인공 지능(AI)은 일반적으로 인간 지능이 필요한 작업을 수행할 수 있는 스마트 머신을 구축하는 것과 관련된 컴퓨터 과학의 광범위한 분야입니다.
AI는 여러 접근 방식을 사용하는 학제 간 과학이지만 특히 머신 러닝과 딥 러닝의 발전은 기술 산업의 거의 모든 부문에서 패러다임 변화를 일으키고 있습니다. 인공 지능을 통해 기계는 인간 정신의 능력을 모델링하거나 개선할 수 있습니다. 그리고 자율주행차 개발부터 ChatGPT 및 Google Bard와 같은 생성적 AI 도구의 확산에 이르기까지 AI는 점차 일상생활의 일부가 되고 있으며 모든 산업 분야의 기업들이 투자하고 있는 영역입니다. AI 이해 대체로 인공 지능 시스템은 음성 해석, 게임 플레이 및 패턴 식별과 같이 인간의 인지 기능과 일반적으로 관련된 작업을 수행할 수 있습니다.
그들은 일반적으로 방대한 양의 데이터를 처리하고 자신의 의사 결정에서 모델링할 패턴을 찾아 그렇게 하는 방법을 배웁니다. 많은 경우에 인간은 AI의 학습 과정을 감독하여 좋은 결정은 강화하고 나쁜 결정은 저지합니다. 그러나 일부 AI 시스템은 감독 없이 학습하도록 설계되었습니다. 예를 들어 비디오 게임을 반복해서 플레이하여 궁극적으로 규칙과 승리 방법을 알아낼 때까지 합니다. 강력한 AI 대. 약한 AI 지능은 정의하기 까다롭기 때문에 AI 전문가는 일반적으로 강력한 AI와 약한 AI를 구분합니다.
강력한 AI 인공 일반 지능이라고도 하는 강력한 AI는 인간이 할 수 있는 것처럼 훈련된 적이 없는 문제를 해결할 수 있는 기계입니다.
이것은 Westworld의 로봇이나 Star Trek: The Next Generation의 캐릭터 Data와 같이 영화에서 볼 수 있는 일종의 AI입니다. 이러한 유형의 AI는 실제로 아직 존재하지 않습니다. 모든 작업에 적용할 수 있는 인간 수준의 지능을 갖춘 기계를 만드는 것은 많은 AI 연구자들에게 성배이지만 인공 일반 지능에 대한 탐구는 어려움을 겪었습니다. 그리고 어떤 사람들은 적절한 가드레일 없이 강력한 AI를 만들 수 있는 잠재적 위험 때문에 강력한 AI 연구가 제한되어야 한다고 생각합니다. 약한 AI와 달리 강한 AI는 모든 인지 능력과 마찬가지로 광범위한 사용 사례를 갖춘 기계를 나타내지만 시간이 지나도 그러한 위업을 달성하는 데 어려움이 있습니다. 약한 AI 좁은 AI 또는 전문화된 AI라고도 하는 약한 AI는 제한된 콘텍스트 내에서 작동하며 좁게 정의된 문제(예: 자동차 운전, 사람의 말을 기록하거나 웹 사이트의 콘텐츠 큐레이팅)에 적용되는 인간 지능의 시뮬레이션입니다.
약한 AI는 단일 작업을 매우 잘 수행하는 데 집중하는 경우가 많습니다. 이러한 기계는 지능적으로 보일 수 있지만 가장 기본적인 인간 지능보다 훨씬 더 많은 제약과 제한 사항 아래에서 작동합니다. 약한 AI의 예는 다음과 같습니다. Siri, Alexa 및 기타 스마트 비서 자율주행차 구글 검색 대화형 봇 이메일 스팸 필터 넷플릭스 추천 기계 학습 대. 딥 러닝 AI에 대한 대화에서 "머신 러닝"과 "딥 러닝"이라는 용어가 자주 등장하지만 서로 바꿔서 사용해서는 안 됩니다. 딥 러닝은 기계 학습의 한 형태이며 기계 학습은 인공 지능의 하위 분야입니다. 기계 학습 기계 학습 알고리즘은 컴퓨터에 의해 데이터를 공급받고 통계적 기술을 사용하여 해당 작업에 대해 특별히 프로그래밍되지 않아도 작업을 점진적으로 향상하는 방법을 "학습"하는 데 도움을 줍니다. 대신 ML 알고리즘은 기록 데이터를 입력으로 사용하여 새로운 출력 값을 예측합니다. 이를 위해 ML은 지도 학습(레이블이 지정된 데이터 세트 덕분에 입력에 대한 예상 출력을 알 수 있음)과 비지도 학습(레이블이 지정되지 않은 데이터 세트를 사용하여 예상 출력을 알 수 없음)으로 구성됩니다.
딥 러닝 딥 러닝은 생물학적으로 영감을 받은 신경망 아키텍처를 통해 입력을 실행하는 일종의 기계 학습입니다.
신경망에는 데이터가 처리되는 여러 숨겨진 레이어가 포함되어 있어 기계가 "깊이" 학습하고 연결하고 입력에 가중치를 부여하여 최상의 결과를 얻을 수 있습니다. AI의 네 가지 유형 AI는 시스템이 수행할 수 있는 작업의 유형과 복잡성에 따라 네 가지 범주로 나눌 수 있습니다. 그들은: 반응 기계 제한된 메모리 마음의 이론 자기 인식 반응 기계 리액티브 머신은 가장 기본적인 AI 원칙을 따르며 이름에서 알 수 있듯이 지능을 사용하여 앞에 있는 세계를 인식하고 반응할 수 있습니다. 반응형 기계는 기억을 저장할 수 없기 때문에 실시간으로 의사 결정을 알리기 위해 과거 경험에 의존할 수 없습니다. 세상을 직접 인식한다는 것은 반응 기계가 제한된 수의 특수 임무만을 완수하도록 설계되었음을 의미합니다. 그러나 반응형 기계의 세계관을 의도적으로 좁히는 것은 이점이 있습니다. 이러한 유형의 AI는 더 신뢰할 수 있고 신뢰할 수 있으며 매번 동일한 자극에 동일한 방식으로 반응합니다. 리액티브 머신 예제 Deep Blue는 1990년대에 IBM이 체스 게임 슈퍼컴퓨터로 설계했으며 게임에서 국제 그랜드마스터 Gary Kasparov를 물리쳤습니다. Deep Blue는 체스판의 조각을 식별하고 체스 규칙에 따라 각 조각이 어떻게 움직이는지 알고 각 조각의 현재 위치를 인식하고 그 순간에 가장 논리적인 이동이 무엇인지 결정할 수 있었습니다.
컴퓨터는 상대방이 미래의 잠재적인 움직임을 추구하거나 자신의 조각을 더 나은 위치에 놓으려고 하지 않았습니다. 모든 회전은 사전에 이루어진 다른 움직임과는 별개로 자체적인 현실로 간주되었습니다. Google의 AlphaGo도 향후 움직임을 평가할 수 없지만 자체 신경망에 의존하여 현재 게임의 개발을 평가하므로 더 복잡한 게임에서 Deep Blue보다 우위에 있습니다. AlphaGo는 또한 2016년 바둑 챔피언 이세돌을 물리치고 세계적 수준의 게임 경쟁자들을 이겼습니다. 제한된 메모리 제한된 메모리 AI는 정보를 수집하고 잠재적인 결정을 평가할 때 이전 데이터와 예측을 저장할 수 있는 능력이 있습니다. 제한된 메모리 AI는 반응형 기계보다 더 복잡하고 더 큰 가능성을 제시합니다. 제한된 메모리 AI는 새로운 데이터를 분석하고 활용하는 방법에 대해 팀이 모델을 지속적으로 훈련시키거나 모델이 자동으로 훈련되고 갱신될 수 있도록 AI 환경이 구축될 때 생성됩니다.
ML에서 제한된 메모리 AI를 활용하는 경우 다음 6단계를 따라야 합니다.
교육 데이터 설정 기계 학습 모델 만들기 모델이 예측을 수행할 수 있는지 확인 모델이 인간 또는 환경 피드백을 받을 수 있는지 확인 인간 및 환경 피드백을 데이터로 저장 위의 단계를 주기로 반복 마음의 이론 마음의 이론은 바로 이론적입니다. 우리는 이다음 단계의 AI에 도달하는 데 필요한 기술 및 과학적 능력을 아직 달성하지 못했습니다. 이 개념은 다른 생명체가 자신의 행동에 영향을 미치는 생각과 감정을 가지고 있다는 것을 이해하는 심리학적 전제를 기반으로 합니다. AI 기계의 관점에서 이것은 AI가 인간, 동물 및 기타 기계가 자기 성찰과 결정을 통해 느끼고 결정을 내린 다음 그 정보를 활용하여 스스로 결정을 내릴 수 있음을 의미합니다. 기본적으로 기계는 "마음"의 개념, 의사 결정의 감정 변동 및 기타 심리적 개념을 실시간으로 파악하고 처리하여 사람과 AI 간의 양방향 관계를 생성할 수 있어야 합니다. 자기 인식 마음의 이론이 확립되면 언젠가는 AI의 미래가 훨씬 가까워질 때 AI가 자기 인식을 하게 되는 마지막 단계가 될 것입니다. 이러한 종류의 AI는 인간 수준의 의식을 가지고 있으며 세상에서 자신의 존재는 물론 다른 사람의 존재와 감정 상태를 이해합니다. 다른 사람들이 무엇을 전달하는지 뿐만 아니라 어떻게 전달하는지에 따라 다른 사람들이 필요로 하는 것이 무엇인지 이해할 수 있을 것입니다. AI의 자기 인식은 인간 연구원이 의식의 전제를 이해하고 기계에 내장될 수 있도록 이를 복제하는 방법을 배우는 데 의존합니다. 인공 지능 예제 인공지능 기술은 챗봇에서 내비게이션 앱, 웨어러블 피트니스 트래커에 이르기까지 다양한 형태를 취합니다. 아래 예시는 잠재적인 AI 애플리케이션의 폭을 보여줍니다. 채팅 GPT ChatGPT는 에세이에서 코드, 간단한 질문에 대한 답변에 이르기까지 다양한 형식의 서면 콘텐츠를 생성할 수 있는 인공 지능 챗봇입니다.
OpenAI가 2022년 11월에 출시한 ChatGPT는 사람의 글을 거의 모방할 수 있는 대규모 언어 모델로 구동됩니다. 구글지도 Google 지도는 스마트폰의 위치 데이터와 건설 및 자동차 사고와 같은 사용자 보고 데이터를 사용하여 교통 흐름을 모니터링하고 가장 빠른 경로가 무엇인지 평가합니다. 스마트 어시스턴트 Siri, Alexa 및 Cortana와 같은 개인 비서는 자연어 처리(NLP)를 사용하여 사용자로부터 알림을 설정하고 온라인 정보를 검색하고 집의 조명을 제어하라는 지시를 받습니다. 대부분의 경우 이러한 어시스턴트는 사용자의 선호도를 학습하고 더 나은 제안과 맞춤형 응답을 통해 시간이 지남에 따라 사용자 경험을 개선하도록 설계되었습니다. 스냅챗 필터 Snapchat 필터는 ML 알고리즘을 사용하여 이미지의 피사체와 배경을 구별하고, 얼굴 움직임을 추적하고, 사용자가 하는 일에 따라 화면의 이미지를 조정합니다. 자율주행차 자율 주행 자동차는 심층 신경망을 사용하여 주변 물체를 감지하고 다른 자동차와의 거리를 결정하며 교통 신호를 식별하는 등의 작업을 수행하기 때문에 딥 러닝의 잘 알려진 예입니다. 웨어러블 의료 산업에서 사용되는 웨어러블 센서 및 장치는 혈당 수치, 혈압 및 심박수를 포함하여 환자의 건강 상태를 평가하기 위해 딥 러닝을 적용합니다. 또한 환자의 이전 의료 데이터에서 패턴을 도출하고 이를 사용하여 향후 건강 상태를 예측할 수 있습니다.
뮤제로 DeepMind가 만든 컴퓨터 프로그램인 MuZero는 진정한 인공 일반 지능을 달성하기 위한 유망한 선두주자입니다.
그것은 체스와 Atari 게임 전체를 포함하여 플레이하는 법을 배우지도 않은 게임을 무차별 대입을 통해 수백만 번 게임을 마스터했습니다. 인공 지능의 이점 AI는 백신 개발 촉진에서 잠재적 사기 탐지 자동화에 이르기까지 다양한 용도로 사용됩니다. CB Insights 연구에 따르면 AI 회사는 2022년에 668억 달러의 자금을 조달했으며 이는 2020년에 모금한 금액의 두 배 이상입니다. 더 안전한 뱅킹 비즈니스 인사이더 인텔리전스(Business Insider Intelligence)의 은행 AI에 관한 2022년 보고서에 따르면 금융 서비스 회사의 절반 이상이 이미 위험 관리 및 수익 창출을 위해 AI 설루션을 사용하고 있는 것으로 나타났습니다. 은행 업무에 AI를 적용하면 4,000억 달러 이상의 비용을 절감할 수 있습니다. 더 나은 약 의학의 경우, 2021년 세계보건기구(WHO) 보고서는 AI를 의료 분야에 통합하는 데 어려움이 따르지만 이 기술은 더 많은 정보에 입각한 건강 정책과 환자 진단의 정확성 향상과 같은 이점으로 이어질 수 있기 때문에 "큰 가능성을 갖고 있다"라고 언급했습니다.. 혁신적인 미디어 AI는 엔터테인먼트 분야에서도 주목을 받았습니다. Grand View Research에 따르면 미디어 및 엔터테인먼트 분야의 AI 글로벌 시장은 2021년 108억 7000만 달러에서 2030년 994억 8000만 달러에 이를 것으로 추정됩니다.
이러한 확장에는 표절 인식 및 고화질 그래픽 개발과 같은 AI 사용이 포함됩니다. AI의 과제와 한계 AI는 확실히 중요하고 빠르게 진화하는 자산으로 간주되지만, 이 신흥 분야에는 단점이 있습니다. 퓨 리서치 센터는 2021년 미국인 10,260명을 대상으로 AI에 대한 태도를 조사했습니다. 그 결과 응답자의 45%가 흥분과 걱정을 똑같이 갖고 있으며 37%는 흥분보다 걱정이 더 많은 것으로 나타났습니다. 또한 응답자의 40% 이상이 무인 자동차가 사회에 좋지 않다고 생각한다고 말했습니다. 그러나 AI를 사용하여 소셜 미디어에서 허위 정보의 확산을 식별하는 아이디어는 더 좋은 반응을 얻었으며 조사 대상자의 약 40%가 좋은 생각이라고 표시했습니다. AI는 생산성과 효율성을 높이는 동시에 인적 오류 가능성을 줄이는 데 도움이 됩니다. 그러나 개발 비용과 자동화된 기계가 인간의 일자리를 대체할 가능성과 같은 몇 가지 단점도 있습니다. 그러나 인공 지능 산업이 일자리를 창출한다는 점은 주목할 가치가 있습니다. 그중 일부는 아직 발명되지도 않았습니다. 인공 지능의 미래 계산 비용과 인공 지능 뒤에서 실행되는 기술 데이터 인프라를 고려할 때 실제로 AI에서 실행하는 것은 복잡하고 비용이 많이 드는 비즈니스입니다.
다행스럽게도 마이크로 칩의 트랜지스터 수는 2년마다 두 배로 증가하고 컴퓨터 비용은 절반으로 줄어든다는 무어의 법칙에 따라 컴퓨팅 기술이 크게 발전했습니다. 많은 전문가들은 무어의 법칙이 2020년대 언젠가는 끝날 것이라고 믿고 있지만, 이는 현대 AI 기술에 큰 영향을 미쳤습니다. 무어의 법칙이 없다면 재정적으로 말해서 딥 러닝은 의문의 여지가 없을 것입니다. 최근 연구에 따르면 AI 혁신은 실제로 무어의 법칙을 능가하여 2년이 아닌 6개월마다 두 배로 증가하는 것으로 나타났습니다. 그 논리에 따라 인공 지능이 다양한 산업 분야에서 이룬 발전은 지난 몇 년 동안 주요했습니다. 그리고 향후 수십 년 동안 훨씬 더 큰 영향을 미칠 가능성은 거의 불가피해 보입니다.