인공지능기초_01_AI의 정의와 역사

1. 인공지능의 계층적 정의

인공지능은 보통 큰 범주에서 작은 범주로 내려가며 이해하면 정리가 쉽다.

1.1. 인공지능(Artificial Intelligence)

인공지능은 인간의 판단과 문제 해결 방식을 소프트웨어로 구현한 기술 전반을 말한다. 자율주행이나 챗봇처럼 복잡한 시스템만 뜻하는 건 아니다. 규칙 기반으로 움직이는 단순 자동화도 넓게 보면 인공지능 범주에 들어간다.

1.2. 머신러닝(Machine Learning)

머신러닝은 데이터를 바탕으로 모델이 패턴을 학습해 문제를 풀게 만드는 방식이다. 개발자가 규칙을 전부 직접 적는 대신, 데이터를 통해 모델이 기준을 익히도록 만든다는 점이 핵심이다.

1.3. 딥러닝(Deep Learning)

딥러닝은 머신러닝의 하위 분야다. 인공신경망을 여러 층으로 쌓아 복잡한 패턴을 학습한다. 한동안 인공신경망이라는 이름으로 불리던 흐름이 딥러닝이라는 이름으로 다시 주목받으면서 지금의 용어가 널리 자리 잡았다.

2. 인공지능의 역사와 발전(History of AI)

2.1. 1차 AI 붐(1st Boom)과 암흑기

• 퍼셉트론(Perceptron, 1958): 프랭크 로젠블렛이 제안한 초기 인공신경망 모델이다. 인간 뉴런 구조를 본떠 입력값에 가중치를 곱하고, 활성화 함수를 거쳐 신호를 전달하는 방식으로 설계됐다.
• 한계점: 마빈 민스키는 퍼셉트론이 XOR처럼 선형 분리가 안 되는 문제를 풀지 못한다는 점을 수학적으로 짚었다. 이 한계가 크게 부각되면서 약 10년 동안 첫 번째 AI 암흑기가 이어졌다.

2.2. 2차 AI 붐(2nd Boom)과 암흑기

• 다층 퍼셉트론(Multi-Layer Perceptron): 제프리 힌튼 등은 퍼셉트론을 여러 층으로 쌓아 비선형 문제를 다룰 수 있게 만들었다. 특히 역전파 알고리즘이 자리 잡으면서 심층 신경망 학습이 가능해졌다.
• 전문가 시스템(Expert System): 특정 분야의 규칙과 지식을 입력해 판단을 내리게 만드는 방식도 이 시기에 크게 주목받았다.
• 한계점:
  • 기울기 소실(Vanishing Gradient): 신경망이 깊어질수록 역전파 과정에서 오차 정보가 앞단으로 제대로 전달되지 않아 학습이 멈추는 문제가 생겼다.
  • 전문가 시스템의 구조적 한계: 로직이 단순한 조건문 중심이라 복잡한 현실 문제를 다루기 어려웠다. 결국 두 번째 암흑기로 다시 접어들었다.

2.3. 3차 AI 붐(3rd Boom)과 현재

딥러닝이라는 이름이 확산된 뒤, AI는 지금까지 이어지는 세 번째 부흥기에 들어섰다. 이 흐름을 키운 요인은 크게 네 가지다.

1. 컴퓨팅 파워: GPU 성능이 크게 좋아졌고 저장 장치 용량도 늘었다.
2. 알고리즘 개선: ReLU 같은 활성화 함수와 초기화 기법이 등장하면서 기울기 소실 문제가 완화됐다.
3. 브랜딩 효과: 인공신경망보다 딥러닝이라는 이름이 더 강하게 받아들여지면서 관심이 다시 커졌다.
4. 빅데이터: 인터넷 확산으로 대규모 학습 데이터를 확보하기 쉬워졌다.

3. 이미지넷(ImageNet)과 CNN의 발전

페이페이 리가 주도한 이미지넷 프로젝트는 2만 2천 개 클래스와 1,500만 장이 넘는 이미지를 구축하며 AI 발전의 기반이 됐다. 이후 이를 바탕으로 ILSVRC 대회가 열리면서 이미지 분류 성능 경쟁이 본격화됐다.

• AlexNet (2012): 제프리 힌튼 팀이 만든 모델로, 오답률을 28%에서 16.6%까지 낮추며 딥러닝 시대를 본격적으로 열었다.
• VGGNet (2014): 네트워크 깊이를 더 늘려 오답률을 7.3%까지 끌어내렸다.
• ResNet (2015): 잔차 학습 개념을 도입해 더 깊은 구조에서도 학습이 가능하도록 개선했다. 오답률 3.57%를 기록해 당시 인간 인식 성능보다 낮은 오류율을 보였다.

4. 알파고(AlphaGo) 모멘텀

2016년에는 구글 딥마인드의 알파고가 이세돌 9단을 꺾으면서 AI에 대한 대중 인식이 크게 바뀌었다. 경우의 수가 매우 많은 바둑에서도 강화학습과 딥러닝으로 인간 최고 수준을 넘어설 수 있다는 점을 보여 준 상징적인 사건이었다.