일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 | 31 |
- flex
- 리액트
- react next
- 폼 입력 바인딩
- SCSS import
- vue mixin
- Vue
- 이벤트 수식어
- SCSS extend
- 프로그래머스 데브코스 프론트엔드
- vue 이벤트 수신
- netlify redirect
- 다른컴퓨터에서 git사용
- 프로그래머스 프론트엔드 데브코스
- 쌓임맥락
- nextjs사용법
- 고양이 사진 검색기
- SCSS use
- 리스트 렌더링
- KDT 프로그래머스
- 프로그래머스 K_Digital Training
- vue 지역 컴포넌트
- vuex map
- intersection opserver
- postcss
- KDT 프로그래머스 데브코스 프론트엔드
- Spacer
- SCSS forward
- git 같은계정 다른 컴퓨터
- 프로그래머스 데브코스
- Today
- Total
혼자 적어보는 노트
[책 리뷰] 이것이 인공지능이다 본문
인공지능이 세상을 바꾸고, 긍정적인 방향으로 활용되느냐 그렇지 않느냐는 그 기술을 개발하는 사람들의 손에 달린 것이 아니라 그것을 이해하고 활용하는 평범한 사람들에 의해 결정된다.
종이 사용량의 증가
컴퓨터의 보급으로 종이 소비량이 감소할 거라는 전망이 있었으나 오히려 종이 사용량이 폭발적으로 증가했다.
컴퓨터가 보급되기 전에는 10가지의 일을 할 때 1장의 종이를 썼다면 일이 가짓수가 늘어나서 200가지의 일을 하면서 10% 정도의 종이가 필요해졌기 때문이다. 이처럼 인공지능을 활용하여 인간이 할 수 있는 일과 양의 범위가 커지면서 사람이 할 수 있는 영역또한 늘어날 것이다.
IT, DT, 빅데이터
IT와 컴퓨터 공학을 동일시 하는 사람들이 있지만 사실 IT가 조금 더 큰 개념이다.
정보 기술을 일컫으며 컴퓨터와 관련이 없는 IT로는 문헌 정보학, 금속활자 인쇄술 등이 있다.
IT에서의 information은 무작위 데이터가 아닌 사람이 선별하여 쓸모있는 정보로 판단된 데이터이다.
100개의 수집된 데이터에서 쓸모있는 10개를 선별한다면 10개만 information이다.
반면 100개의 데이터를 모두 저장한다면 DT이다. 그리고 이 100개의 데이터 전체를 빅데이터(올데이터)라고 부른다. 빅데이터는 데이터 양으로 구분하는 것이 아니라 전체 데이터 중 일부를 information으로 선별했는지 여부에 따라 구분된다.
빅데이터가 필요한 이유?
모든 데이터를 사람이 판단하고 분석하기에 양이 너무 많고, 사람의 논리로 해석을 할 경우 사람이 염두를 한 부분만 선별되어 그 외의 데이터에 의미있는 메시지나 패턴 있을 경우 놓치게 되기 때문이다.
머신러닝
인공지능의 큰 양대 축은 전문가 시스템과 머신러닝이다.
- 전문가 시스템: 데이터를 전문가들의 지식 체계에 따라 정리한 후 정리된 데이터를 기반으로 훈련시킨다. 그렇기 때문에 성능을 비교적 빨리 올리는 것이 가능하다.
- 머신 러닝: 모든 데이터를 지속적으로 넣어주어 학습을 시킨다. 처음에는 성능이 뛰어나지는 않지만 지속적인 학습으로 전문가 시스템보다 뛰어난 성능을 보인다.
예를 들면 영어 학원을 다니면서 영문법을 익히는 것을 전문가 시스템이라고 한다면, 아이들이 부모의 말을 따라하면서 자연스럽게 모국어를 익히게 되는 것을 머신러닝이라고 할 수 있다.
딥러닝
머신러닝의 수많읜 기법 중 하나로 “인공 신경 회로망”이 있는데 10년간의 침체기를 극복하고 발전하여 "딥러닝"이라는 이름으로 변경했다.
에이전트 훈련
인공지능이 개념이라면 실체화된 존재가 에이전트다.
에이전트를 훈련시키는 과정은 데이터 수집 → 전처리 → 훈련 으로 이루어진다.
- 데이터 수집 (Data Mining) : 훈련 데이터를 확보하는 과정. 웹크롤링, 파싱, 센싱 등을 통해 수집.
- 데이터 전처리 : 수집한 데이터를 전처리하는 과정. 결측치 처리와 정규화 등의 작업을 통해 훈련하기에 용이한 데이터를 만듦.
- 에이전트 훈련: 기본적인 뼈대에 해당하는 모델 제공 후 훈련 데이터를 지속적으로 입력.
통계, 머신러닝, 딥러닝
무조건 머신러닝, 딥러닝을 사용하는 것만이 좋은 해결 방법은 아니다.
확률을 예측하는 문제를 통계적인 방법과 머신러닝, 딥러닝으로도 풀 수 있지만 상황에 따라 통계를 활용하는 방법이 나을 수도 있다.
정보(information)이 충분하고 크기 형태가 정해져 있는 정형데이터의 비율이 높을 수록 통계 > 딥러닝이 아닌 머신러닝 > 딥러닝 순으로 좋고 인포메이션이 부족하고 비정형 데이터의 비율이 높을수록 반대가 유리하다.
통계로 충분하지 않은 경우에 머신러닝으로, 머신러닝으로도 부족한 경우 딥러닝을 사용해야한다.
인공지능의 성과 평가
인공지능의 결과가 100% 정확해야한다는 생각을 가지는 것은 옳지 않다. 기존 방법과 인공지능의 방법을 비교한 후 큰 폭으로 개선이 되는지, 인공지능을 학습시키는데 소요되는 시간과 비용을 들여서 적용하는 것이 의미가 있는지를 비교해봐야한다.
암 진단, 유죄 판결과 같이 틀리면 안되는 경우 정밀도를 기준으로 성능을 평가하고 택시 기사에게 손님을 태울 확률이 높은 지역을 알려주는 경우와 같이 틀려도 피해를 보지 않는 경우 재현율로 성능을 평가한다.
그리고 정밀도와 재현율을 쓰기 애매한 경우에는 조화평균을 기준으로 평가한다.
인간적인 오류의 가치
인간은 인공지능과 다르게 완벽하지 않은 오류를 가지고 있다. 인간의 오류를 흉내내기 위해 인공지능의 결과에 확률적인 오류를 추가하는 시도를 하지만 인간의 오류와는 다르다. 인간의 오류는 확률적으로 발생하는 일이 아니기 때문이다.
머신러닝은 인간의 감정을 흉내낼 뿐 인간과 같은 감정이 있을 수 없다. 자신의 존재가 유한하다고 생각하지 않기 때문에 인간처럼 한번의 창조에 혼신의 힘을 기울이지도 않고, 수십억번의 시도 중 최선의 결과만 찾으면 된다고 생각하기 때문이다.
그렇기 때문에 인공지능을 활용하면서 사람만이 가능한 능력으로 채워주어야 한다.
느낀 점
밀리에서 다음 읽을 책을 찾던 중 그냥 눈에 들어와서 큰 고민없이 읽게된 책이다.
인공지능이라는 키워드가 화두에 올랐던 때, 사람을 대체하여 할 수 있는 일들을 인공지능에게 맡기게 되면 사람은 지금보다 삶의 질이 올라가겠지? 하면서도 그렇다면 사람이 할 수 있는 일은 얼마나 있을까? 라는 생각을 종종 한 적 있었는데 그래서 그런지 무의식적인 생각으로 클릭하게되지 않았나 싶다.
책에서는 인공지능에 대한 저자의 생각이라기 보다는 인공지능에 대해 깊지 않은 범위 내에서 설명해주는 정도라 기본 상식 정도를 익히는 목적으로 읽기에 충분했다. 읽고 나서 알았는데 2020년에 출간한 책이라 나온지는 좀 됐다. 이때보다 지금이 더 많이 발전했을테니 또 다른 내용이 추가되야 할지도?
그간 인공지능에 대해 제대로 알고 있진 못했는데 얕게라도 알게 된 기분이다. 기계와 컴퓨터가 도입되면서 많은 직업들이 사라지고 새로 생긴 것 처럼 앞으로의 인공지능 시대에서 어떠한 변화가 올 지 궁금하다. 또한 변화하는 시대를 살아가기 위해 나의 가치를 올릴 방법을 강구해야할 듯 하다.
'책 리뷰' 카테고리의 다른 글
[책 리뷰] 용의자 X의 헌신 (0) | 2024.01.30 |
---|---|
[책 리뷰] 인류세: 인간의 시대 (0) | 2024.01.24 |
[책 리뷰] 신경 끄기의 기술 (0) | 2024.01.09 |
[책 리뷰] 딥 워크 (1) | 2024.01.02 |
[책 리뷰] 꿀벌의 예언 1, 2 (0) | 2023.10.16 |