인공지능 관련 글에는 항상 복잡하게 생긴 뉴럴 네트워크가 등장합니다. 뉴럴 네트워크는 인공지능 연구의 날개가 되어준 기술입니다. 예전에는 해결이 불가능했던 문제에 뉴럴 네트워크 기술을 적용하면 마법과 같은 결과물이 나오고는 합니다.
뉴럴 네트워크는 생각하는 특성보다는 기억을 잘 하는 특성을 가진 기술이며, 데이터 사이의 연관 관계를 기억하는데에 사용됩니다. 조금 더 복잡하게 말하면 데이터 사이의 연관 관계를 나타내는 수식을 찾아내는데에 사용됩니다.
데이터 사이의 연관 관계
예를 들어 x=(1,2,3,4,5)와 y=(2,4,6,8,10)의 데이터 묶음이 있습니다. 데이터 사이에 2배의 크기 차이가 있는 것을 쉽게 알 수 있고, 이 연관관계를 컴퓨터가 기억하게 하려면 수식 y=2x를 컴퓨터에 입력해주어야 합니다.
(수식 y=2x)
하지만 뉴럴 네트워크를 사용하면 수식을 직접 입력하지 않아도 데이터 묶음으로부터 알아서 알맞은 수식을 찾아냅니다. 뉴럴 네트워크의 신경처럼 복잡하게 엮여있는 구조는 복잡한 수식을 표현할 수 있는 잠재력이 있습니다. x=(1,2,3,4,5)와 y=(2,4,6,8,10)를 컴퓨터에게 주면, 뉴럴 네트워크는 학습 과정에서 계속 변화하면서 y=2x에 가까운 형태로 변하게 됩니다.
이렇게 뉴럴 네트워크가 저절로 알맞은 수식의 형태로 변하는 능력은 데이터 묶음이 아주 복잡할때 큰 장점을 가집니다. 예를 들어 데이터 묶음이 x=(24,7,5,97,4,45,1,6,87,54), y=(4,8,97,8,464,5,64,57,48,123) 이면, 이 연관관계를 표현하는 수식이 무엇일까요? 이 관계를 표현하는 수식은 존재합니다. 하지만 쉽게 알아내는 것은 어렵습니다.
만약에 x,y가 천만개의 숫자로 표현되는 사진 데이터라면, 사람이 직접 수식을 찾아내서 컴퓨터에게 알려줄 수 있을까요? 거의 불가능에 가깝습니다.
이렇게 사람도 알 수 없을 만큼 복잡한 데이터들간의 연관관계를 뉴럴 네트워크가 찾아낼 수 있게 되면서, 수많은 가능성이 열렸습니다. 그동안 데이터가 복잡해서 응용에 한계가 있던 분야는 뉴럴 네트워크를 적용하면 성능이 엄청나게 좋아지게 되었습니다.
이미지 인식 모델, GPT-3와 같은 자연어 처리 모델, 알파고의 정책 네트워크 등은 이러한 뉴럴 네트워크 기술의 혜택을 크게 받은 연구들이며, 이외에도 수많은 곳에 응용되고 있습니다.
글을 마치며
뉴럴 네트워크는 데이터 간의 연관관계를 자동으로 찾아내고, 기억하기 위해서 데이터로부터 연관관계를 표현할 수 있는 특정한 수식을 자동으로 찾아내는 물건이라고 이야기할 수 있겠습니다.
이번 글에는 뉴럴 네트워크의 구성과 학습에 대한 설명이 부족하지만 뉴럴 네트워크를 학습시키는 방법에서 추가설명을 하였습니다.
댓글
댓글 쓰기