딥 러닝과 머신러닝이 같은 의미로 사용되는 경향이 있으므로, 이 둘 사이의 미묘한 차이를 알아볼 만한 가치가 있습니다. 머신러닝, 딥 러닝 그리고 신경망은 모두 인공지능의 하위 분야입니다. 그러나 신경망은 사실 머신러닝의 하위 분야이고, 딥 러닝은 신경망의 하위 분야입니다.

딥 러닝과 머신러닝의 차이점은 각 알고리즘의 학습 방법에 있습니다. "딥" 머신러닝은 레이블링된 데이터 세트를 활용(감독형 학습이라고도 부름)하여 자체 알고리즘을 결정할 수 있지만, 레이블링된 데이터 세트가 반드시 필요하지는 않습니다. 딥 러닝은 원시 형식(예: 텍스트, 이미지)으로 비정형 데이터를 수집할 수 있으며, 서로 간에 상이한 데이터 카테고리를 구분하는 특성 세트를 자동으로 판별할 수 있습니다. 이 덕분에 인간의 개입이 필요 없게 되고 대규모 데이터 세트를 사용할 수 있습니다. Lex Fridman이 MIT 강연(01:08:05)(IBM 외부 링크)에서 설명한 대로 딥 러닝을 "확장형 머신러닝"으로 생각할 수 있습니다.

고전적인 혹은 "딥이 아닌" 머신러닝은 학습을 위해 인간의 개입에 보다 많이 의존합니다. 전문가들은 입력 데이터 사이의 차이점을 파악하기 위한 특성 세트를 판별하며, 일반적으로 이를 위해서는 학습을 위한 정형 데이터가 더 많이 필요합니다.

신경망 또는 인공 신경망(ANN)은 하나의 입력 계층, 하나 이상의 은닉 계층 및 하나의 출력 계층을 포함하는 노드 계층으로 구성됩니다. 각 노드 또는 인공 뉴런은 다른 노드에 연결되며, 연관된 가중치와 임계값을 갖습니다. 개별 노드의 출력이 지정된 임계값을 초과하면 해당 노드가 활성화되어 데이터를 네트워크의 다음 계층으로 보냅니다. 그러지 않으면, 해당 노드에 의해 네트워크의 다음 계층으로 데이터가 전달되지 않습니다. 딥 러닝에서 "딥"이라는 단어는 신경망의 계층 수를 의미합니다. 입력과 출력이 포함될 수 있는 3개 이상의 계층으로 구성된 신경망은 딥 러닝 알고리즘 또는 심층 신경망으로 간주될 수 있습니다. 3개의 계층만 있는 신경망은 기본 신경망에 불과합니다.

딥 러닝과 신경망은 컴퓨터 비전, 자연어 처리 및 음성 인식과 같은 영역에서 프로세스를 가속화한다고 인정받습니다.

다양한 개념들이 어떻게 관련되는지 자세히 살펴보려면 블로그 게시물 "AI와 머신러닝, 딥 러닝, 신경망: 차이점"을 참조하세요.

UC Berkeley(IBM 외부 링크)는 머신러닝 알고리즘의 학습 시스템을 세 가지 주요 부분으로 구분합니다.

1. 의사결정 프로세스: 일반적으로, 머신러닝 알고리즘은 예측 또는 분류를 수행하는 데 사용됩니다. 레이블링되거나 레이블링되지 않을 수 있는 일부 입력 데이터를 기반으로, 알고리즘은 데이터의 패턴에 대한 추정치를 생성합니다.
2. 오차 함수: 오차 함수는 모델의 예측을 평가합니다. 알려진 사례가 있는 경우, 오차 함수는 비교를 통해 모델의 정확도를 평가할 수 있습니다.

1. 모델 최적화 프로세스: 모델이 훈련 세트의 데이터 포인트에 더 잘 적합화될 수 있으면, 가중치가 조정되어 알려진 사례와 모델 추정치 간의 차이를 줄여줍니다. 알고리즘은 이러한 "평가 및 최적화" 프로세스를 반복하여 정확성의 임계값이 충족될 때까지 가중치를 자동으로 업데이트합니다.  

머신러닝 모델은 세 가지 기본 범주로 나뉩니다.

감독형 머신러닝            

감독형 머신러닝이라고도 하는 감독형 러닝은 레이블링된 데이터 세트를 사용하여 데이터를 분류하거나 정확하게 결과를 예측하는 알고리즘을 훈련시키는 것으로 정의됩니다. 입력 데이터가 모델에 공급되면 적절하게 적합화될 때까지 모델은 해당 가중치를 조정합니다. 이러한 활동은 모델이 과대적합 또는 과소적합을 피할 수 있도록 하는 교차 검증 프로세스의 일부로 이루어집니다. 감독형 러닝은 기업들이 다양한 실제 문제들(예: 받은 편지함에서 별도의 폴더로 스팸을 분류함)을 적절하게 해결할 수 있도록 지원합니다. 감독형 러닝에서 사용되는 일부 방법에는 신경망, 나이브 베이즈(naïve bayes), 선형 회귀 , 로지스틱 회귀, 랜덤 포레스트, SVM(Support Vector Machine) 등이 포함됩니다.

비감독형 머신러닝

비감독형 머신러닝이라고도하는 비감독형 러닝은 머신러닝 알고리즘을 사용하여 레이블링되지 않은 데이터 세트를 분석하고 클러스터링합니다. 이 알고리즘은 인간의 개입 없이도 숨겨진 패턴이나 데이터 그룹핑을 감지합니다. 정보에서 유사점과 차이점을 찾아낼 수 있기 때문에 이 방법은 탐색형 데이터 분석, 교차 판매 전략, 고객 세분화, 이미지 및 패턴 인식에 매우 이상적입니다. 또한 이 방법은 차원축소 프로세스를 통해 모델에서 특성의 수를 줄이는 데 사용됩니다. 주성분분석(PCA)과 특이값 분해(SVD)는 이를 위한 일반적인 접근법 두 가지입니다. 비감독형 러닝에서 사용되는 기타 알고리즘에는 신경망, k-평균 클러스터링, 확률적 클러스터링 방법 등이 포함됩니다.

반감독형 러닝 

반감독형 러닝은 감독형 및 비감독형 러닝 간의 적절한 타협점을 제공합니다. 훈련 중에, 이는 레이블링된 보다 작은 데이터 세트를 사용하여 레이블링되지 않은 보다 큰 데이터 세트에서 분류 및 특징 추출을 유도합니다. 반감독형 러닝은 감독형 러닝 알고리즘을 위한 레이블링된 데이터가 충분하지 않을 때 문제를 해결할 수 있습니다. 또한 충분한 데이터를 레이블링하는 데 비용이 너무 많이 들 경우 유용합니다. 

이러한 접근 방식의 차이점을 자세히 알아보려면 "감독형 학습과 비감독형 학습: 차이점"을 확인하세요.

강화형 머신러닝은 감독형 머신러닝과 유사한 머신러닝이지만, 알고리즘이 샘플 데이터를 사용하여 훈련되지 않습니다. 이 모델은 시행착오를 통해 학습합니다. 주어진 문제에 대한 최상의 추천을 제안하거나 정책을 개발할 수 있도록 일련의 성공적 결과가 강화됩니다.

2011년에 Jeopardy! 챌린지에서 우승한 IBM® Watson 시스템이 좋은 예입니다. 이 시스템은 강화형 러닝을 사용하여 답변을 시도할지(또는 질문할지) 여부, 보드에서 어떤 사각형을 선택할지 여부 그리고 베팅 규모(특히 복승식에서)를 결정합니다.

강화형 러닝에 대해 자세히 알아보세요.          

많은 머신러닝 알고리즘이 일반적으로 사용됩니다. 예를 들면 다음과 같습니다.

• 신경망: 신경망은 엄청나게 많은 수의 연결된 프로세싱 노드로 인간 두뇌의 작동 방식을 모방합니다. 신경망은 패턴 인식에 뛰어나며, 자연어 번역, 이미지 인식, 음성 인식 및 이미지 생성과 같은 응용 분야에서 중요한 역할을 수행합니다.

• 선형 회귀: 이 알고리즘은 다양한 값의 선형적 관계를 기반으로 숫자 값을 예측하는 데 사용됩니다. 예를 들면 이 기법은 특정 지역의 과거 데이터를 기반으로 주택 가격을 예측하는 데 사용될 수 있습니다.

• 로지스틱 회귀: 이 감독형 러닝 알고리즘은 질문에 대한 "예/아니요" 답변과 같은 범주적 응답 변수에 대한 예측을 수행합니다. 이러한 알고리즘은 스팸 분류 및 생산 라인의 품질 관리와 같은 응용 분야에 사용될 수 있습니다.

• 클러스터링: 비감독형 러닝을 사용하여 클러스터링 알고리즘은 데이터의 패턴을 찾아내어 그룹화할 수 있습니다. 컴퓨터는 인간이 간과한 데이터 항목들 사이의 차이를 식별하여 데이터 사이언티스트를 도울 수 있습니다.

• 의사결정 트리: 의사결정 트리는 숫자 값 예측(회귀) 및 데이터 범주 분류 모두에 사용될 수 있습니다. 의사결정 트리는 트리 다이어그램으로 표현할 수 있는 연결된 의사결정의 분기 시퀀스를 사용합니다. 의사결정 트리의 장점 중 하나는 신경망의 블랙 박스와 다르게 쉽게 검증하고 감사할 수 있다는 것입니다.

• 랜덤 포레스트: 랜덤 포레스트 머신러닝 알고리즘은 여러 의사결정 트리에서 얻은 결과를 결합하여 값 또는 범주를 예측합니다.

다음은 매일 일상에서 접할 수 있는 머신러닝의 일부 예입니다.

음성 인식: 자동 음성 인식(ASR), 컴퓨터 음성 인식 또는 음성-텍스트 변환으로도 알려져 있으며, 자연어 처리(NLP)를 사용하여 인간의 음성을 문자 형식으로 변환하는 기능을 말합니다. 많은 모바일 디바이스가 음성 검색을 수행하거나(예: Siri) 문자 메시지 전송의 접근성을 높이기 위해 시스템에 음성 인식 기능을 통합합니다.

고객 서비스: 온라인 챗봇은 고객 여정에서 인간 상담원을 대체하고 있으며, 웹사이트 및 소셜 미디어 플랫폼 전반에서 고객 관계 관리에 대한 우리의 생각을 바꾸고 있습니다. 챗봇은 배송과 같은 주제에 대한 자주 묻는 질문(FAQ)에 답하거나 맞춤화된 조언을 제공하여 제품을 교차 판매하거나 사용자에게 사이즈를 추천합니다. 그 예로는 전자상거래 사이트의 가상 상담원, Slack 및 Facebook Messenger를 사용하는 메시징 봇, 가상 어시스턴트와 음성 어시스턴트가 일반적으로 수행하는 작업 등이 있습니다.

컴퓨터 비전: 이 AI 기술을 사용하여 컴퓨터는 디지털 이미지, 비디오 및 기타 시각적 입력 정보에서 의미 있는 정보를 추출한 다음 적절한 조치를 취할 수 있습니다. 컨볼루션 신경망 기반의 컴퓨터 비전은 소셜 미디어의 사진 태깅, 의료 분야의 방사선 촬영, 그리고 자동차 산업의 자율주행차 등에 적용됩니다. 

추천 엔진: 과거의 소비 행태 데이터를 사용하는 AI 알고리즘은 보다 효과적인 교차 판매 전략의 개발에 사용할 수 있는 데이터 트렌드를 발견하는 데 도움이 됩니다. 이러한 접근법은 결제 프로세스 동안 고객에게 관련 제품을 추천하기 위해 온라인 소매업체가 활용합니다.

자동 주식 거래: 주식 포트폴리오를 최적화하도록 설계된 AI 기반의 빈도가 높은 거래 플랫폼은 사람의 개입 없이도 하루에 수천 건 또는 수백만 건의 거래를 체결합니다.

사기 탐지: 은행과 기타 금융 기관은 머신러닝을 활용하여 의심스러운 거래를 찾아낼 수 있습니다. 감독형 학습은 알려진 사기성 거래에 대한 정보를 활용하여 모델을 훈련시킬 수 있습니다. 이상 탐지는 이례적으로 보이기 때문에 추가 조사가 필요한 거래를 찾아낼 수 있습니다.

머신러닝 기술이 발전함에 따라, 확실히 우리의 삶은 보다 편리해졌습니다. 그러나, 기업에서 머신러닝을 구현하는 일은 AI 기술을 둘러싼 다수의 윤리적 문제들을 제기하기도 합니다. 이를테면 다음과 같은 이점이 있습니다.

기술적 특이점

이 주제는 대중의 많은 관심을 끌지만, 많은 연구자들은 가까운 또는 임박한 미래에 인간의 지능을 능가하는 AI라는 생각에는 별로 관심이 없습니다. 기술적 특이점은 강한 AI 또는 초지능이라고도 부릅니다. 철학자 Nick Bostrum은 초지능을 "과학적 창의성, 일반적인 지혜 및 사회적 기술을 포함하여 거의 모든 분야에서 가장 뛰어난 인간의 두뇌를 훨씬 능가하는 모든 지능"으로 정의합니다. 초지능이 당장 우리 사회에 구현되지 않겠지만, 자율주행차와 같은 자율형 시스템의 사용을 생각하면 이러한 개념들은 흥미로운 질문들을 던집니다. 무인주행차도 사고를 낼 수 있다고 생각하는 것이 현실적이지만, 그러한 상황에서 누구가 법적 책임을 져야 할까요? 자율주행차를 그래도 개발해야 할까요? 아니면 인간이 안전하게 운전하도록 돕기만 하는 반자율주행차 기술만 개발해야 할까요? 이 질문에 대한 답은 아직 결정되지 않았지만, 새롭고 혁신적인 AI 기술이 발전하면서 이러한 유형의 윤리적 논쟁이 계속되고 있습니다.

일자리에 대한 AI 영향

인공지능과 관련하여 많은 대중들의 관심사가 일자리 소멸에 집중되어 있지만 이 우려 사항은 다른 시각에서 조명되어야 할 것입니다. 파괴적인 신기술이 등장할 때마다 특정 직업에 대한 시장 수요가 변하는 것을 볼 수 있습니다. 예컨대 자동차 산업을 살펴보면, GM과 같은 많은 제조업체들이 친환경 이니셔티브에 편승하여 전기자동차 생산에 주력하고 있습니다. 에너지 산업은 사라지지 않지만, 에너지원은 화석 연료 경제에서 전기 경제로 이동하고 있습니다.

이와 유사하게 인공지능은 직업에 대한 수요를 다른 영역으로 이동시킬 것입니다. AI 시스템을 관리할 사람이 필요할 것입니다. 일자리 수요의 변화에 따라 가장 영향을 받을 가능성이 높은 업종 내에서도 보다 복잡한 문제를 해결하기 위한 사람은 여전히 필요합니다(예: 고객 서비스). 인공지능과 취업 시장에 인공지능이 줄 영향과 관련하여 가장 큰 과제는 사람들이 수요가 많은 새로운 역할로 이동하도록 돕는 것일 것입니다.

개인 정보 보호

개인 정보 보호는 데이터 개인 정보 보호, 데이터 보호, 데이터 보안 측면에서 논의되는 경향이 있습니다. 이러한 우려 사항으로 인해 정책 입안자들은 최근 몇 년간 큰 진전을 이루었습니다. 예를 들어, 2016년에 GDPR 법안이 유럽 연합 및 유럽 경제 지역 국민들의 개인 데이터를 보호하기 위해 제정되었으며, 개인들이 자신의 데이터를 보다 잘 통제할 수 있게 되었습니다. 미국에서는 각 주마다 CCPA(California Consumer Privacy Act) 등의 정책을 개발 중입니다. CCPA는 기업들에게 데이터 수집에 관해 소비자들에게 정보를 제공하도록 요구합니다. 이와 같은 법규 때문에 기업들은 개인 식별 정보(PII)의 보관 및 사용 방법에 대해 다시 생각해야 했습니다. 그 결과, 보안에 대한 투자는 감시, 해킹 및 사이버 공격과 관련한 취약성과 기회를 차단하고자 하는 기업들에게 점점 더 중요한 우선순위가 되고 있습니다.

편견과 차별

다수의 머신러닝 시스템에서 관찰된 편견과 차별의 사례들은 인공지능의 사용과 관련한 많은 윤리적 질문을 제기했습니다. 훈련 데이터 자체를 편견이 있는 인간이 만들 수도 있는데 이 경우 편견과 차별을 어떻게 방지할 수 있을까요? 기업들은 일반적으로 선의의 의도를 갖고 자동화 노력을 기울이지만, Reuters(IBM 외부 링크)는 AI를 채용 절차에 도입하면서 나타나는 예상치 못한 일부 결과에 주목하고 있습니다. 프로세스의 자동화와 간소화를 추진하는 과정에서 Amazon은 의도치 않게 기술직을 채용할 때 성별을 기준으로 지원자를 차별했으며 결국 그 프로젝트를 폐기해야 했습니다. Harvard Business Review(IBM 외부 링크)는 구직 지원자를 평가할 때 어떤 데이터를 사용할 수 있어야 하는지 등과 같이 채용 업무에 AI를 사용하는 것에 대한 다른 날카로운 질문을 제기했습니다.

편견과 차별은 인사 관리 업무에만 국한되지 않습니다. 안면 인식 소프트웨어부터 소셜 미디어 알고리즘에 이르기까지 다양한 응용 분야에서 확인할 수 있습니다.

기업들이 AI로 인한 리스크를 보다 많이 인식하게 됨에 따라, AI 윤리와 가치에 대한 논의도 더욱 활발해졌습니다. 예를 들면, IBM은 범용 안면 인식 및 분석 제품을 단계적으로 폐기했습니다. IBM CEO Arvind Krishna는 이렇게 적었습니다. "IBM은 다른 공급업체가 제공하는 안면 인식 기술을 포함하여 군중 감시, 인종 프로파일링, 기본적 인권과 자유의 침해 또는 IBM의 가치와  신뢰와 투명성의 원칙에 위배되는 모든 목적을 위한 기술의 사용에 확고하게 반대하며 이러한 기술의 사용을 용인하지 않을 것입니다."

신뢰성

AI 사용 관행을 규제하는 중요 법안이 없으므로, 윤리적 AI가 사용되도록 보장하는 실질적인 집행 방법이 없습니다. 기업들이 윤리적으로 행동하게 하는 현재의 유인책은 비윤리적 AI 시스템을 사용할 경우 수익에 부정적 영향이 발생한다는 사실입니다. 이러한 간극을 메우기 위해, 윤리적 프레임워크가 사회 내에서 AI 모델의 구축과 보급을 통제하기 위한 윤리학자와 연구자들 간의 협업의 일환으로 탄생했습니다. 그러나 현재로서는 이러한 프레임워크는 지침만을 제시할 뿐입니다. 일부 연구(IBM 외부 링크)(PDF, 1MB)는 분산된 책임과 잠재적 대가에 대한 예측 부재는 사회에 대한 해악을 방지하는 데 도움이 되지 않음을 보여줍니다.

AI 윤리에 대한 IBM의 입장에 대해 자세히 알아보세요.

MLOps는 머신러닝과 운영(Operations)의 합성어로, 머신러닝 기술과 운영을 통합하여 머신러닝 모델을 효율적으로 관리하고 개발하여 운영하는 것을 의미합니다. 따라서, 개발과 운영을 따로 하는 것이 아니라 개발과 운영을 동시에 수행할 수 있는 방향으로 나아가는 것을 목표로 합니다. 이 원칙은 머신러닝 모델을 개발하고 배포하여 서비스를 제공하고 운영하는 모든 단계를 포함합니다.

MLOps 특징

1. 자동화된 모델 빌드 및 학습
2. 버전 관리
3. 코드 관리
4. 자동화된 테스트 및 검증
5. 모델 배포 및 관리
6. 감시 및 로깅
7. 보안 및 규정 준수
8. 협업과 지식 공유

MLOps와 DevOps의 차이

공통점: 둘 다 어떤 대상을 개발과 운영을 분리하지 않고, 개발과 운영을 통합적으로 관리하는 데 중점을 둡니다. 이로써 개발과 운영 간의 커뮤니케이션을 간소화하고, 프로세스 및 업무의 효율성을 극대화하여 성공적인 업무를 수행하는 것을 목표로 합니다.

차이점: 주요 차이점은 개발의 대상입니다. MLOps는 주로 머신러닝에 국한되어 있지만, DevOps는 모든 종류의 소프트웨어 개발을 포괄적으로 다룹니다.

MLOps의 조건

1. 지속적 통합 (Continuous Integration, CI)
2. 지속적 배포/제공 (Continuous Deployment/Delivery, CD)
3. 지속적 학습 (Continuous Training, CT)