신경망이란 무엇인가요?

산업 분야에서 신경망의 몇 가지 사용 사례는 다음과 같습니다.

• 의료 영상 분류에 의한 의료 진단
• 소셜 네트워크 필터링 및 행동 데이터 분석을 통한 타겟 마케팅
• 금융 상품의 과거 데이터를 처리하여 재무 예측
• 전기 부하 및 에너지 수요 예측
• 공정 및 품질 관리
• 화합물 식별

신경망의 중요한 용도를 네 가지 들면 다음과 같습니다.

컴퓨터 비전

컴퓨터 비전은 이미지와 동영상에서 정보와 인사이트를 추출하는 컴퓨터 기능입니다. 신경망을 통해 컴퓨터는 인간과 유사한 이미지를 구별하고 인식할 수 있습니다. 컴퓨터 비전에는 다음과 같은 여러 애플리케이션이 있습니다.

• 도로 표지판 및 다른 도로 사용자를 인식할 수 있도록 자율 주행 자동차의 시각적 인식
• 이미지 및 동영상 아카이브에서 안전하지 않거나 부적절한 콘텐츠를 자동으로 제거하는 콘텐츠 조정
• 얼굴을 식별하고 뜬 눈, 안경 및 수염과 같은 속성을 인식하는 얼굴 인식
• 브랜드 로고, 의복, 안전 장비 및 기타 이미지 세부 정보를 식별하기 위한 이미지 레이블 지정

음성 인식

신경망은 다양한 음성 패턴, 높낮이, 톤, 언어 및 억양에도 불구하고 인간의 음성을 분석할 수 있습니다. Amazon Alexa 및 자동 음성 텍스트 변환 소프트웨어와 같은 가상 도우미는 음성 인식을 사용하여 다음과 같은 작업을 수행합니다.

• 콜센터 상담원 지원 및 자동으로 통화 분류
• 임상 대화를 실시간으로 문서화
• 더 많은 사람들이 콘텐츠를 시청할 수 있도록 동영상 및 회의 녹화본에 정확한 자막 제공

자연어 처리

자연어 처리(NLP)는 인간이 만든 자연어를 처리하는 기능입니다. 신경망은 컴퓨터가 텍스트 데이터와 문서에서 인사이트와 의미를 수집하는 데 도움이 됩니다. NLP에는 다음 기능을 포함한 여러 사용 사례가 있습니다.

• 자동화된 가상 에이전트 및 챗봇
• 작성된 데이터의 자동 정리 및 분류
• 이메일 및 양식과 같은 긴 형식의 문서에 대한 비즈니스 인텔리전스 분석
• 소셜 미디어에 대한 긍정적 및 부정적 댓글과 같이 감정을 나타내는 핵심 문구 인덱싱
• 주어진 주제에 대한 문서 요약 및 기사 생성

추천 엔진

신경망은 사용자 활동을 추적하여 개인화된 권장 사항을 개발할 수 있습니다. 또한 모든 사용자 행동을 분석하고 특정 사용자의 관심을 끄는 새로운 제품이나 서비스를 발견할 수 있습니다. 예를 들어, 필라델피아에 기반을 둔 스타트업인 Curalate는 각종 브랜드가 소셜 미디어 게시물을 매출로 이끌 수 있도록 돕습니다. 각종 브랜드는 Curalate의 지능형 제품 태깅(IPT) 서비스를 사용하여 사용자가 생성한 소셜 콘텐츠의 수집 및 큐레이션을 자동화합니다. IPT는 신경망을 사용하여 사용자의 소셜 미디어 활동과 관련된 제품을 자동으로 찾아서 추천합니다. 소비자는 소셜 미디어 이미지에서 특정 제품을 찾기 위해 온라인 카탈로그를 뒤질 필요가 없습니다. 대신 Curalate의 자동 상품 태깅을 사용하여 손쉽게 상품을 구매할 수 있습니다.

인공 신경망은 데이터가 입력 노드에서 출력 노드로 흐르는 방식에 따라 분류할 수 있습니다. 다음은 몇 가지 예입니다.

피드포워드 신경망

피드포워드 신경망은 입력 노드에서 출력 노드까지 한 방향으로 데이터를 처리합니다. 한 계층의 모든 노드는 다음 계층의 모든 노드에 연결됩니다. 피드포워드 네트워크는 피드백 프로세스를 사용하여 시간이 지남에 따라 예측을 개선합니다.

역전파 알고리즘

인공 신경망은 예측 분석을 개선하기 위해 수정 피드백 루프를 사용하여 지속적으로 학습합니다. 간단히 말해서 신경망의 다양한 경로를 통해 입력 노드에서 출력 노드로 흐르는 데이터를 생각할 수 있습니다. 하나의 경로만이 입력 노드를 올바른 출력 노드에 매핑하는 바른 경로입니다. 이 경로를 찾기 위해 신경망은 다음과 같이 작동하는 피드백 루프를 사용합니다.

1. 각 노드는 경로에서 다음 노드에 대해 추측하고
2. 추측이 맞았는지 확인합니다. 노드는 더 정확한 추측으로 이어지는 경로에 높은 가중치 값을 할당하고, 잘못된 추측으로 이어지는 노드 경로에 낮은 가중치 값을 할당합니다.
3. 다음 데이터 포인트에 대해 노드는 높은 가중치 경로를 사용하여 새로운 예측을 수행한 다음 1단계를 반복합니다.

컨볼루션 신경망

컨볼루션 신경망의 숨겨진 계층은 컨볼루션이라고 하는 특정 수학적 기능(요약 또는 필터링 등)을 수행합니다. 이미지 인식 및 분류에 유용한 이미지에서 관련 특징을 추출할 수 있기 때문에 이미지 분류에 매우 유용합니다. 이 새로운 양식은 적합한 예측을 하는 데 중요한 특징을 상실하지 않으면서 처리하기가 쉽습니다. 각 숨겨진 계층은 가장자리, 색상 및 깊이와 같은 다양한 이미지 특징을 추출하고 처리합니다.

인공 지능은 인간의 지능을 필요로 하는 작업을 수행할 수 있는 능력을 기계에 부여하는 방법을 연구하는 컴퓨터 과학 분야입니다. 기계 학습은 컴퓨터가 매우 큰 데이터 집합에 액세스할 수 있도록 하고 이 데이터에서 학습하도록 가르치는 인공 지능 기술입니다. 기계 학습 소프트웨어는 기존 데이터에서 패턴을 찾고 이러한 패턴을 새로운 데이터에 적용하여 지능적인 결정을 내립니다. 딥 러닝은 딥 러닝 네트워크를 사용하여 데이터를 처리하는 기계 학습의 하위 집합입니다.

기계 학습과 딥 러닝 비교

전통적인 기계 학습 방법은 기계 학습 소프트웨어가 충분히 잘 작동하기 위해서 사람의 입력을 필요로 합니다. 데이터 사이언티스트는 이 소프트웨어가 분석해야 하는 관련 특징 집합을 수동으로 결정합니다. 이로 인해 이 소프트웨어의 기능이 제한되어 생성 및 관리가 번거롭습니다.

반면 딥 러닝에서는 데이터 사이언티스트가 원시 데이터만 이 소프트웨어에 제공합니다. 딥 러닝 네트워크는 스스로 특징을 도출하고 더 독립적으로 학습합니다. 텍스트 문서와 같은 구조화되지 않은 데이터 집합을 분석하고, 우선 순위를 지정할 데이터 속성을 식별하고, 더 복잡한 문제를 해결할 수 있습니다.

예를 들어, 애완 동물의 이미지를 올바르게 식별하기 위해 기계 학습 소프트웨어를 훈련하는 경우 다음 단계를 수행해야 합니다.

• 고양이, 개, 말, 햄스터, 앵무새 등 수천 개의 애완 동물 이미지를 수동으로 찾아서 레이블을 지정합니다.
• 제거를 사용하여 이미지를 식별할 수 있도록 기계 학습 소프트웨어가 어떤 특징을 찾아야 하는지 알려줍니다. 예를 들어 다리 수를 세고 눈 모양, 귀 모양, 꼬리, 털 등을 확인할 수 있습니다.
• 소프트웨어의 정확도를 향상시키기 위해 레이블이 지정된 데이터 집합을 수동으로 평가하고 변경합니다. 예를 들어 훈련 세트에 검은 고양이 사진이 너무 많은 경우 이 소프트웨어는 검은 고양이를 올바르게 식별하지만 흰색 고양이는 식별하지 않습니다.
• 하지만 딥 러닝에서는 신경망이 모든 이미지를 처리한 후 이미지의 동물을 정확히 식별하기 위해 다리 수와 얼굴 모양을 먼저 분석하고 마지막으로 꼬리를 확인해야 한다는 것을 자동으로 판단합니다.