| 인공신경망 구조 |
|
그림: @philonatu 인공신경망 구조 인공신경망의 인공신경층이 많아질수록 입력값의 전환(transformations)이 많아져서 출력된 결과값의 정확도는 더 향상된다. 결과가 더 정확하다는 것은 데이터를 분류classification하고 클러스터링clustering하는 데 더 성공적이며, 의료 부문에서 진단 성공도가 높다는 뜻이기도 하다. 그래서 기존 인공신경망의 단일 신경층이 아닌 다층의(multi-layer) 신경망을 고안했으며, 다층신경망은 심층학습의 기반이 되는 구조이다. 우리는 이를 심층 인공신경망이라고 말한다. 심층 인공신경망은 그림에서 보듯 입력층과 출력층 사이에 다층의 인공신경망을 가지고 있는 구조이다. 쉬운 이해를 위해서 이세돌을 이긴 알파고 인공지능의 예를 들자면, 알파고 알고리즘의 신경층(layers) 수는 7개에서 13개 수준이었던 인공신경망이었다. 층이 많을수록 연산이 꼭 빠른 것은 아니지만 출력값의 정확도는 높아질 확률이 높다. 특히 이미지나 비디오 데이터를 분류하고 구글 포토처럼 클러스터링 하는 목적을 가진 연산수행에서 그 정확도는 매우 크다. 그러나 다층의 신경망 안에서 어떻게 연산이 수행되고 어떤 논리로 다음 층으로 연결되는지 알지 못한다. 다층의 심층 인공신경망은 입력정보를 넣어주면 유효한 결과를 우리에게 내어주기는 하지만 그 안에서 무엇이 일어나는지 전혀 알 수 없는 블랙박스와 같다. 우리 인간도 우리 눈의 망막을 통해 사물의 정보를 받아들이고, 다층의 시신경에서 뇌신경에 이르는 다층의 신경망을 거치면서 최종적으로 그 외부 사물을 사물답게 그리고 아무 문제없이 인식하지만, 다층의 시신경에서 일어나는 전기화학적 논리를 알지 못하는 것과 같다. 우리는 뇌를 가지고 있지만 뇌가 어떻게 작용하는지 모른다는 점에서 우리의 뇌는 블랙박스와 같다. 마찬가지로 심층 인공신경망도 블랙박스이다. 알파고가 프로 바둑선수와 대결하면서 컴퓨터가 일시 먹통이 되지만 않으면 지는 법 없이 승리하지만, 알파고를 만든 제작자도 자신의 인공지능이 어떻게 승리하는지, 즉 한 수, 한 수 놓는 바둑돌을 착점하는 논리적 근거를 설명하지 못하는 것과 같다. 어쨌든 결과로 볼 때 심층 인공신경망 특화된 알고리즘은 (예외 사항을 빼놓고) 특화된 전문가를 충분히 이긴다. 미래에는 인공신경망 자체가 자신의 알고리즘을 설명할 수 있는 자기-설명 기계로 될 수도 있는데, 이런 미래의 상황이 인간에게 좋은 것인지 나쁜 것인지 아직 분명하지 않다. |
| philonatu.com |