교양으로서의 인공지능

저자의 글 | 누구나 쉽게 이해하는 인공지능

제1장. 뉴 노멀, 인공지능이 온다
코로나19로 인한 거대한 변화
왜 인공지능을 이해해야 하는가?
인공지능 시대, 기업의 적자생존

제2장. 인공지능이란 무엇인가?
인공지능의 탄생
인공지능의 역사, 빙하기를 넘어서

제3장. 어떻게 기계학습으로 인공지능이 가능할까?
데이터를 습득, 예측하고 문제를 해결한다
지도학습, 답을 안다
비지도학습, 답을 모른다
강화학습, 보상을 통해 답을 찾는다

제4장. 인공지능 알고리듬 쉽게 이해하기
최적의 회귀선을 추적한다
오차를 최소한으로 줄이는 경사하강법
분류 방식의 기계학습
질문을 통해 예측치를 찾는 의사결정트리
중첩된 필터로 연산하여 정확도를 높이는 합성곱 신경망

제5장. 센서 데이터를 이용한 인공지능
외부 환경의 다양한 정보를 활용한 상황 예측
엄청난 양의 데이터를 단순하게 구분한다

제6장. 텍스트 언어처리 인공지능
텍스트를 활용한 자연어 처리 학습
텍스트 자연어 처리는 어느 분야에 쓰일까?

제7장. 음성인식을 활용한 인공지능
말하는 의미를 파악하고 결과를 예측한다
다양한 모드를 이용한 언어 처리
사람의 목소리로 출력한다

제8장. 거래 데이터를 활용한 인공지능
거래에서 발생한 데이터로 학습한다
금융 분야에서 더 활발한 인공지능
성공과 실패, 관계 데이터를 기반으로 분류한다
소비자 선호의 역동성을 탐지한다
사회와 자연재해 위험을 조기 경보한다

제9장. 인공지능에게 데이터란?
빅데이터와의 상관관계
가치 창출 메커니즘
학습에 사용되는 데이터
확장성, 역동성, 설명력을 갖춘 데이터 관리
데이터를 확보할 때 고려해야 할 사항

제10장. 인공지능으로 경영하라
인공지능을 활용한 제품 개발과 조직 운영
어떻게 실제 업무개선에 적용할 수 있을까?

제11장. 인공지능과 인간이 만드는 미래
설명력이 더해진 인공지능의 등장
알고리듬의 편향성
개인정보를 침해하거나 무단으로 도용한다면?
인공지능이 인류의 종언을 가져올까?
통제 불가능한 디지털 독점
고용은 줄고 직업이 사라진다?

부록
미주

나는 2019년 10월 22일, 세계적인 안면인식 인공지능 업체인 센스타임(Sense Time) 상해 지사에서 충격적인 현실을 목도했다. 상해 지사에 근무하는 2,800명 직원 중 2,500명이 인공지능 솔루션 개발 엔지니어인 점도 놀라웠지만, 파이썬(python) 프로그래밍을 기술한 중학생용 《인공지능입문》과 인공지능의 핵심 개념들을 수학적으로 기술한 고등학생용 《인공지능기초》를 출간하고 이것을 상해에 있는 중학교 및 20개 고등학교에서 교과서로 채택하고 있어 매년 2,000명에 가까운 고교생들이 현재 한국 석사과정 정도에서 배우는 인공지능 지식을 갖춘 채 졸업한다는 것이다. 이와는 대조적으로, 2019년 11월에 제조업 품질개선을 지도하는 경영학과 및 산업공학과 교수님 180명을 대상으로 품질토크쇼를 진행하면서 ‘경사하강법’이나 ‘서포트 벡터 머신’의 개념을 알고 있는 분들을 현장에서 파악했더니 5명 정도에 불과했다. _ <저자의 글> 중에서

기계학습은 인공지능의 부분 집합으로 간주되고 있다. 기계학습은 더 많은 데이터나 경험을 바탕으로 주어진 과제의 수행성과를 개선하는 시스템이다. 기계학습 알고리듬의 과업은 입력 데이터를 기반으로 패턴이나 데이터 간의 상호관계를 파악하는 모델을 구축하여 예측을 하거나 현상을 설명하는 것이다. 인간의 경우 어린 시절부터 반복적인 학습을 하면서 인지를 활용하여 같은 사물의 형체나 패턴이 변하더라도 동일한 것으로 인지할 수 있다. 기계학습/머신러닝은 데이터의 패턴이나 기저에 내재한 속성을 구분하는 데 있다. 훈련데이터를 특정 알고리듬에 반복하여 학습시킨 후 새로운 모델을 만든다. 다음 단계로 이 모델에 과거에 전혀 보지 못했던 새로운 데이터를 입력하면 어떤 패턴이 나올 것인지 예측하게 된다. 이것이 결과값이다. 이러한 결과값을 바탕으로 행동 대안을 선택하고 문제를 해결할 수 있다. _ <제3장. 어떻게 기계학습으로 인공지능이 가능할까?> 중에서

의사결정트리의 단점은 훈련데이터에 너무 잘 맞는 과적합이 되는 경향이 있다. 여러 개의 의사결정트리를 통해 랜덤 포레스트(random forest[무작위의 숲])를 만들면 과적합의 단점을 해결할 수 있다. 예를 들면, 어떤 사람의 암 발병률을 예측하는 데 있어서 수많은 속성을-성별, 나이, 몸무게, 근육량, 운동 정도, 스트레스 정도, 가족력, 과거 유사질병을 앓은 경험, 항체 보유 여부, 설탕 섭취량, 수면 시간, 근무 환경, 건강검진 주기 등 13가지-감안하여 배깅을 한다면 거의 100퍼센트에 가깝게 예측을 할 수 있다. 과적합이 일어나서 데이터 포인트를 분류하는 선이 지그재그하거나 구불구불하게 그려져서 훈련데이터(training data)의 특성은 잘 반영하지만 검증 데이터(test data)를 사용하는 경우, 훈련된 모델이 맞지 않아 의사결정이나 예측을 하기가 오히려 어려워져서 쓸모가 낮아진다. 특히 기계학습에서 수많은 구분 규칙(rule)을 적용하는 경우 과적합이 일어나기 쉽다. 너무 제한적이거나 너무 유연한 학습 모델을 사용하지 않는 것이 데이터 사이언스의 핵심 중 하나다. _ <제4장. 인공지능 알고리듬 쉽게 이해하기> 중에서