[KOR] [Tech.] 인공지능(AI) (용어)

인공지능 (Artificial Intelligence, AI): 컴퓨터 시스템이 인간의 학습, 추론, 문제 해결 등의 인지적인 작업을 수행하는 능력을 갖춘 기술이나 시스템을 가리킵니다. 인공지능은 기계 학습, 지식 기반 시스템, 자연어 처리, 컴퓨터 비전 등 다양한 분야에서 활용될 수 있습니다.

기계 학습 (Machine Learning): 인공지능의 한 분야로, 컴퓨터 시스템이 데이터를 학습하고 패턴을 인식하여 예측, 분류, 의사 결정 등의 작업을 수행하는 능력을 갖추게 하는 알고리즘과 기술을 의미합니다. 기계 학습은 지도 학습, 비지도 학습, 강화 학습 등 다양한 접근 방식을 포함합니다.

딥러닝 (Deep Learning): 기계 학습의 한 분야로, 인공 신경망을 사용하여 다층 구조의 모델을 구축하고 학습하는 방법입니다. 딥러닝은 대량의 데이터로부터 특징을 추출하고 패턴을 학습하여 복잡한 문제를 해결하는 데 효과적입니다. 특히 이미지 인식, 음성 인식, 자연어 처리 등의 분야에서 주로 활용됩니다.

강화 학습 (Reinforcement Learning): 기계 학습의 한 분야로, 에이전트가 환경과 상호작용하며 시행착오를 통해 보상을 최대화하는 의사 결정 전략을 학습하는 방법입니다. 강화 학습은 주어진 환경에서 최적의 행동을 찾아내는 데 사용됩니다.

자연어 처리 (Natural Language Processing, NLP): 컴퓨터가 인간의 언어를 이해하고 처리하는 데 관련된 인공지능 분야입니다. 자연어 처리는 문장 분석, 문서 분류, 기계 번역, 감성 분석 등 다양한 응용 분야에서 사용됩니다.

컴퓨터 비전 (Computer Vision): 컴퓨터 비전은 디지털 이미지나 비디오 데이터를 분석, 해석하는 인공지능 분야입니다. 컴퓨터 비전 기술은 이미지 분류, 객체 검출, 세그멘테이션, 트래킹, 얼굴 인식 등 다양한 작업을 수행할 수 있습니다.

자율 주행 (Autonomous Driving): 인공지능과 로봇 공학의 융합으로 실현되는 기술로, 차량이 인간의 개입 없이 스스로 주행하는 능력을 갖추는 것을 의미합니다. 자율 주행 기술은 센서 데이터 수집, 환경 인식, 판단과 결정, 제어 등 다양한 요소를 포함하고 있습니다.

감성 분석 (Sentiment Analysis): 자연어 처리 기술 중 하나로, 텍스트나 문장의 감정, 의견, 태도 등을 파악하는 작업을 말합니다. 감성 분석은 소셜 미디어 분석, 제품 평가, 사용자 의견 분석 등 다양한 분야에서 활용됩니다.

인공 신경망 (Artificial Neural Network): 인공지능의 한 종류로, 생물학적인 신경망에서 영감을 받은 수학적 모델입니다. 인공 신경망은 여러 개의 뉴런과 그들 간의 연결로 구성되며, 데이터를 입력받아 가중치와 활성화 함수를 통해 처리하고 결과를 출력합니다. 딥러닝에서 주로 사용되는 구조입니다.

생성적 적대 신경망 (Generative Adversarial Networks, GANs): 딥러닝의 한 종류로, 생성자와 판별자라는 두 개의 신경망이 경쟁하는 구조입니다. 생성자는 실제 데이터와 유사한 가짜 데이터를 생성하려고 노력하고, 판별자는 생성된 데이터와 실제 데이터를 구분하려고 합니다. 이러한 경쟁을 통해 더 진짜 같은 가짜 데이터를 생성할 수 있는 모델을 학습시킬 수 있습니다.

강화 생성 모델 (Reinforcement Generative Models): 강화 학습과 생성 모델을 결합한 인공지능 모델입니다. 이 모델은 강화 학습의 개념을 활용하여 생성 모델을 학습시키고, 보상을 최대화하는 방향으로 학습합니다. 강화 생성 모델은 실제 환경에서 효과적으로 작동하며, 예를 들어 게임 생성, 영상 생성 등에 활용될 수 있습니다.

심층 강화 학습 (Deep Reinforcement Learning): 딥러닝과 강화 학습을 결합한 기술로, 딥러닝 기법을 사용하여 강화 학습 모델을 학습시키는 것을 의미합니다. 심층 강화 학습은 복잡한 문제를 해결하는 데에 뛰어난 성능을 보이며, 자율 주행, 로봇 제어, 게임 플레이 등 다양한 분야에서 활용되고 있습니다.

전이 학습 (Transfer Learning): 한 작업에서 학습한 지식을 다른 관련 작업에 적용하는 기계 학습의 접근 방법입니다. 전이 학습은 한 작업에서 획득한 모델의 가중치나 특징을 다른 작업에 재사용하여 학습 시간을 단축하고 성능을 향상시킬 수 있습니다. 이는 데이터 부족 문제를 해결하거나 새로운 작업에 대한 초기 모델을 구축하는 데 유용합니다.

지능형 에이전트 (Intelligent Agent): 환경과 상호작용하며 자동으로 의사 결정을 내리고 행동할 수 있는 소프트웨어 또는 시스템을 말합니다. 지능형 에이전트는 센서를 통해 환경의 상태를 인식하고, 지식과 추론을 기반으로 의사 결정을 내리며, 행동을 수행합니다. 예를 들어, 로봇, 가상 비서, 자율 주행 차량 등이 지능형 에이전트의 예시입니다.

배치 학습 (Batch Learning): 기계 학습의 학습 방법 중 하나로, 모델이 일괄적으로 전체 학습 데이터셋을 사용하여 학습되는 방식을 말합니다. 배치 학습에서는 모든 데이터를 한 번에 모델에 입력하여 가중치를 업데이트하고 오차를 최소화하는 방향으로 모델을 조정합니다. 배치 학습은 데이터셋이 작거나 시간적 제약이 없는 경우에 적합합니다.

온라인 학습 (Online Learning): 기계 학습의 학습 방법 중 하나로, 데이터가 점진적으로 도착하는 경우에 사용되는 방식입니다. 온라인 학습에서는 데이터가 도착하는 대로 모델이 순차적으로 학습되며, 실시간으로 가중치가 업데이트됩니다. 이 방법은 대규모 데이터셋이나 실시간 데이터 스트림에서 유용하며, 예측 및 갱신을 신속하게 수행해야 하는 경우에 적합합니다.

군집화 (Clustering): 비지도 학습의 한 방법으로, 데이터를 유사한 특성을 가진 그룹으로 나누는 작업입니다. 군집화는 데이터의 내부 패턴을 발견하고 유사한 데이터끼리 그룹을 형성함으로써 데이터를 이해하고 구조화하는 데 사용됩니다. 주요 군집화 알고리즘에는 k-평균 군집화, 계층적 군집화, DBSCAN 등이 있습니다.

지도 학습 (Supervised Learning): 기계 학습의 학습 방법 중 하나로, 입력 데이터와 해당 데이터에 대한 정답 레이블이 있는 상태에서 모델을 학습하는 방식입니다. 지도 학습에서는 모델이 입력과 정답 레이블 간의 관계를 학습하여 새로운 입력에 대한 정확한 출력을 예측할 수 있도록 합니다. 주로 분류와 회귀 작업에서 사용됩니다.

비지도 학습 (Unsupervised Learning): 기계 학습의 학습 방법 중 하나로, 입력 데이터에 대한 레이블이 없는 상태에서 모델을 학습하는 방식입니다. 비지도 학습에서는 모델이 데이터의 숨겨진 구조, 패턴, 관계를 스스로 발견하고 학습합니다. 주로 군집화, 차원 축소, 이상 탐지 등의 작업에서 사용됩니다.