
• 순환 신경망(recurrent neural network, RNN) 은 순차 또는 시계열 데이터를 활용하므로 일반적으로 자연어 및 음성 인식 애플리케이션에 사용됩니다.

실제 딥 러닝 애플리케이션은 우리 실생활의 일부를 차지하지만, 대부분의 경우 이러한 애플리케이션이 너무나 깊숙이 제품과 서비스에 통합되어 있어 사용자는 배경에서 수행되고 있는 복잡한 데이터 처리 과정을 인식하지 못합니다. 이러한 예 중 몇 가지는 다음과 같습니다.

법 집행
 

딥 러닝 알고리즘은 거래 데이터를 분석 및 학습하여 사기 또는 범죄 활동일 가능성이 있는 위험한 패턴을 찾아낼 수 있습니다. 음성 인식, 컴퓨터 비전 및 기타 딥 러닝 애플리케이션은 음성 및 비디오 레코딩, 이미지, 문서에서 패턴과 증거를 추출하여 수사를 위한 분석의 효율성과 효과성을 높일 수 있습니다. 이를 통해 법 집행 기관은 대량의 데이터를 더 빠르고 정확하게 분석할 수 있습니다.

금융 서비스
 

금융 기관은 일상적으로 예측 분석을 활용하여 알고리즘 기반 주식 거래를 지원하고, 대출 승인 시 비즈니스 리스크를 평가하며, 사기를 감지하고, 고객의 신용 및 투자 포트폴리오 관리를 돕습니다.

고객 서비스
 

많은 조직이 고객 서비스 프로세스에 딥 러닝 기술을 활용합니다. 챗봇—다양한 애플리케이션, 서비스, 고객 서비스 포털에 사용되며, 간단한 형태의 AI입니다. 기존의 챗봇은 콜센터와 같은 메뉴에서 흔히 볼 수 있는 자연어 그리고 심지어 시각 인식 기술도 사용합니다. 하지만, 더 첨단화된 챗봇 솔루션 은 학습을 통해 모호한 질문에 대한 답변이 여러 개 있는지 결정하려고 합니다. 수신한 응답들을 기반으로 챗봇은 직접 질문에 답하려고 하거나 대화를 인간 사용자에게 넘깁니다.

Apple의 Siri, Amazon의 Alexa 또는 Google Assistant와 같은 가상 비서는 음성 인식 기능을 활용하여 챗봇의 개념을 확장합니다. 이를 통해 맞춤화된 방식으로 사용자를 응대하는 새로운 방식을 제공합니다.

의료
 

병원 기록과 영상이 디지털화된 이래로 의료 산업은 딥 러닝 기능으로부터 큰 도움을 받았습니다. 영상 인식 애플리케이션은 의료 영상 촬영 전문가와 방사선 전문가가 더 짧은 시간 동안 더 많은 영상을 분석하고 처리할 수 있도록 돕습니다.

딥 러닝에는 엄청난 컴퓨팅 성능이 요구됩니다. 고성능 GPU(graphical processing unit) 는 엄청난 메모리로 여러 코어에서 대량의 계산을 처리할 수 있으므로 딥 러닝에 이상적입니다. 그러나, 온프레미스에서 여러 GPU를 관리하려면 내부 리소스에 큰 부담을 주고 확장할 때 비용이 매우 많이 들 수 있습니다.