인공지능은 기본적으로 데이터를 기반하여 학습합니다. 다만, 그 과정이 모델 종류와 방식에 따라 다를 뿐, 데이터를 분석하여 학습하는 방법은 유사합니다. 학습방식 중에는 크게 세 가지로 나눌 수 있으며 감독 학습, 비감독 학습, 강화학습이 대표적입니다.
감독 학습(Supervised Learning)개념
감독 학습 방식은 정답을 바탕으로 학습하여 특정 작업을 수행할 수 있도록 훈련을 시키는 방법입니다.
예를 들면 이미지 분류 분야에서 활용할 수 있죠.
고양이 사진과 강아지 사진을 학습하게 하여 구별하도록 학습을 시켜 분류를 할 수 있습니다. 이미 고양이와 강아지는 구분되어 있으니 분류 작업에 인공지능을 사용하는 것이죠.
음성을 인식할 때도 활용할 수 있습니다.
사람의 말을 녹음한 정보를 사용하여 인공지능에게 사람의 말을 문자로 변환시키는 훈련을 할 수 있습니다. 따라서 사람 말의 데이터가 충분하면 그만큼 정확한 텍스트로 변환을 할 수 있겠죠.
감독학습 작동 방식 개념
- 새로운 데이터가 입력되면 학습된 모델을 통해 예측을 합니다.
- 그 예측 결과를 정답과 비교하여 오류를 계산하고 오류를 최소화할 수 있도록 모델을 갱신하는 방식으로 작동됩니다.
감독학습을 할 수 있는 대표 모델
- 선형 회귀 모델을 통해 주택가격 예측이나 금융 시장 예측 분야에 활용할 수 있습니다.
- 로지스틱 회귀 모델을 사용하여 스팸메일이나 신용카드 사기 감지 등의 분야에 사용될 수 있죠.
- 결정 트리 모델 분야는 의사 결정을 지원할 수 있으며, 이상 탐지도 가능한 분야입니다.
- 인공 신경망 모델은 이미지를 인식하거나 자연어 처리를 통해 보다 정확한 결과값을 만들어 낼 수 있습니다.
비감독 학습(Unsupervised Learning) 개념
비감독 학습 방식은 학습하는 데이터에 정답이 없고 인공지능 스스로 데이터의 패턴을 스스로 찾아내어 결과를 도출하는 학습 방법입니다.
예를 들면, 판매 회사에서 타겟팅이 필요할 때 고객을 세분화하는 과정에서 인공지능이 사용될 수 있습니다. 고객의 구매내역, 연령, 성별 등을 많은 데이터를 활용하여 고객을 유형별로 구분할 수 있죠.
또한, 추천 시스템에서도 활용할 수 있는데 예를 들면 영화 시청자의 영화 시청 기록을 활용하여 유저들에게 영화를 추천할 수 있도록 학습을 시켜 고객 맞춤형 추천을 할 수 있습니다.
비감독학습 작동 방식 개념
- 정답이 없는 학습 데이터를 사용하여 그 안에서 데이터의 패턴을 스스로 찾아냅니다.
- 데이터의 유사성, 구조를 분석하여 그룹화, 시각화를 할 수 있는 방식으로 작동됩니다.
비감독학습을 할 수 있는 대표 모델
- 평균 군집화 모델 : 고객을 세분화하거나 판매 시장을 조사할 때 사용할 수 있습니다.
- 계측 군집화 모델 : 고객을 그룹화하거나 그 데이터를 분석할 때 사용할 수 있습니다.
- GMM(혼합 가우시안) 모델 : 데이터 분포를 분석하거나 사람들의 소비 패턴을 인식하여 카드 사용 이상 탐지를 할 수도 있습니다.
강화 학습(Reinforcement Learning) 개념
강화 학습 방식은 인간이 경험을 통해 배우듯이 인공지능 스스로 시행착오를 통해 스스로 학습하는 방식입니다. 인공지능 스스로 내놓은 결과에 포인트를 차감하거나 보상을 주는 방식을 통해 수많은 시행착오를 유도합니다. 그 학습과정을 거쳐 높은 정확성의 결과를 제공할 수 있죠.
강화학습 작동 방식 개념
- 정해진 모델 룰에 따라 스스로 행동을 선택합니다.
- 그 행동의 결과물에 대해 포인트 차감 혹은 포인트 보상을 제공합니다.
- 그 단계를 반복적으로 학습하여 최적의 결과를 제공하는 방식으로 작동됩니다.
강화학습을 할 수 있는 대표 모델
- 게임 플레이 : 인공지능이 스스로 게임을 하면서 전략을 짜고 승리하도록 학습시킬 수 있습니다.
- 로벳 제어 : 로봇이 주어진 작업을 수행할 수 있도록 학습을 시킬 수 있죠.
- Q러닝 모델: 자율 주행 자동차나 로벳제어 분야에 활용할 수 있습니다.
- DQN 모델 : 딥러닝을 기반으로 하는 강화학습을 할 수 있는 모델입니다.
결국 특정 문제와 목표에 따라 학습방법과 모델이 달라지기 때문에, 무언가를 자동화하고 결과물을 얻기 위해서는 최적의 인공지능 학습방식을 선택하는 것도 중요할 수 있습니다.