인공 지능의 물결이 세계를 휩쓸고 있으며, 인공 지능 (인공 지능), 기계 학습 (기계 학습), 딥 러닝 (딥 러닝) 등 많은 단어가 항상 우리 귀에 남아 있습니다. 많은 사람들이 항상이 고주파 단어의 의미와 그 뒤에있는 관계에 대해 모호한 이해를 가지고 있습니다. 이 기사는이 단어의 의미를 가장 간단한 언어로 명확히하여 모든 사람이 그들 사이의 관계를 더 잘 이해하는 데 도움이 될 수 있습니다.
자동차에서 스마트폰, 디지털 어시스턴트, 심지어 로봇까지. 우리는 매일 등장하는 획기적인 새로운 기능에 대해서만 이야기하는 것이 아닙니다. 또한 장치, 컴퓨터 및 기계가 모두 지능적으로 작업을 수행하고 있습니다. 그들은 어떻게합니까? — 인공 지능, 일명 AI를 통해.
"인공 지능"이라는 용어는 인지 과학자 존 매카시(John McCarthy)가 그의 저서에서 처음 만들었다: "이 연구는 모든 학습 행동이나 다른 지적 특성이 원칙적으로 정확한 묘사가 될 수 있다는 가정에 기초하고 있으며, 따라서 기계를 시뮬레이션하기 위해 기계가 만들어질 수 있다." 그 이후로 인공 지능은 사람들의 마음을 괴롭 히고 과학 연구 실험실에서 천천히 부화했습니다. 그 후 수십 년 동안 인공 지능은 양극성을 뒤집어 놓았거나 인간 문명의 눈부신 미래에 대한 예언이라고 불리거나 기술 미치광이의 환상으로 쓰레기 더미에 던져졌습니다. 2012 년까지 두 목소리는 동시에 존재했습니다.
그림 | 인공 지능 연구 지점
2012년 이후 데이터 양의 증가, 컴퓨팅 파워의 향상, 새로운 머신러닝 알고리즘(딥러닝)의 등장 덕분에 인공지능이 폭발적으로 증가하기 시작했다. 그러나 현재의 과학 연구 작업은 약한 인공 지능 부분에 집중되어 있으며 가까운 장래에 큰 돌파구가 마련 될 것으로 매우 희망합니다. 영화에서 인공 지능의 대부분은 강력한 인공 지능을 묘사하고 있으며,이 부분은 현재의 현실 세계에서 달성하기가 어렵습니다. (인공 지능은 일반적으로 약한 인공 지능과 강한 인공 지능으로 나뉩니다. 전자는 기계가 관찰하고 인식 할 수있는 능력을 가질 수있게하고 일정 수준의 이해와 추론을 달성 할 수있게 해주는 반면, 강력한 인공 지능은 기계가 적응 능력을 습득하고 이전에 직면 한 문제가 없었던 몇 가지 문제를 해결할 수있게합니다.
약한 인공 지능은 돌파구를 마련 할 것으로 예상되며, 어떻게 달성되며, "지능"은 어디에서 왔습니까? 이것은 주로 인공 지능에 대한 한 가지 접근 방식 인 기계 학습 덕분입니다.
우리는 세 가지 사이의 관계를 시각화하기 위해 가장 간단한 방법을 사용합니다.
인공지능
간단히 말해서, 인공 지능은 기계가 주변 세계와 상호 작용하는 다양한 방법을 설명합니다. 인간과 같은 첨단 지능을 갖춘 AI 기계 또는 장치는 소프트웨어와 하드웨어의 결합 된 효과를 통해 인간의 행동을 모방하거나 인간과 같은 작업을 수행 할 수 있습니다.
오늘날 우리는 음성 인식 (스마트 개인 비서 장치에 사용됨), 얼굴 인식 (현재 소셜 미디어에서 인기있는 필터에 사용됨) 또는 객체 인식 (예 : 사과 및 오렌지 사진 검색)과 같은 인공 지능에 대해 많이 볼 수 있습니다.
기계 학습
기계 학습은 컴퓨터 프로그램보다는 "학습"을 강조하는 인공 지능의 접근 방식 또는 하위 집합입니다. 기계는 복잡한 알고리즘을 사용하여 많은 양의 데이터를 분석하고, 데이터의 패턴을 식별하고, 예측을 수행하는데, 이는 사람이 기계의 소프트웨어에 특정 명령을 작성할 필요가 없는 프로세스입니다. 크림 퍼프를 오렌지색으로 착각한 후, 시스템의 패턴 인식은 실수로부터 배우고 인간처럼 스스로를 교정함에 따라 시간이 지남에 따라 향상됩니다.
딥 러닝
딥 러닝은 컴퓨터 지능에서 큰 발전을 이끌어내는 기계 학습의 하위 집합입니다. 심층 신경망을 시뮬레이션하기 위해 많은 데이터와 컴퓨팅 성능을 사용합니다. 기본적으로 이러한 네트워크는 인간 두뇌의 연결을 모방하여 데이터 세트를 분류하고 이들 사이의 상관 관계를 발견합니다. 새로 학습한 지식(사람의 개입 없이)을 통해 기계는 통찰력을 다른 데이터 세트에 적용할 수 있습니다. 기계가 처리하는 데이터가 많을수록 예측이 더 정확해집니다.
예를 들어, 딥 러닝 장치는 과일의 색상, 모양, 크기, 숙성 시간 및 기원과 같은 빅 데이터를 검사하여 사과가 녹색 사과인지 오렌지인지 오렌지인지 정확하게 판단 할 수 있습니다.
AI, 기계 학습 및 딥 러닝의 차이점은 사과와 오렌지만큼 명확하지 않으며 더 미묘합니다. 기계 학습은 인공 지능을 달성하는 방법이며 딥 러닝은 기계 학습을 달성하는 기술입니다. 이제 그들 사이의 차이점을 이해합니까?

