AI와 ML의 차이점은 무엇입니까
게시 됨: 2020-03-11이전에 "인공 지능" 및 "머신 러닝"이라는 용어를 들어본 적이 있을 것입니다. 그리고 당신이하지 않았다면 곧 할 것입니다. 2021년까지 신기술의 80%가 AI 기반이 될 것으로 추정됩니다. 그리고 전 세계적으로 조직의 37%가 일상 업무를 개선하기 위해 일종의 AI를 사용하고 있습니다.
예를 들어 Amazon은 기계 학습을 사용하여 배송 시간을 225% 이상 단축했습니다. 따라서 이 용어의 의미와 차이점이 무엇인지 잘 모르는 경우 걱정하지 마세요. 저희가 도와드리겠습니다.
다음 몇 단락에서 우리는 기계 학습과 인공 지능(1)의 차이점에 대해 자세히 살펴보고 때때로 혼란스러운 이 주제에 대해 밝힐 수 있기를 바랍니다. 또한 각 용어가 의미하는 바를 간략하게 살펴보고 다양한 유형의 인공 지능과 다양한 유형의 기계 학습에 대한 몇 가지 예를 제공합니다. 마지막으로 왜 두 용어가 처음부터 같은 의미로 사용되는지 논의할 것입니다.
- AI에 대한 간략한 이해
- 다양한 유형의 인공 지능
- ML에 대한 간략한 이해
- 다양한 유형의 머신 러닝
- AI와 ML의 차이점
- 기술 회사가 AI 및 ML을 사용하는 이유는 무엇입니까?
- 마지막 생각들
AI에 대한 간략한 개요
인공 지능 또는 인공 지능은 인간이 만든 기계가 인간의 지능을 모방하는 것을 말합니다. 기계는 인간의 두뇌와 비슷한 능력으로 학습하고 문제를 해결할 수 있는 컴퓨터화된 두뇌를 가지고 있습니다.
인공 지능은 여러 하위 집합을 포함하는 다소 광범위한 포괄적인 용어입니다. 나중에 다시 다루므로 기억해야 할 중요한 것입니다.
AI의 목표는 실제로 문제 해결뿐만 아니라 인간 두뇌의 의사 결정 능력을 복제하는 것입니다. 이것은 본질적으로 주어진 상황에서 컴퓨터가 수행하는 작업을 설명하는 일련의 규칙인 알고리즘을 사용하여 달성할 수 있습니다.
알고리즘은 모든 재료가 존재할 때 컴퓨터가 따라야 하는 일종의 레시피로 볼 수 있습니다.
인공 지능은 세 가지 유형으로 나눌 수 있습니다.
좁은 AI
Narrow AI는 이름에서 알 수 있듯이 매우 좁은 초점을 가지고 있습니다. 때로는 "약한 AI"라고도 합니다. 좁은 AI의 예로는 Siri 또는 Google Assistant가 있습니다. Narrow AI는 현재 기술 분야에서 인공 지능이 있는 위치를 나타냅니다.
일반 AI
두 번째 유형의 AI는 인공 일반 지능(AGI)입니다. 이러한 유형의 AI는 컴퓨터의 능력이 인간 두뇌의 능력과 일치할 때 발생합니다. AGI에서 컴퓨터는 독립적인 문제 해결 및 추론, 의사 결정, 심지어는 창의적 사고까지 수행할 수 있습니다.
슈퍼 AI
세 번째 유형의 AI는 인공 초지능(ASI)입니다. 현재는 없지만 이 유형에 대해 잘 알고 있을 것입니다. ASI 하에서 기계는 인간의 두뇌가 달성할 수 있는 것 이상의 지적 능력을 개발합니다.
터미네이터 시리즈를 본 적이 있다면 이것이 왜 문제가 될 수 있는지 이해합니다. 그러나 현실은 많은 전문가들이 ASI가 실제로 인류에게 막대한 이익을 줄 것이라고 예측한다는 것입니다.
ML에 대한 간략한 개요
인공 지능이 여러 가지 다른 하위 집합을 갖는 방법에 대해 이야기했을 때를 기억하십니까? 음, 기계 학습 또는 ML이 그 중 하나입니다. 머신 러닝은 머신이 데이터로부터 학습하는 능력입니다. 물론 먼저 기계를 프로그래밍해야 합니다. 그러나 적절한 알고리즘이 배치되고 기계가 데이터에 액세스할 수 있게 되면 학습을 시작할 수 있습니다.
기계 학습은 존재하고 실제로 오늘날 우리 세계에서 꽤 일반적입니다. 자동 고침은 스팸 필터와 마찬가지로 현대 생활에서 ML의 한 예입니다. 이러한 프로그램은 지각이 없지만 새로운 데이터를 기반으로 행동을 변경할 수 있는 능력을 가지고 있습니다. 그것이 좁은 AI처럼 끔찍하게 들린다면, 그것은 그것이기 때문입니다. 기계 학습은 좁은 AI의 예입니다.
기계 학습은 네 가지 범주로 나눌 수 있습니다.
감독
이 유형의 ML에는 레이블이 지정된 데이터 세트의 사용이 포함됩니다. 데이터가 기계에게 특정 패턴이나 일련의 특성을 알려주면 기계는 결과를 예측할 수 있습니다.
감독되지 않음
비지도 머신 러닝은 레이블이 지정되지 않은 기존 데이터를 정렬하는 것입니다. 비지도 머신 러닝 알고리즘은 컴퓨터가 관계나 패턴에 따라 데이터를 다른 그룹으로 분리하도록 가르칠 수 있습니다.
반 감독
반 지도 머신 러닝은 둘 사이 어딘가에 있습니다. 이러한 유형의 기계 학습은 데이터 세트에 레이블이 지정된 구성 요소와 레이블이 지정되지 않은 구성 요소가 모두 있을 때 작동합니다. 반 지도 머신 러닝에서 주어진 예측은 모든 유형의 머신 러닝 중에서 가장 정확한 경향이 있습니다.
보강
이러한 유형의 ML은 인간이 참여하는 강화 학습과 유사합니다. 강화 학습에서는 최선의 행동 방침이 결정되었을 때 보상이 주어집니다. 기계의 목표는 보상을 최대화하는 결정을 내리는 것입니다.
인공 지능과 기계 학습의 주요 차이점
그 후, 당신은 궁금해 할 것입니다. 이것들이 어떻게 다른가요? 구별을 더 쉽게 기억할 수 있는 몇 가지 주요 특성이 있습니다.
범위
한 가지 염두에 두어야 할 것은 범위입니다. 인공 지능의 범위는 매우 광범위합니다. 반면에 머신 러닝은 범위가 훨씬 좁습니다. 이러한 머신은 주어진 작업을 마스터할 수 있지만 다른 많은 작업을 수행할 수는 없습니다.
목표
인공 학습과 기계 학습의 또 다른 주요 차이점은 둘의 목표가 매우 다르다는 것입니다. 인공 지능, 특히 AGI 또는 ASI와 관련하여 목표는 의사 결정과 지각 있는 사고가 가능한 컴퓨터를 만드는 것입니다. 기계 학습의 목표는 단순히 기계가 과거 데이터를 기반으로 결과를 정확하게 예측할 수 있도록 하는 것입니다.
데이터세트 유형
또한 인공 지능은 구조화, 비구조화, 반구조화 등 모든 유형의 데이터를 처리할 수 있습니다. 대신에 기계 학습은 구조화된 데이터와 반구조화된 데이터만 이해할 수 있습니다. 또한 AI와 ML 모두 자체 수정이 포함되지만 AI에만 추론이 포함됩니다.
지혜 대 지식
인공 지능은 지혜와 지능의 획득을 포함하지만 기계 학습은 지식을 목표로 한다고 말할 수도 있습니다.
결과
인공 지능은 여러 결과를 살펴보고 가장 좋은 결과를 선택합니다. 머신 러닝은 최상의 솔루션인지 여부에 관계없이 유일한 솔루션으로 간주되는 것을 선택합니다.
의식
실제로 기계 학습과 인공 지능의 차이의 핵심에는 지각 있는 생각이 있습니다. 머신 러닝은 컴퓨터가 스스로 의식을 개발할 필요가 없습니다. 인공 지능은 인간 두뇌의 능력에 맞추기 위해 기계가 프로그래밍과 독립적으로 느끼고 생각할 수 있어야 합니다.
기술 회사가 AI와 ML을 같은 의미로 사용하는 이유는 무엇입니까?
수십 년 전에는 주로 진정한 인공 지능(AGI 및 ASI) 개발에 중점을 두었기 때문에 기술 회사는 인공 지능과 기계 학습을 상호 교환적으로 사용합니다. 그 당시에는 그 용어를 중심으로 부정적인 낙인이 생기기 시작했습니다. 이 낙인은 영화, TV 및 미디어에서 ASI를 묘사하는 것과 관련이 있을 수 있습니다.
그런 이유로 기술이 발전함에 따라 다른 용어가 등장하기 시작했습니다. 기계 학습 및 딥 러닝과 같은 용어가 등장하기 시작했으며 사람들이 좁은 AI와 같은 의미로 사용했습니다.
문제는 ML이 실제로는 좁은 AI와 동의어일 뿐이라는 것입니다. 인공 일반과 초지능이 경쟁자가 되면 ML과 AI의 구분이 더 중요해지고 이 용어는 자연스럽게 상호 교환할 수 없게 될 것입니다.
마지막 생각들
머신 러닝은 오늘날 AI 기술이 있는 곳입니다. 인공 지능은 그것이 내일 있을 수 있는 곳을 나타냅니다. 용어를 정확하게 유지하는 데 도움이 필요하면 기계 학습에는 기계가 학습하도록 가르치는 것이 포함된다는 점을 기억하십시오.
이 기계는 단일 작업을 매우 잘 수행합니다. 반면 인공 지능은 인간의 마음을 복제합니다. 이론적으로 이러한 기계는 인간보다 낫지는 않더라도 다양한 작업을 수행할 수 있습니다.
궁극적으로, 둘의 차이는 시간이 지남에 따라 더 넓어지고 구별하기 더 쉬워질 것입니다.
기타 유용한 리소스:
로봇 프로세스 자동화를 다음 단계로 끌어올리기 위해 인공 지능을 도입하는 방법
전환율을 높이는 최고의 인공 지능 중심 플랫폼
인공 지능을 통한 사이버 보안의 미래
머신 러닝을 위한 상위 5가지 공개 데이터 세트
전문가가 알아야 할 기계 학습 알고리즘 목록