#4. 티쳐블머신(Teachable Machine) : 머신러닝은 과연 무엇일까?

음... 우선 터쳐블 머신을 활용해 봤는데요

저희가 사용하고 있는 이 머신러닝이 뭔지에 대해서 한번 알아보면 좋을 것 같아요!!

 

티쳐블 머신을 활용해서 데이터를 학습시키는 것들을 해봤는데요. 과연 머신러닝이 뭘까요?? 

 

 

 

 머신러닝에 관한 책 내용 발췌

예전에 머신러닝 책에 내용을 요약해둔 것들인데 다시 읽어보니 그땐 왜 몰랐을까 싶네요 ~! 

---

머신러닝이란?

---

■ 머신러닝(Machine learning)

 

지난 20년 동안 컴퓨터 과학 분야에서 조용한 혁명이 일고 있었습니다. 요즘 들어 우리는 자체적으로 학습하는 컴퓨터 프로그램들이 나타나고 있는 것을 알 수 있는데요. 여기서 자체적으로 학습한다는 말은 곧 소프트웨어가 자동으로 행동 패턴을 조정할 수 있다는 것을 의미합니다. 얼굴이나 음성을 인식하고 자동차가 운전을 할 수 있게끔 자율 주행 자동차 만들어지고 미래는 이런 프로그램들이 훨씬 더 잘 발전할 것이라고 생각이 됩니다. 과거에는 프로그래머가 프로그래밍 언어로 알고리즘을 코딩함으로써 컴퓨터가 할 일을 정해졌다고 한다면 이제는 컴퓨터가 스스로 학습을 함으로써 더욱더 발전된 것들이 가능해진 것이죠

 

오늘날에는 다양한 산업들에서 다양한 유형의 비즈니스들로부터 시스템이 전산화됨에 따라서 더 많은 데이터가 지속적으로 생성되어 수집될 수 있습니다. IoT 기술이 일상에 점점 더 깊게 침상에 따라서 우리는 사용자들로부터 더 많은 데이터들을 얻을 수가 있습니다. 인간의 삶은 점점 더 많이 기록되고 데이터화 되고 있는 것 같습니다. 과학이든 개인적이든 상관없이 수동적으로 존재하는 데이터는 더 이상 쓸모가 없어졌습니다. 이로 인해서 똑똑한 사람들은 데이터를 사용해 이를 유용한 제품이나 서비스로 바꿔 주면 새로운 방법들을 모색해 왔습니다. 이러한 변화 속에서 머신러닝 훨씬 더 중대한 역할을 하고 있다고 볼 수 있습니다 

 

멋있는 단지 데이터들로부터 정보를 추출하는 방법에 관한 상업적인 용이 아니라 진행에 필수조건이 기도합니다 진행 시스템은 환경에 적응할 수 있어야 하며 실수를 반복하지 않고 성공만 반복하는 법을 학습해야 합니다. 연구자들은 인공지능을 현실로 만들기 위해서 새로운 패러다임 새로운 사고방식 새로운 계산 모델 혹은 완전히 새로운 알고리즘 집합이  필요하다고 믿었습니다 다양한 영역에서 머신러닝 거두었던 최근에 성공들 고려해 보면 우리에게 필요한 것은 새로운 특정 알고리즘 집합이 아니라 데이터로부터 필수적인 알고리즘을 부트스트랩  하면서 이러한 데이터의 학습 기법을 운영하는데 필요한 수많은 사례 데이터와 충분한 계산능력이라고 주장할 수 있습니다. 

 

기계 번역이나 기회가 같은 작업은 비교적 단순하고 방대한 양의 사례 데이터로 훈련할 수 있는 학습 알고리즘으로 해결할 수 있음을 예측할 수 있습니다 딥러닝에 대한 최근의 성공이 이 주장에  무게를 싣고 있습니다 진행은 어떤 특이한 공식에서 나오는 것이 아니라 단순하고 복잡하지 않은 알고리즘들을 토막 내어 탐색하는 인내심 있는 사람들로부터 비롯되는 것 같습니다.

 

 기술이 발달하면서 더 빠른 컴퓨터와 더 많은 데이터가 생겨남에 따라 학습 알고리즘은 좀 더 높은 층 위에 진행을 생성할 것입니다 그리고 이는 더 똑똑한 기기와 소프트웨어의 새로운 집합에서 사용될 것으로 보입니다. 이러한 유형의 학습 지능이 이 세기가끝나기 전에 언젠간 인간의 지능과 비슷한 수준으로 도달한다고 생각을 하면 아주 놀란 일이 아닐 수 없습니다.

 

머신러닝 알고리즘에 대해서 더 많은 정보를 얻고자 하는 사람들은 머신러닝 개론을 참고하면 좀 더 도움이 될 것 같습니다

---

기계학습이란?

---

 

정선 기계학습이라고 하면은 인공지능의  한 분야라고 할 수 있습니다 1959년에서 사무엘은 기계학습을 컴퓨터에서 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구분야라고 정의하였습니다. 즉 사람이 핫스폿 컴퓨터에도 데이터들을 줘서 학습하게 함으로써 새로운 지식을 얻어내게 하는 분야입니다 컴퓨터가 일정 함수를 몇 번 수행을 한 다음 에이 컴퓨터에게 미지의 값을 던졌을 때 y에 대한 값을 컴퓨터가 답을 찾아낼 수 있도록 하는 것이 바로 기계학습입니다 앞서 학습시킨 내용을 바탕으로 미래에 있을 어떠한 문제를 해결하는 방법을 찾아내는 것이죠 단순하게 인간이 정리해 놓은 알고리즘을 따라가는 것이 아니라 기계가 앞서 있는 다양한 선행의 내용들을 학습을 함으로써 더욱더 효과적인 정답을 찾아낼 수가 있습니다 기계학습은 실제로 어떤 선생님의 경험을 전달을 해서 학생들이 그것을 받아들이는 것을 예로 들을 수가 있습니다

 

 

 그렇다면은 왜 기계학습이 최근에 이토록 주목을 받고 있는 걸까요?

 

 

기계학습은 50년대부터 시작되었지만 이제 90년대까지 발전하는듯 하다가 잠시 주춤하는 모습을 보이더니 2000년대 중반에 들어와서 급격히 발전이 이루어지게 되었습니다 바로 이러한 것이 뒷면이 탄생을 한 건데요. 기계학습에 하나인 기술인 인공신경망 분야에서 두드러진 발전이 이루어지면서 뒷면이 다시금 주목을 받게 된 것입니다. 사물인터넷이 활성화되면서 우리가 수많은 사람들로부터 혹은 수많은 환경들로부터 데이터들을 수집을 하고 있기 때문에 더 많은 빅데이터 들 인해서 우리가 더욱더 데이터들을 학습하는 것이 필요해지기 때문에 이런 기계학습이 지금 다시 붐을 일고 있는 것 같습니다.

 기계학습 분야 중에서 하나인 딥러닝은 인공신경망에 기반을 둔 기계학습 기술의 한 종류로 최근 몇 년간 비약적인 발전을 이루고 있습니다 개념적으로 뒷면의 인공신경망은 새로운 것이 아닙니다. 다층구조 설계하여 깊어진 인공신경망의 학습을 잘 이루어지지 않는 전통적인 문제를 학습을 위한 데이터들을 비지도 학습을 통해서 전 처리하면 신경망 2m 저도 학습이 잘 된다는 것을 발견하였을 뿐입니다 인터넷에 위해 축적된 방대한 양의 데이터에서 오는 빅데이터 와이를 처리하기 위한 컴퓨터 능력이 항상이 두 가지 요소가 없으면 이루어질 수 없는 발견이었습니다 즉 하드웨어의 발전과 수많은 데이터들이 축적됨으로써 기계학습이 가능해졌다는 것이죠

 

그렇다면 기계학습은 세상이 어떻게 변화를 주고 있을까요 딥러닝을 통해 기계학습에 큰 성공을 하는 기업들이 많이 나타나지도 있고 2014년 초 구글은 3년밖에 되지 않은 딥마인드라는 회사를 사업 달러가 넘는 금액으로 인수를 하였습니다 가트너는 2014년 주목할만한 기술 중 하나를 딥러닝으로 손꼽아 쓸 만큼 이미지 인식과 음성인식 번역 등 다양한 분야에서 현저한 성과가 이루어지고 있다는 것을 나타내고 있고요 이미지 인식 분야는 단순하게 물체 종류를 알아내는 것을 넘어서 이미지 전체를 설명하는 문장까지 소행성 한다는 수준에 도달했다는 것을 알 수 있습니다 앞서 티처블머신을 통해서 저희가 기계학습을 한번 학습에 보았는데요 이것만 보더라도 내가 학습시킨 이미지가 단순한 픽셀뿐만이 아니라 나의 관절 나의 포즈 그럼 모든 것들을 잡아낼 수 있다는 것은 아주 놀라운 성과가 아닐 수가 없습니다.

 

 특히나 자율 주행자동차의 경우에는 다양한  날씨의 변화에 따라서 안개가 끼거나 비가 오거나 혹은 어둡거나 모든 환경에 잘 적응을 해야 되기 때문에 아주 밀접하게 학습되고 있는 사용되고 있는 산업이라고 볼 수 있습니다 안개가 꼈는데 신호등을 인식하지 못하면 어떤 일이 일어나는지 생각이 되시죠 아주 끔찍한 일들이 일어날 것이기 때문에….

 

 

이제 티쳐블머신도 알아보았고, 인공지능, 머신러닝에 대해서도 알아봤는데요. 이제 이것을 활용해서 실제로 프로젝트를 한번 해보면 좋을 것 같습니다.

 

음... 우선 저는 아두이노를 재미있어 하기 때문에 아두이노를 활용해서 물체를 감별하는 시스템을 만들어 보도록 하겠습니다.

 

근데 티쳐블 머신은 웹기반인데... 음... 이걸 하드웨어와 어떻게 통신을 하면 좋을까??

다음시간에 한번 알아 보도록 하겠습니다.

---

 

© 병아리 개발자의 이야기 2020. All Rights Reserved.