TechHolic
2 years ago10,000+ Views
인간과 인공지능이 바둑 대결을 펼치면서 인공지능 그리고 머신러닝(Machine Learning)에 대한 관심이 높아지고 있다. 머신러닝은 인공지능을 구현하기 위한 학습, 훈련을 말한다. 데이터를 분석해서 특정 패턴을 발견하고 이를 학습하는 모델을 구축하는 기술을 말하는 것. 주어진 데이터에서 일반화된 지식을 추출하는 걸 목표로 한다. 이세돌 9단과 바둑 대결을 펼치는 딥마인드의 알파고도 그렇지만 구글은 인공지능 분야에 상당한 투자와 관심을 보이고 있다. 구글에서 딥러닝 리서치팀인 구글브레인을 맡고 있는 제프 딘(Jeffrey Dean) 구글 시니어 펠로우는 정확하게 설명하기는 어렵지만 구글 내 딥러닝 적용 비중은 최소 20∼50%가 될 것이라면서 하지만 이 비중은 빠르게 늘어나는 추세라고 밝혔다. 구글은 실제로 검색이나 G메일, 유튜브와 구글맵, 안드로이드 등 자사 제품 상당수에 머신러닝 기법을 적용하고 있다. 지난해 선보인 G메일의 인박스에는 스마트 리플라이라는 기능이 들어갔다. 머신러닝을 이용한 자동 응답 기능이다. 메일을 수신하면 알맞은 회신 사례를 자동 생생해 추천해주는 것이다. 제프 딘은 아직 5개월 밖에 지나지 않았지만 스마트폰을 이용해 G메일로 답신하는 사람 중 10%가 스마트 리플라이를 활용하고 있다고 설명했다. 랭크브레인(Rankbrain)은 구글 검색 결과값에 우선순위를 부여해주는 기능. 여기에도 심층신경망 DNN(Deep Neural Network)을 이용한 검색 순위가 반영된다. 제프 딘은 이 기능 역시 구글 검색에 반영되는 100가지 지표 가운데 3번째로 중요한 역할을 할 뿐 아니라 지난 2년간 구금 검색 순위 향상에 첫 번째로 기여한 중요한 기능이라고 밝혔다. 음성 인식과 이미지 인식 같은 분야도 마찬가지. 제프 딘은 머신러닝이 헬스케어나 로보틱스 같은 분야에도 크게 기여할 것이라고 밝혔다. 실제로 구글은 로봇 분야에도 머신러닝을 접목하기 위한 연구를 진행 중이다. 그는 로봇 팔의 경우 임의로 어떤 물건을 잡을 때 어떤 각도로 잡아야 할지가 중요하다면서 이런 분야에도 머신러닝을 적용하는 연구를 하고 있다고 밝혔다. 로봇 팔은 카메라 입력값을 이용해 물건을 잡을 때마다 자가 학습을 해 어떻게 물건을 잡아야 할지 학습하게 되는 것이다. 구글이 머신러닝에 주목하는 이유는 2가지. 머신러닝이 기존 구글 서비스나 제품에 대한 개선이나 보강 역할을 해 사용자 편의성을 높여주거나 새로운 분야에 대한 진출 기회를 만들어줄 것으로 기대한다는 것이다. 제프 딘은 구글번역을 예로 들면서 번역 결과에 대한 만족감이 떨어질 수 있는데 DNN을 구글 번역에 추가할 준비를 하고 있다고 밝히기도 했다. 이를 통해 번역 품질을 높여 사용자 편의성을 확보하겠다는 것이다. 제프 딘은 또 구글이 몇 주 전 머신러닝 기술을 외부에서도 이용할 수 있게 API로 공개하는 구글 클라우드 비전 API(Google Cloud Vision API) 베타버전을 출시했을 뿐 아니라 지난해 11월 인공지능 엔진인 텐서플로우를 오픈소스로 공개하는 등 머신러닝 분야 발전에도 기여하고 있다는 점을 강조했다. 물론 머신러닝은 여전히 진행형이다. 제프 딘은 머신러닝의 해결 과제로 2가지로 꼽았다. 머신러닝은 크게 감독학습과 비감독학습으로 나눌 수 있다. 감독학습이란 인간이 개입해서 컴퓨터에게 대상물에 대한 정보를 사전에 알려주고 컴퓨터가 자가 학습을 하는 방식을 말한다. 마치 차를 타고 가는 부모와 아이를 예로 들 수 있다. 부모는 인간, 아이는 컴퓨터라고 생각할 수 있다. “엄마. 이게 트럭이야?”라고 물어보면 “이건 세단이야” 라는 식으로 감독을 해주는 식인 것. 반면 비감독학습은 인간이 전혀 개입하지 않는 학습 방식이다. 그는 머신러닝의 첫 번째 과제로 수많은 비감독 데이터와 소수의 감독 데이터를 결합해서 결과를 도출해야 한다는 것을 들었다. 다음은 신경망 구조 자체를 컴퓨터가 스스로 만들 수는 없다는 것이다. 변형할 수 없다는 것이다. 관련 내용은 이곳( http://googleresearch.blogspot.kr/2016/03/deep-learning-for-robots-learning-from.html )에서 확인할 수 있다.
0 comments
Suggested
Recent
12
Comment
12