[Udemy] Artificial Intelligence (AI) - 3. Deep Learning

3. Deep Learning

1. 딥러닝이란 무엇인가?

• 인간 뇌를 모방한 인공신경망(Artifical Neural Network)을 여러 층으로 쌓은 것
• 계층 구조 
  Artificial Intelligence (인공지능)
     └── Machine Learning (머신러닝)
           └── Deep Learning (딥러닝)
• AI: 사람처럼 생각하는 기계 
• 데이터로부터 패턴을 학습 
• 신경망을 깊게 쌓아서 복잡한 패턴 학습

2. 인공신경망 (Neural Network)

1. 뇌의 뉴런 VS 인공 뉴런

• 사람의 뇌
  • 뉴런(신경세포)
    → 입력 신호 받음 (시냅스)
    → 신호 처리
    → 출력 신호 전달 (축삭)
  • 인공 뉴런 
    → 입력값 받음 (x1, x2, x3...)
    → 가중치 곱셈 (w1*x1 + w2*x2 + w3*x3)
    → 활성화 함수 적용
    → 출력값 전달

 

2. 신경망의 구조 

• [입력층] → [은닉층 1] → [은닉층 2] → ... → [출력층]
• 예시: 손글씨 숫자 인식
  • 입력층 (784개 뉴런)
    - 28x28 픽셀 이미지를 입력
    - 각 픽셀의 밝기 값
  • 은닉층 1 (128개 뉴런)
    - 간단한 패턴 학습 (선, 곡선 등)
  • 은닉층 2 (64개 뉴런)
    - 복잡한 패턴 학습 (숫자의 특징)
  • 출력층 (10개 뉴런)
    - 0~9 중 어떤 숫자인지 확률 출력
    - [0.01, 0.02, 0.85, 0.05, ...] → "2"일 확률 85%

3. "Deep"의 의미

• Shallow (얕은) 신경망
  • 입력 → 은닉층 1 → 출력
    (총 3층)
• Deep (깊은) 신경망
  
  • 입력 → 은닉층 1 → 은닉층 2 → ... → 은닉층 100 → 출력
    (총 102층)
• 왜 깊게 쌓나?
  • 얕은 신경망: 간단한 패턴만 학습
  • 깊은 신경망: 복잡하고 추상적인 패턴 학습 가능
• 예시: 얼굴 인식
  1층: 선, 모서리 감지
  2층: 눈, 코, 입 부분 감지
  3층: 눈, 코, 입의 배치 관계 학습
  4층: 특정 사람의 얼굴 특징 학습

3. 딥러닝은 어떻게 학습하나?

1. 학습 과정

• 목표: 고양이 vs 개 분류 
• 1단계: 초기 상태 (무작위)
  • 입력: 고양이 사진
    신경망 예측: "개" (50%), "고양이" (50%)
  • 정답: "고양이"
    → 틀렸음!
• 2단계: 오류 계산
  • 오류 = 정답 - 예측
         = "고양이"(100%) - "개"(50%)
         = 50% 틀림
• 3단계: 가중치 조정 (역전파)
  • "고양이" 쪽으로 가중치를 조금 조정
    뾰족한 귀 → 고양이 방향으로 가중치 증가
• 4단계: 반복
  • 수천 장의 사진으로 이 과정을 반복
    점점 정확도 향상: 50% → 70% → 90% → 95%

2. 왜 딥러닝이 강력한가?

• 예시: 고양이 vs 개 분류
• 얕은 신경망 (2층)
  
  • "뾰족한 귀 있음" → 고양이 (너무 단순함)
  • 문제: 귀가 안 보이는 각도의 사진은 분류 실패 
• 깊은 신경망 (20층)
  
  • 1-5층: 선, 모서리, 색상 패턴
  • 6-10층: 눈, 코, 귀의 형태
  • 11-15층: 전체 얼굴 구조
  • 16-20층: 몸통, 자세, 맥락
• 즉, 다양한 각도에서 정확히 분류 

3. 왜 전문가가 필요한가?

• 이유 1: 아키텍처 설계 
  
  • 딥러닝은 "무엇을 학습할지"를 스스로 정하지만, "어떻게 학습할지"는 사람이 설계해야합니다.
  • 설계해야 할 것들
    
    • 층(Layer) 개수: 5층? 50층? 500층?
    • 각 층의 뉴런 수: 128개? 512개?
    • 층의 타입: Convolution? LSTM? Attention?
    • 연결 방식: 순차적? Skip connection?
  • 같은 데이터, 다른 아키텍처 = 완전히 다른 성능  
• 이유 2: 하이퍼파라미터 튜닝
  
  • 하이퍼파라미터 = 학습 과정을 제어하는 설정값 
  • 주요 하이퍼파라미터
    
    • Learning Rate (학습률)
      
      • 너무 크면: 학습이 불안정, 발산
      • 너무 작으면: 학습이 너무 느림, 멈춤
    • Batch Size (배치 크기)
      
      • 한 번에 몇 개의 데이터로 학습할지
      • 메모리와 속도의 트레이드오프
    • Optimizer (최적화 알고리즘)
      
      • SGD, Adam, RMSprop 등
      • 문제마다 최적이 다름
• 이유 3: 데이터 준비
  
  • Garbage In, Garbage Out
    
    • 아무리 좋은 모델도 나쁜 데이터로는 좋은 결과가 불가능
  • 전문가가 하는 일
    
    • 데이터 품질 확인
    • 데이터 불균형 해결
    • 데이터 증강 (Augmentation)
    • 이상치(Outlier) 처리
  • 예시: 고양이 vs 개 분류
    • 잘못된 데이터:
      - 고양이 사진 10,000장
      - 개 사진 100장
      → 모델이 "전부 고양이"라고 찍으면 정확도 99%! (무의미)
    • 전문가가 해결:
      - 개 사진 추가 수집 또는
      - 고양이 사진 줄이기 또는
      - 가중치 조정
• 이유 4. 문제 정의
  
  • 예시: 제조 불량품 검사
  • 잘못된 문제 정의:
    
    • "사진만 주면 AI가 알아서 불량품을 찾겠지."
  • 올바른 문제 정의:
    
    • 어떤 종류의 불량인가? (흠집, 크기 오차, 색상 불량 등)
    • 각 불량의 심각도는? (어느 정도부터 불량인가?)
    • 오탐 vs 미탐 중 무엇이 더 위험한가?
    • 어떤 조명/각도에서 촬영하나?
  • 즉, 문제를 잘 정의해야 올바른 솔루션이 나옴

4. 딥러닝의 장단점 

1. 장점

• 높은 정확도
  
  • 많은 영역에서 사람 수준 초과
  • 예: 이미지 인식, 음성 인식, 번역
• 자동 특징 추출
  
  • 사람이 특징을 정의할 필요 없음
  • 데이터에서 알아서 중요한 패턴 발견
• 확장성
  
  • 데이터가 많을수록 성능 향상
  • 기존 모델을 새로운 작업에 재활용 (Transfer Learning)

2. 단점 

• 대량의 데이터 필요
  
  • 수천~수만 개의 학습 데이터 필요
  • 데이터 수집 및 라벨링 비용 큼
• 높은 연산 비용
  
  • GPU 필수 (1개당 수백만~수천만 원)
  • 전기료 비용
  • 학습 시간 (수시간~수일)
• Black Box
  
  • "왜 그렇게 판단했는지" 설명하기 어려움
  • 의료, 금융 등에서는 문제가 될 수 있음
• Overfitting (과적합) 위험
  
  • 학습 데이터에만 과도하게 최적화
  • 새로운 데이터에서 성능 저하

5. 실전 적용 사례

1. 주요 기업 사례

• Google AI - 암 진단
  
  • 병리 이미지 분석 (Deep Learning)
  • 전이암(Metastasis) 탐지
  • 효과:
    
    • 정확도 89% (전문의 73% 대비 향상)
    • 진단 보조로 의료 품질 개선
• CoCounsel - 법률 AI
  
  • 문서 검토, 요약, 작성 자동화
  • 150년 법률 데이터 학습
  • 효과: 
    
    • 12,000+ 로펌 사용
    • 업무 시간 절감 및 정확도 향상
• Goldspot - 광물 탐사
  
  • 지질 데이터 분석
  • 금 매장지 예측
  • 효과:
    
    • 86% 탐지 정확도
    • 탐사 비용 및 시간 절감
• Digital Domain - VFX (영화)
  
  • 배우 얼굴 데이터 기반 캐릭터 생성
  • 실시간 렌더링
  • 효과: 
    
    • 제작 효율 증가
    • 영화 흥행 성공 (약 $3B 수익)
• Ayasdi - 자금세탁 방지
  
  • 금융 거래 패턴 분석
  • 효과:
    
    • 조사량 20% 감소
    • 새로운 리스크 탐지
• Deep Instinct - 사이버 보안
  
  • 악성코드 탐지
  • 효과:
    
    • 99% 탐지율
    • 낮은 CPU 사용 (<1%)
• Doxel - 건설 생산성 분석
  
  • 드론/로봇 데이터 분석
  • 공정 진행 상황 추적
  • 효과:
    
    • 생산성 38% 증가
    • 예산 11% 절감
• Photoroom - 이미지 생성
  
  • 배경 제거 및 이미지 생성
  • 효과:
    
    • 연간 50억 이미지 처리
    • 콘텐츠 제작 자동화
• Zestimate - 부동산 가격 예측
  
  • 부동산 데이터 분석
  • 효과: 
    
    • 오차율 약 1.9%
    • 평가 비용 절감
• Zest Finance - 대출 리스크 평가
  
  • 신용 데이터 분석
  • 부도 가능성 예측
  • 효과:
    
    • 손실 23% 감소

2. 성공 요인

• 대량 데이터 활용
• 반복 업무 자동화
• 높은 정확도 요구 문제
• 인간 판단 보조/대체
• 비용이 큰 프로세스 개선