AI 개념 정리

 

 

1. AI의 계층 구조

인공지능 (Artificial Intelligence)

• 정의: 인간의 지능을 모방하는 모든 기술
• 범위: 가장 포괄적인 개념으로 ML과 DL을 모두 포함

머신러닝 (Machine Learning)

• 정의: 데이터 기반 방법론 (Data-Driven Methods)
• 특징: 명시적 프로그래밍 없이 데이터로부터 학습
• AI의 부분집합: AI ⊃ ML

딥러닝 (Deep Learning)

• 정의: 데이터 기반 심층 학습 방법론 (Data-Driven Deep Methods)
• 특징: 다층 신경망을 사용한 학습
• ML의 부분집합: ML ⊃ DL

 

2. 자동화의 진화

1차 혁명: 육체 노동의 자동화

• 산업혁명 시대의 기계화
• 물리적 작업의 기계 대체

2차 혁명: 정신 노동의 자동화

• 컴퓨터와 소프트웨어의 등장
• 계산과 정보처리 자동화

3차 혁명: 자동화의 자동화

• 머신러닝 혁명: 프로그래밍 자체를 자동화
• 데이터로부터 규칙을 자동으로 학습

 

3. 머신러닝 분류 체계

3.1 지도학습 (Supervised Learning)

특징: 정답이 있는 데이터로 학습

회귀 (Regression)

• 목적: 연속적인 값 예측
• 예시: 주택 가격 예측, 주가 예측
• 출력: 실수값

분류 (Classification)

• 목적: 카테고리 예측
• 예시: 이메일 스팸 분류, 이미지 인식
• 출력: 이산적 클래스

3.2 비지도학습 (Unsupervised Learning)

특징: 정답 없이 데이터의 패턴 발견

표현 학습 (Representation Learning)

• 목적: 데이터의 의미있는 특징 추출
• 방법: 차원 축소, 특징 추출
• 예시: PCA, Autoencoder

클러스터링 (Clustering)

• 목적: 유사한 데이터끼리 그룹화
• 방법: K-means, DBSCAN, 계층적 클러스터링
• 예시: 고객 세분화, 문서 그룹화

3.3 강화학습 (Reinforcement Learning)

특징: 시행착오를 통한 학습

• 핵심 요소:
  • Agent: 학습 주체
  • Environment: 상호작용 환경
  • State: 현재 상태
  • Action: 행동
  • Reward: 보상
• 예시: 게임 AI, 로봇 제어, 자율주행

 

4. 딥러닝 아키텍처

4.1 완전 연결 신경망 (Fully-Connected Networks)

• 구조: 모든 뉴런이 연결된 다층 퍼셉트론 (MLP)
• 특징: 범용적이지만 파라미터가 많음
• 용도: 테이블 데이터, 일반적인 회귀/분류

4.2 합성곱 신경망 (CNN)

• 구조: Convolution + Pooling 레이어
• 특징:
  • 지역적 패턴 감지
  • 파라미터 공유로 효율성 증가
  • 이동 불변성 (Translation Invariance)
• 용도: 이미지 인식, 컴퓨터 비전

4.3 순환 신경망 (RNN)

• 구조: 순환 연결로 시퀀스 처리
• 변형:
  • LSTM: 장기 의존성 학습
  • GRU: 간소화된 LSTM
• 용도: 시계열 예측, 자연어 처리

4.4 트랜스포머 (Transformer)

• 구조: Self-Attention 메커니즘
• 특징:
  • 병렬 처리 가능
  • 장거리 의존성 포착
  • 위치 인코딩 사용
• 모델 예시:
  • GPT 시리즈: 자동회귀 언어 모델
  • BERT: 양방향 인코딩
  • Vision Transformer: 이미지 처리

 

5. 핵심 학습 개념

5.1 손실 함수 (Loss Function)

• 역할: 예측과 정답의 차이 측정
• 종류:
  • MSE: 회귀 문제
  • Cross-Entropy: 분류 문제
  • Custom Loss: 특수 목적

5.2 최적화 (Optimization)

• 목적: 손실 최소화
• 방법:
  • Gradient Descent: 기본 경사하강법
  • SGD: 확률적 경사하강법
  • Adam: 적응적 학습률
  • RMSprop: 학습률 조정

5.3 정규화 (Regularization)

• 목적: 과적합 방지
• 기법:
  • L1/L2 정규화: 가중치 패널티
  • Dropout: 랜덤 뉴런 비활성화
  • Batch Normalization: 배치 정규화
  • Early Stopping: 조기 종료

5.4 과적합 vs 과소적합

• 과적합 (Overfitting):
  • 훈련 데이터에 과도하게 적응
  • 일반화 성능 저하
  • 해결: 정규화, 더 많은 데이터
• 과소적합 (Underfitting):
  • 모델이 너무 단순함
  • 패턴 학습 실패
  • 해결: 모델 복잡도 증가

 

6. 고급 주제

6.1 불확실성 정량화 (Uncertainty Quantification)

• 목적: 예측의 신뢰도 측정
• 방법:
  • Bayesian Neural Networks
  • Monte Carlo Dropout
  • Ensemble Methods

6.2 메타러닝 (Meta-Learning)

• 개념: 학습하는 방법을 학습
• 접근법:
  • Few-shot Learning: 적은 데이터로 학습
  • Transfer Learning: 지식 전이
  • Model-Agnostic Meta-Learning (MAML)

6.3 생성 모델 (Generative Models)

• VAE (Variational Autoencoder):
  • 확률적 잠재 공간
  • 재구성과 생성
• GAN (Generative Adversarial Networks):
  • Generator vs Discriminator
  • 적대적 학습
• Diffusion Models:
  • 노이즈 추가/제거 과정
  • 고품질 이미지 생성

6.4 설명가능한 AI (XAI)

• 목적: 모델의 결정 과정 이해
• 방법:
  • LIME: 지역적 해석
  • SHAP: Shapley 값 기반
  • Attention Visualization
  • Feature Importance

 

7. 학습 전략

7.1 데이터 준비

1. 수집: 충분한 양과 품질의 데이터
2. 전처리: 정규화, 결측치 처리
3. 증강: 데이터 다양성 증가
4. 분할: Train/Validation/Test

7.2 모델 선택

1. 문제 유형 파악: 회귀/분류/생성
2. 데이터 특성 고려: 이미지/텍스트/시계열
3. 복잡도 조절: 단순→복잡 점진적 접근

7.3 평가와 개선

1. 메트릭 선택: 정확도, F1-score, AUC
2. 검증 전략: Cross-validation
3. 하이퍼파라미터 튜닝: Grid/Random Search
4. 앙상블: 여러 모델 결합

 

8. 실무 적용 체크리스트

문제 정의

•  해결하려는 문제가 명확한가?
•  ML이 적합한 해결책인가?
•  성공 기준이 정의되었는가?

데이터 준비

•  충분한 데이터가 있는가?
•  데이터 품질이 검증되었는가?
•  레이블이 정확한가?

모델 개발

•  베이스라인 모델이 있는가?
•  적절한 평가 메트릭을 사용하는가?
•  과적합을 모니터링하는가?

배포와 운영

•  모델 성능을 지속 모니터링하는가?
•  데이터 드리프트를 감지하는가?
•  재학습 전략이 있는가?

 

9. 주요 용어 정리

• Epoch: 전체 데이터셋을 한 번 학습
• Batch: 한 번에 처리하는 데이터 묶음
• Learning Rate: 가중치 업데이트 크기
• Gradient: 손실 함수의 기울기
• Backpropagation: 오차 역전파
• Feature: 입력 데이터의 특성
• Label: 정답 데이터
• Inference: 학습된 모델로 예측
• Fine-tuning: 사전학습 모델 미세조정
• Embedding: 고차원 데이터의 저차원 표현