닥터 GPT-3
또는 '내가 어떻게 걱정을 멈추고 인공지능을 사랑하게 되었는가'
주요 정보
머신러닝은 생각보다 덜 무섭고, 더 흔합니다.
머신러닝 마법
우리는 이제 머신러닝(ML), 딥러닝, 인공지능에 대해 자주 듣게 됩니다 1.
검색 관심사에서:
책에 언급된 인물들:
로봇이 우리의 일을 장악했다는 신문 헤드라인에 대해:
머신러닝에 대한 관심이 높아지고 있고, 매일로 새로운 스타트업이 신기술 머신러닝 기술을 바탕으로 1억 달러를 모금하는 것 같습니다.
하지만 대부분의 사람들은 머신러닝을 마치 최첨단 스타트업만이 하는 마법처럼 여기며 위축됩니다. 수학이 부담스러울 수 있다는 점도 도움이 되지 않습니다:
오늘은 먼저 ML을 사용하는 회사를 살펴보고, 그 다음에 신경망이 어떻게 작동하는지 기본으로 설명해 보면서 ML에 대한 직관을 더 잘 이해할 수 있도록 돕고자 합니다. 이 글의 마지막에 제 목표는 누군가가 ‘ML’이라는 용어를 학교에서 너무 멋지게 여기는 것처럼 말할 때 덜 두려워하는 것입니다.
머신러닝 사례 연구
제가 ML을 사용하는 회사에 투자를 요청하러 왔다고 상상해 보세요. 제안은 다음과 같습니다:
“회사 M은 ML을 사용하고 optical character recognition (OCR) 입력 데이터를 수억 건의 기록과 순식간에 대조하는 것입니다. 이미 아마존, 미국 정부, 페덱스와 파트너십을 맺고 있습니다. M 회사는 연간 >1,000억 건의 거래가 가능하도록 확장했으며, 미국 전역으로 커버리지를 확장했습니다.”
흥미진진하게 들리죠? 몇몇 언어를 골라서 썼지만, 크게 다르지 않은 것 같아요 actual press releases by other companies:
“텍스트 인식을 위한 AI를 활용한 광학 문자 인식(OCR) 분야의 선도적인 스타트업인 Anyline이 시리즈 A 자금으로 1,070만 유로를 모금했습니다. 이미 도요타, IBM, 캐논, 유엔, 펩시코 등 대기업과 협력 중인 이 오스트리아 스타트업은 이 자금을 활용해 보스턴에 미국 첫 사무소를 열 예정입니다.”
하지만 다시 회사 M으로 돌아가서, OCR은 이미지를 보고 ML을 통해 그 내용을 인식하는 것을 의미합니다. 그들은 효율적이고 정확하며 대규모로 그렇게 하는 것 같습니다. 그들의 파트너십도 존경받는 것으로 보입니다. 아마도 기저귀를 차고 코딩을 시작한 스탠포드 졸업생들이 이끄는 유망한 유니콘이라고 생각할 겁니다.
투자하시겠습니까?
만약 네라고 했으면, 그냥 투자한 거죠 United States Postal Service.
정말로, 우체국은 오랫동안 ML을 사용해왔습니다. They started trialing it in 1997, and by 2014 were already mostly recognising addresses via ML algorithms. 당신이 상상했던 스타트업 고정관념과는 조금 다릅니다.
여기서 제 요점은 Anyline이나 비슷한 스타트업을 비난하려는 것이 아닙니다. 그들이 어려운 문제를 해결하고 있을 것이고, 단순한 과장이 아님을 확신합니다 2. 오히려 여러분께 깨닫게 하고 싶습니다 머신러닝은 평범해 보이는 상황에서 사용되고 있으며, 이미 한동안 그러해 왔습니다. 다음에 누군가가 ML에서 제안할 때는 이 점을 기억하세요.
머신러닝 직관
이제 머신러닝이 어디에 사용되는지 알았으니, 머신러닝이 어떻게 작동하는지 살펴보겠습니다. 저는 다음을 사용하겠습니다 neural network 하지만 머신러닝을 실행할 수 있는 다른 방법도 많습니다.
신경망은 뇌의 뉴런을 모델링하므로, 그 연결이 어떻게 작동하는지 이해하는 데 도움이 될 것입니다. 뉴런의 모습은 다음과 같습니다:
우리가 아직 aren’t quite sure how the brain works, a leading theory is that the neurons can take inputs, do some computation, and then send outputs. 3 두 뉴런이 상호작용하는 것을 단순화해서 표현하는 방법은 다음과 같을 수 있습니다. 원이 본체이고, 그 선이 다른 뉴런과 연결된 축삭이라고 상상해 보세요:
그리고 만약 세 쌍의 뉴런이 있다면, 다음과 같이 보일 수 있습니다:
그리고 만약 뉴런들이 서로 상호작용할 수 있다면, 이런 모습일 수 있습니다 4:
이 이미지가 컴퓨터와 머신러닝과 어떻게 연결될지 생각해보면서 기억해 봅시다.
간단한 수학 식을 가져와 봅시다. 예를 들어 2 x 3 = 6과 같이 말이죠. 입력 데이터로 “2”를, 수행하려는 함수를 “x 3”로, 출력 데이터로 “6”을 설정합시다. 이렇게 하면 다음과 같은 결과가 나옵니다:
입력 데이터가 하나 이상이라면 어떻게 될까요? (2 + 5) x 3 = 21을 할 수 있습니다. 이렇게 하면 다음과 같은 결과가 나옵니다:
그리고 다시 한 번 여러 입력에 상호작용하는 여러 함수를 결합할 수 있습니다. 예를 들면:
이것이 위의 뉴런 상호작용 도표와 비슷해 보이므로 ‘신경망’이라는 이름이 붙었습니다.
한 걸음 더 나아가 봅시다. 이전처럼 A, B, C 값이 있다고 상상해 보세요. 이번에는 값들이 다음을 나타냅니다 pixel values. 이 경우에는 3픽셀을 보고 있습니다.
비슷하게 그 데이터 포인트에 대해 어떤 수학 함수를 적용하면 X, Y, Z 출력을 얻을 수 있습니다. 지금은 정확히 어떤 수학 함수를 사용하는지는 무시하겠습니다 5하지만 데이터 포인트에서는 0 또는 1만 반환됩니다. 게다가 단일 “1”만 반환하고 나머지는 “0”이 됩니다. 여기서 출력은 예측된 알파벳을 나타내며, 그 원에서 “1”이 반환될 경우입니다.
이런 식으로 보입니다:
이 예시에서 원래 X로 표시된 출력에 대해 “1”이 반환되었고, 다른 출력들에 대해 “0”이 반환된 것을 볼 수 있습니다. 이는 우리가 주었던 3개의 픽셀(0, 100, 255)에서 받은 입력을 바탕으로 X가 예측된 값임을 의미합니다.
알파벳의 모든 글자와 필요한 만큼 입력 픽셀에 대해 이런 틀을 확장한다고 상상할 수 있습니다. 직관은 비슷하지만, 더 많은 단계가 필요하다는 점이 다릅니다. 예를 들어, 1000개의 픽셀 이미지를 바탕으로 26글자 중 하나를 예측하고 싶다면, 왼쪽에는 1000개의 입력, 오른쪽에는 26개의 출력이 필요합니다. 출력 중 1개만 ‘1’이 들어가고, 나머지는 ‘0’이 됩니다.
입력과 출력이 두 레이어에만 국한되지 않습니다. 왼쪽에서 입력을 받아 오른쪽으로 출력을 반환하는 ‘숨겨진 레이어’를 더 추가할 수도 있습니다. 함수를 마지막 레이어에서 ‘1’과 ‘0’으로 반환하도록 설정하면 충분합니다. 숨겨진 레이어는 무제한으로 존재할 수 있고, 각 레이어는 입력이나 출력과 같을 필요는 없으며,
그게 전부입니다! 여러분은 프로세스가 데이터 입력(예: 이미지의 픽셀 값)을 출력(알파벳과 주소)으로 변환하는 과정을 보셨습니다. 이제 대부분의 신경망이 어떻게 작동하는지 이해하셨습니다. 많은 머신러닝 구현이 신경망을 사용하므로, 이런 머신러닝 회사를 이끄는 기본 개념도 알게 되었습니다.
물론 실제 설정은 더 복잡하고 훨씬 더 많은 시간과 전문성이 필요합니다 6. 저는 ML을 실제로 구현하기 더 어렵게 만드는 수학, 통계, 프로그래밍 부분을 모두 건너뛰었습니다. 하지만 지금 가진 직관이 앞으로 누군가가 ‘ML’을 유행어로 쓸 때 덜 위축되게 해주길 바랍니다.
Footnotes
-
글 전반에 걸쳐 머신러닝(ML), 딥러닝(DL), 인공지능(AI)을 번갈아 사용하지만, 기술적으로는 서로 다른 개념입니다. some being a subset of the other. 하지만 글을 쓰기 위해서라면 크게 중요하지 않아요. ↩
-
음, 아마도 완전한 사기일 수도 있겠네요 ↩
-
저는 과학자가 아니니 틀렸다면 정정해 주세요. ↩
-
이해하기 쉽도록 한 뉴런에 들어오는 모든 입력을 하나의 색상과 크기로 보여줬고, 특히 신경망 수학으로 번역할 때 그렇습니다. 그룹화를 다른 방식으로 생각할 수도 있는데, 예를 들어 한 뉴런의 모든 출력을 하나의 색으로 보는 식입니다. ↩
-
여기서 일어나는 일은 매개변수에 입력을 곱한 첫 함수가 있고, 그 다음에 logistics function 출력 범위를 0에서 1로 제한하는 데 적용합니다. 이 아이디어는 학습 데이터 세트에서 데이터를 반복적으로 학습시키면, 검증 데이터셋과 비교했을 때 매개변수의 첫 번째 함수가 낮은 예측 오차를 제공하도록 하는 것입니다. ↩
-
예를 들어, 어떤 기능을 사용해야 할지 어떻게 알 수 있을까요? 프로그램에서 이걸 어떻게 설정하나요? 예측이 정확한지 어떻게 확인할 수 있을까요? 대부분의 기술적인 부분은 단순화했지만, 더 알고 싶으시다면, Andrew Ng’s coursera is a good place to start. 경고하자면, 훨씬 더 복잡하고 어렵습니다. ↩
관련 글
우리는 그녀를 원했는데, 대신 틴더를 얻게 됐어
AI 기업들의 마진 함정, 가치 투자 개념, 그리고 트레이드오프
로보 애널리스트가 주식 리서치의 미래일까요?
셀사이드 주식 리서치는 어떤 가치를 제공하나요?