Abstract art - green with circle overlays

딥러닝

딥러닝의 정의 및 중요성

딥러닝은 음성 인식, 이미지 식별 또는 예측 등 사람의 작업을 대신 수행하도록 컴퓨터를 학습시키는 일종의 머신 러닝 입니다. 데이터가 사전 정의된 방식을 통해 실행되도록 구성하는 다른 기술과 달리, 딥러닝은 데이터에 대한 기본 파라미터를 설정하고 컴퓨터가 여러 처리 계층을 이용해 패턴을 인식함으로써 스스로 학습하도록 훈련시키는 기술입니다.

딥러닝의 진화

딥러닝은 인공 지능(AI)의 기반 기술 중 하나로, AI가 각광 받으면서 딥러닝에 대한 관심도 더욱 고조되고 있습니다. 딥러닝 기술은 분류, 인식, 감지, 그리고 이해 능력 개선합니다.

예를 들어, 딥러닝은 이미지를 분류하고, 음성을 인식하며, 물체를 감지하고, 내용을 설명하는 데 사용됩니다. Siri나 Cortana 같은 시스템에는 딥러닝 기술이 부분적으로 적용되어 있습니다.

딥러닝 기술은 다음과 같은 기술적 진보로 더욱 발전하고 있습니다.

  • 알고리즘의 개선으로 딥러닝 방식의 성능이 향상됐습니다.
  • 새로운 머신 러닝 접근법 덕분에 모델의 정확도가 높아졌습니다.
  • 텍스트 번역이나 이미지 분류와 같은 응용 분야에 적합한 새로운 종류의 신경망이 개발됐습니다.
  • 데이터가 훨씬 많아지면서 사물 인터넷의 스트리밍 데이터, 소셜 미디어의 텍스트 데이터, 진료 및 조사 기록 등 여러 딥레이어를 이용해 신경망을 구축할 수 있게 되었습니다.
  • 분산 클라우드 컴퓨팅과 그래픽 처리 장치의 발전에 힘입어 엄청난 수준의 컴퓨팅 기능을 활용할 수 있게 되었습니다. 딥 알고리즘을 훈련시키려면 이와 같은 수준의 컴퓨팅 기능이 필요합니다.

이와 동시에 H2M(Human-to-Machine) 인터페이스도 크게 발전했습니다. 마우스와 키보드가 제스처, 스와이프, 터치 및 자연 언어로 대체되면서 AI와 딥러닝에 대한 관심이 뜨거워지고 있습니다.

동물 보호에 활용되는 딥러닝 기술

컴퓨터는 이미지를 어떻게 '인식'할까요? SAS Advanced Analytics R&D의 선임 관리자 자레드 피터슨(Jared Peterson)이 딥러닝 신경망이 컴퓨터 비전을 뒷받침하는 과학인 이유를 설명합니다.

이 딥러닝 예시에서 컴퓨터 프로그램은 동물 보호에 일조하고자 동물의 족적을 해석하는 방법을 익히고 있습니다.

딥러닝의 기회 및 응용 분야

딥러닝 알고리즘의 반복성과 계층 수 증가에 따른 복잡성, 그리고 네트워크 훈련에 필요한 대량의 데이터로 인해 야기된 딥러닝 문제를 해결하려면 다수의 컴퓨팅 기능이 필요합니다.

딥러닝 기술의 동적 특성(지속적으로 보완하여 기본 정보 패턴의 변화에 적응할 수 있는 능력)은 분석에 보다 동적인 요소를 가미할 수 있는 기회를 제공합니다.

고객 분석의 개인화를 그 예로 들 수 있습니다. 또 다른 기회는 신경망이 오랫동안 사용되어 온 애플리케이션의 정확도와 성능을 높이는 것입니다. 보다 우수한 알고리즘과 컴퓨팅 기능을 통해 분석에 깊이를 더할 수 있습니다.

현재 딥러닝 기술 시장은 인지 컴퓨팅 응용 분야에 초점이 맞춰져 있지만, 기존의 분석 응용 분야(예: 시계열 분석)에도 큰 잠재력이 있습니다.

또 다른 기회는 기존 분석 작업의 효율성과 능률을 개선하는 것입니다. 최근 SAS에서는 음성-텍스트 변환 문제를 주제로 심층 신경망을 실험했습니다. 심층 신경망을 적용하자 단어 오류율이 표준 기술에 비해 10% 이상 감소했습니다. 또, 약 10단계에 달하는 데이터 전처리와 기능 엔지니어링 및 모델링 프로세스가 사라졌습니다. 기능 엔지니어링을 거칠 때 보다 성능이 대폭 향상되었고 시간이 크게 단축되어 패러다임의 전환이 예상됩니다.

딥러닝의 업계 이용 현황

딥러닝은 기술 발전에 지대한 영향을 끼쳐왔습니다. 하지만 이것은 시작에 불과합니다. 딥러닝에 대해 사람들이 어떻게 생각하는지 확인해 보십시오.

딥러닝에 대한 소문의 진실

딥러닝이 여타 머신 러닝 기술과 다른 이유는 무엇일까요? 딥러닝은 과거에 컴퓨터가 감당하기 버거워했던 다양한 분야(특히 기계 인식 분야)의 작업에서 성공을 거뒀습니다. 딥러닝의 작동 원리를 비롯해, 딥러닝에 대한 소문이 결코 과장된 것이 아닌 이유를 자세히 알아보세요.

블로그 게시물 읽기

SAS®로 딥러닝을 수행하는 방법

SAS 소프트웨어를 사용하여 딥러닝 기술을 개발하고 배포하는 방법을 알아보세요. 이 단계별 가이드에서는 여러 가지 신경망 모델을 비교하고 그 사용법을 설명합니다. 아울러, 딥러닝 기술, 응용 분야, 그리고 SAS가 심층 신경망 모델의 개발을 지원하는 방법을 소개합니다.

백서 다운로드

How deep learning imitates our brains

From recognizing the difference between an apple and an orange to making much more complex distinctions, deep learning imitates our brain’s way of thinking. And because it can quickly understand and define relationships, it saves time over traditional techniques – especially with unstructured data like images and text.

Watch the video

딥러닝은 어떻게 사용되고 있을까요?

컴퓨터 과학 연구원과 데이터 사이언티스트가 딥러닝의 성능을 계속 테스트하고 있기 때문에 겉보기에는 딥러닝이 연구 단계에 머물러 있는 것처럼 보일 수도 있습니다. 하지만 딥러닝은 현재 비즈니스 환경에 많이 응용되고 있으며, 연구가 계속되고 있기에 앞으로 그 범위가 확대될 것으로 예상됩니다. 가장 보편적인 응용 분야는 다음과 같습니다.

음성 인식

기업계와 학계 모두 음성 인식에 딥러닝을 적용했습니다. Xbox, Skype, Google Now, Apple의 Siri®의 경우 사람의 말과 음성 패턴을 인식하도록 딥러닝 기술이 이미 적용되어 있습니다.

이미지 인식

이미지 인식의 실제 응용 사례로 자동 이미지 캡션과 장면 묘사기능을 들 수 있습니다. 이 기술은 범죄가 발생한 혼잡 지역에서 행인이 제보한 수천 장의 사진을 보고 범죄 행위를 식별해야 하는 법 집행 기관의 수사에 중요한 역할을 할 수 있습니다. 또한 자율 주행 자동차는 360도 카메라 기술을 통해 이미지를 인식할 수 있습니다.

자연어 처리

딥러닝의 핵심 구성 요소인 신경망은 수년 전부터 문자 언어를 처리하고 분석하는 데 사용돼왔습니다. 텍스트 마이닝을 전문으로 하는 이 기술은 고객 불만 기록이나 진료 기록 또는 뉴스 보고서에서 패턴을 발견하는 데 이용할 수 있습니다.

추천 시스템

Amazon과 Netflix는 과거 행동을 토대로 고객이 다음에 관심을 보일 것으로 예상되는 제품이나 콘텐츠를 높은 확률로 맞추는 추천 시스템이라는 개념을 대중화했습니다. 딥러닝을 이용하면 선호하는 음악이나 의류와 같은 복잡한 환경에서 여러 플랫폼에 걸쳐 추천 기능을 개선할 수 있습니다.


     

yellow and orange abstract art
Data Mining Enterprise Miner

 

SAS의 고급 분석 기술

딥러닝은 데이터 과학자들이 애용하는 기술 중 하나일 뿐입니다. 예측, 텍스트 분석 및 최적화를 비롯한 다른 고급 분석 기술에 대해 알아보세요.

SAS의 분석 솔루션 상세 정보

딥러닝의 작동 원리

딥러닝은 분석을 통해 해결하고자 하는 문제를 표현함에 있어 사람의 사고 방식을 변화시킵니다. 과거에는 컴퓨터에게 문제 해결 방법을 알려주는 것이 주목적이었다면 이제는 문제 자체를 해결하도록 컴퓨터를 훈련시키는 것이 관건입니다.

기존의 분석 방식에서는 입수한 데이터를 사용하여 기능을 엔지니어링하고 새로운 변수를 도출한 다음, 분석 모델을 선택하고, 마지막으로 해당 모델의 파라미터(또는 미지수)를 추정합니다. 이런 기술로도 예측 시스템을 구현할 수 있지만, 모델의 품질과 기능에 따라 완전성과 정확도가 결정되기 때문에 예측 시스템을 널리 보급하기가 어렵습니다. 예를 들어, 기능 엔지니어링을 사용하여 사기 탐지 모델을 개발하는 경우, 일반적으로 일련의 변수를 작성한 후 데이터 변환 기법을 사용하여 해당 변수에서 모델을 도출하게 됩니다. 그 후 모델에 입력될 약 3만 개의 변수를 가지고 모델을 구체화하여, 그 중에서 유의미한 변수를 가려내야 합니다. 데이터를 더 추가하려면 이런 작업을 고스란히 반복해야 합니다.

새로운 딥러닝 방식에서는 모델의 공식화와 규격화 대신, 학습을 통해 계층의 규칙성에서 데이터의 잠재적인 특징을 인식하는 계층적(또는 레이어) 정의를 사용합니다.

딥러닝의 패러다임은 기능 엔지니어링에서 기능 모델로 변화하고 있습니다.

딥러닝의 잠재력은 널리 보급할 수 있고, 우수한 적응력을 발휘하며, 데이터가 추가될 때마다 계속해서 진화하며, 경직된 비즈니스 규칙을 기반으로 구축된 예측 시스템보다 더 동적인 예측 시스템을 만들 수 있다는 데 있습니다. 더 이상 모델을 번번히 수정할 필요가 없습니다. 이제는 학습만 시키면 됩니다.

Back to Top