AI, 머신러닝, 딥러닝 간의 관계와 차이점
[개념 정리]
- Artificial Intelligence (AI)
- '인공지능'이라는 용어를 만든 존 매카시 (John McCarthy)는 인텔리전트한 기계를 만드는 과학과 공학 (the science and engineering of making intelligent machines)' 이라고 정의함.
- AI는 ANI, AGI 2가지로 나뉨.
- ANI (Artificial Narrow Intelligence): Do one thing very well, e.g. smart speaker, self-driving car, web search, AI in farming and facotires. , 현재 산업에서 활용되고 있는 AI
- AGI (Artificial General Intelligence): Do anything a human can do, 인간이 하는 행동을 할 수 있고, 혹은 인간보다 더 뛰어난 능력을 가짐.
- AI를 학습하는 방법 => 머신러닝
- Machine Learning
- AI를 달성하기 위한 수단
- 기계를 학습하기 위해서 다양한 방법이 있고, 유명한 2가지가 있음.
- Unsupervised learning: Group and interpret data based only on input data
- Supervised learning: Develop predictive model based on both input and output data
- Deep Learning
- Machine Learning을 달성하기 위한 수단
- neural network 이용함. 사람의 뇌처럼 작동하는 알고리즘.
머신러닝과 딥러닝의 차이
딥러닝은 머신러닝에 속하기 때문에, 일반적으로 머신러닝과 딥러닝을 비교한다는 것은
- 전통적인 머신러닝 (SVM, Decision Tree, kNN, Linear Regression 등)과
- 딥러닝 (CNN, RNN, MLP)을 비교한다는 의미.
전통적인 머신러닝과 딥러닝은 다음의 4가지 차이가 있음.
1. 데이터와 성능
- 데이터 양에 따른 모델의 성능.
- 데이터의 양이 많지 않다면 전통적인 머신러닝이 학습하는데 시간도 빠르고, 성능도 잘 나오는 경우가 많음.
- 만약 데이터 양이 많아진다면, 전통적인 머신러닝은 성능이 어느정도까지 밖에 오르지 않지만, 딥러닝은 성능이 더 뛰어나짐.
2. 하드웨어
- 딥러닝은 많은 데이터가 있으면 좋은 성능을 낼 수 있기 때문에 그만큼 고사양의 하드웨어가 필요함.
- CPU, GPU, TPU
3. 학습 시간
- 데이터 양이 많아지면 많아질수록 학습에 시간이 오래 걸림. 따라서 전통적인 머신러닝보다 딥러닝이 학습시간이 더 오래 걸림.
- e.g. 머신러닝은 몇 초~몇 시간, 딥러닝은 ~몇 주
4. Feature extraction
- 머신러닝에서는 feature extraction을 사람이 작업한 후, 학습시키지만,
- 딥러닝에서는 feature extration이 학습하는 과정에서 자체적으로 일어남.
