인공지능 설명 및 역사

인공지능 개요와 간단한 이야기

10년 전만 해도 이사회실에서 '인공지능'이라는 용어를 언급했다면 비웃음을 받았을 가능성이 크다. 대부분의 사람들에게 그것은 2001: A Space Odyssey's HAL 또는 Star Trek's Data와 같은 지각 있는 공상 과학 기계를 떠올리게 할 것이다.오늘날 그것은 비즈니스와 산업에서 가장 인기 있는 유행어 중 하나이다. 인공지능 기술은 조직이 지속적으로 증가하고 있는 데이터 생성 및 수집량을 활용하기 위해 스스로 입지를 굳히면서 오늘날 일어나고 있는 디지털 전환의 많은 부분을 뒷받침하는 중요한 핵심 요소다. 그렇다면 이러한 변화는 어떻게 생겨난 것일까? 부분적으로 그것은 빅 데이터 혁신 그 자체 때문이다. 데이터의 과잉으로 인해 데이터의 처리, 분석 및 조치가 가능한 방법에 대한 연구가 강화되었다. 이 작업보다 훨씬 더 인간에게 적합한 기계들은 가능한 한 "스마트한" 방법으로 이것을 하도록 기계를 훈련시키는 데 초점을 맞추었다. 학계, 산업계, 그리고 중간에 자리 잡은 오픈소스 커뮤니티에서 이 분야에 대한 연구에 대한 관심이 증가하면서 엄청난 변화를 일으킬 수 있는 잠재력을 보여주고 있는 돌파구와 진보를 이끌어냈다. 헬스케어부터 자율주행차까지 법적 소송 결과 예측까지, 지금은 아무도 웃지 않고 있다! 인공지능을 정의하는 개념은 시간이 지나면서 바뀌었지만 핵심에는 인간처럼 생각할 수 있는 기계를 만들자는 생각이 늘 있었다. 결국 인간은 우리 주변의 세계를 해석하고 우리가 포착한 정보를 효과적으로 변화시킬 수 있는 독특한 능력을 증명해 왔다. 우리가 이것을 더 효율적으로 하기 위해 기계를 만들고 싶다면, 우리 자신을 청사진으로 사용하는 것이 타당하다 그렇다면 인공지능은 컴퓨터의 디지털 이진법 논리를 사용하여 추상적이고 창의적이며 연역적인 사고, 특히 학습 능력을 시뮬레이션하는 것으로 생각할 수 있다. 인공지능에 대한 연구 개발 작업은 두 갈래로 나뉜다. 하나는 인간의 사고를 시뮬레이션하는 이러한 원리를 사용하여 하나의 특정한 임무를 수행하기 위해 "응용된 인공지능"라고 불린다. 다른 하나는 "일반화된 AI"로 알려져 있는데, 이 인공지능은 사람처럼 어떤 일에나 손을 돌릴 수 있는 기계 지능을 개발하려고 한다. 응용, 전문화된 인공지능에 대한 연구는 이미 수십억 개의 아원자 입자로 구성된 시스템의 행동을 모델링하고 예측하는 양자물리학에서 유전 데이터를 기반으로 환자를 진단하는 의학에 이르기까지 연구 분야에서 획기적인 발전을 제공하고 있다. 업계에서는 고객이 어떤 서비스를 필요로 할지를 예측해 구입 전부터 고객 서비스 개선까지 다양한 용도로 금융권에 채용하고 있다. 제조에서는 작업자와 생산 공정을 관리하고 결함이 발생하기 전에 예측하기 위해 사용되므로 예측 유지보수가 가능하다. 소비자 세계에서는 우리가 일상생활에 채택하고 있는 기술은 점점 더 많은 인공지능에 의해 작동되고 있다. 애플의 Siri와 구글의 Google Assistant와 같은 스마트폰 보조자들로부터, 많은 사람들이 우리 일생 동안 수동 운전 자동차를 능가할 것으로 예측하고 있다 일반화된 인공지능은 좀 더 떨어져 있다 – 인간의 뇌를 완전히 시뮬레이션하려면 현재 우리가 가지고 있는 것보다 장기에 대한 더 완전한 이해와 연구자들이 일반적으로 이용할 수 있는 것보다 더 많은 컴퓨팅 능력이 필요하다. 그러나 컴퓨터 기술이 발전하고 있는 속도에 비추어 볼 때 그것은 오랫동안 걸리지 않을것이다 다. 신경동형 프로세서로 알려진 새로운 세대의 컴퓨터 칩 기술은 뇌-시뮬레이터 코드를 보다 효율적으로 실행하도록 설계되고 있다. 그리고 IBM의 왓슨 인지 컴퓨팅 플랫폼과 같은 시스템들은 인간의 신경학적 과정에 대한 높은 수준의 시뮬레이션을 사용하여, 특정한 방법을 배우지 않고 계속해서 증가하는 범위의 작업을 수행한다. 이러한 모든 진보는 인간의 사고 과정을 모방하는 데 초점을 맞추었기 때문에 가능해졌다. 최근 몇 년간 가장 많은 성과를 거두고 있는 연구 분야는 '기계학습'으로 알려지게 된 분야다. 사실 현대 인공지능에 없어서는 안 될 정도로 '인공지능'과 '기계학습'이라는 용어가 번갈아 쓰이기도 한다. 그러나 이것은 언어의 부정확한 사용이며, 그것을 생각하는 가장 좋은 방법은 머신러닝이 인공지능의 더 넓은 분야에서 현재의 최첨단 기술을 대변한다는 것이다. 기계학습의 기초는 모든 것을 차근차근 가르쳐야 하기보다는 기계들이 우리처럼 생각하도록 프로그래밍할 수 있다면 우리가 하는 것처럼 그 실수를 관찰하고 분류하고 학습함으로써 일을 배울 수 있다는 것이다. 신경과학을 IT 시스템 아키텍처에 적용함으로써 인공신경망의 발달이 이루어졌으며, 비록 이 분야의 작업이 지난 반세기 동안 진화해 왔지만, 가장 오래된 컴퓨터들을 제외한 모든 사람들이 일상적인 작업으로 작업할 수 있게 된 것은 최근의 일이다. 그것은 아마도 가장 큰 활성화 요인은 주류 사회가 디지털 세계와 합병한 이후 분출된 데이터의 폭발적 증가일 것이다. 우리가 소셜 미디어에서 공유하는 것에서부터 연결된 산업 기계에 의해 생성된 머신 데이터까지 이러한 데이터의 가용성은 컴퓨터가 이제 그들이 더 효율적으로 배우고 더 나은 결정을 내리도록 돕기 위해 이용할 수 있는 정보의 세계를 갖게 된다는 것을 의미한다. 특히 기업은 서로 다른 지역과 사업부에 걸쳐 저장된 수십만 개의 데이터셋을 기반으로 신속하고 효율적으로 의사 결정을 내릴 수 있는 방법이 필요하다. 이는 머신러닝(machine learning)이 빅 데이터의 볼륨, 속도 및 다양성을 해결하는 데 필요한 확장성을 제공함으로써 도움이 될 수 있는 부분이다.