주요 내용:
- 인공 지능(AI)은 인간과 같은 작업을 수행하도록 프로그래밍된 컴퓨터에서 인간 지능을 시뮬레이션하는 것을 말합니다.
- 머신 러닝 (ML)은 데이터를 사용하여 특정 작업 세트의 성능을 개선하는 방법을 학습할 수 있는 모델을 구축하는 데 중점을 둔 AI의 하위 집합입니다.
- 딥 러닝 은 기계 학습의 하위 집합이며 뇌의 생물학적 신경망을 느슨하게 모델링한 인공 신경망을 기반으로 합니다.
- 이전에 AI의 주요 단점이었던 제한된 데이터 저장 및 처리 속도는 이제 더 이상 주요 문제가 아닙니다.
- AI는 다양한 분야와 도메인에서 다양한 응용 프로그램을 보유하고 있습니다. 최근 언론의 주목을 받은 두 가지 AI 프로젝트는 ChatGPT 와 DALL-E입니다.
- 훈련 데이터의 양과 계산 능력이 증가함에 따라 더 효과적인 응용 프로그램으로 이어질 수 있는 더 강력한 AI 모델을 훈련하는 것이 가능할 것입니다.
AI, 기계 학습 및 딥 러닝: 정의
인공 지능(AI)은 머신 러닝(ML), 딥 러닝, 데이터 과학과 같은 다른 유사한 용어와 함께 최근 전 세계를 강타했습니다. 아래는 이러한 용어에 대해 혼란을 느낄 수 있는 사람들을 위한 간략한 설명입니다.
인공 지능은 정보 합성 및 추론과 같은 인간과 유사한 작업을 수행하도록 프로그래밍된 컴퓨터에서 인간 지능을 시뮬레이션하는 것을 말합니다.
기계 학습은 데이터를 사용하여 특정 작업 세트의 성능을 향상시킨다는 의미에서 “학습”하는 모델을 구축하는 데 중점을 둔 AI의 하위 집합입니다. 기계 학습은 크게 세 가지 범주로 나눌 수 있습니다.
- 감독 학습: 컴퓨터는 라벨이 지정된 예(알려진 입력 X와 실측 출력 Y)로 구성된 데이터에 대해 교육을 받으며 목표는 새로운 예에서 입력을 출력에 매핑할 수 있는 일반 규칙 또는 함수(F)를 학습하는 것입니다. (즉, Y = F(X)). 감독 학습의 예로는 기계가 0에서 9까지의 손글씨 숫자를 인식하는 방법을 학습하는 손글씨 숫자 인식이 있습니다.
- 비지도 학습: 이러한 종류의 알고리즘은 레이블이 지정되지 않은 데이터를 분석하여 기본 패턴을 발견합니다(X만 제공되고 Y는 제공되지 않음). 비지도 학습의 예로는 레이블이 지정되지 않은 데이터를 유사점 또는 차이점에 따라 다양한 클러스터로 그룹화하는 것을 목표로 하는 클러스터링이 있습니다.
- 강화 학습: 강화 학습은 지능형 에이전트가 특정 보상 기능을 최대화하기 위해 주어진 환경에서 조치를 취해야 하는 방법을 연구합니다. 강화 학습은 자율 주행 자동차와 로봇 공학뿐만 아니라 보드 게임과 컴퓨터 게임을 위한 훈련 기계에도 적용될 수 있습니다.
딥 러닝 은 기계 학습의 하위 집합이며 뇌의 생물학적 신경망을 느슨하게 모델링한 컴퓨팅 시스템인 인공 신경망을 기반으로 합니다. 뇌의 생물학적 뉴런과 유사한 네트워크의 인공 뉴런은 연결된 다른 뉴런으로 신호를 수신하고 전송할 수 있습니다.
데이터 과학은 의미 있는 인사이트를 추출하기 위해 데이터를 연구하는 것을 말합니다. 통계, 수학 및 컴퓨터 과학을 활용하여 다양한 유형의 데이터를 분석하는 고도로 학제적인 분야입니다. 인공 지능 모델에는 일반적으로 훈련을 위한 데이터가 필요하기 때문에 데이터 과학은 AI, 머신 러닝 및 딥 러닝과 교차합니다.
아래 표는 AI, 기계 학습 및 데이터 과학의 다양한 초점과 응용 프로그램을 보여줍니다.
AI의 역사와 발전
AI의 현재 상태는 주로 시간이 지남에 따라 계산 능력이 몇 가지 혁신을 이룬 산물입니다. 컴퓨팅 성능이 지난 10년 동안 기하급수적으로 증가함에 따라 이전에 AI의 주요 병목 현상이었던 제한된 데이터 저장 및 처리 속도는 이제 더 이상 주요 문제가 아닙니다. 하드웨어(CPU 및 GPU와 같은)도 몇 년 동안 더 저렴해지고 더 쉽게 접근할 수 있게 되었으며, 이로 인해 새로운 모델을 만들 수 있었고 AI에 대한 더 많은 자금과 연구를 할 수 있었습니다.
또한 AI 비용은 이제 낮아졌지만 교육 시간은 더 빨라졌습니다. Stanford의 AI 인덱스 보고서 에 따르면 2018년 이후 교육 비용은 63.6% 감소했으며 교육 시간은 94% 이상 개선되었습니다. 이러한 모든 개발은 즉시 사용 가능한 방대한 양의 데이터와 함께 더 나은 모델을 교육하고 오늘날 볼 수 있는 더 나은 결과를 생성하는 데 도움이 되었습니다. AI의 점진적인 발전과 공간에서 주목할만한 몇 가지 발전이 아래의 간략한 일정에 나와 있습니다.
AI는 새로운 용어가 아니며 딥 러닝 및 신경망과 같은 AI 알고리즘은 1950년대까지 거슬러 올라갈 수 있습니다. 그러나 딥러닝을 효율적으로 만들기 위해 컴퓨팅 성능이 향상되고 2017년 구글 브레인에 의해 도입되어 GPT-3에 채택된 트랜스포머 와 같은 새로운 AI 알고리즘과 모델도 최근에야 등장했습니다. ChatGPT의 모델입니다.
AI 개발 및 응용
AI는 다양한 분야와 도메인에서 다양한 응용 프로그램을 보유하고 있습니다. 상당한 주목을 받은 두 개의 AI 프로젝트는 ChatGPT 와 DALL-E 입니다 . 두 프로젝트 모두 출시 이후 Google 검색 관심도가 증가했으며 소셜 미디어에서 눈에 띄게 소개되었습니다.
ChatGPT는 광범위한 지식 영역에 대한 질문에 상세하고 현실적인 답변을 제공할 수 있는 챗봇입니다. 2022년 11월 OpenAI에 의해 출시되었으며 감독 및 강화 학습 기술을 사용하여 훈련됩니다. 질문에 답하는 것 외에도 ChatGPT는 다양한 프로그래밍 언어로 코드를 작성 하고 음악을 작곡 할 수 있습니다.
DALL-E 및 DALL-E 2는 사용자의 자연어 프롬프트를 기반으로 이미지를 생성할 수 있는 딥 러닝 모델입니다. DALL-E의 최신 버전은 2022년 4월 에 발표된 DALL-E 2입니다. DALL-E보다 더 높은 해상도의 이미지를 생성할 수 있어 보다 사실적이고 다양한 스타일을 결합할 수 있습니다.
AI의 다른 사용 사례에는 Go와 같은 보드 게임이 포함됩니다. AlphaGo는 Google의 자회사인 DeepMind Technologies에서 개발했으며 당시 세계 바둑 1위였던 Ke Jie를 물리칠 수 있었습니다. 이후 AlphaGo는 중국 Weiqi 협회에서 프로 9단을 수상했습니다.
AI의 또 다른 유망한 응용 분야는 자율주행으로, 주변 환경을 인식하는 센서와 자동차를 제어하고 탐색하는 컴퓨터 시스템의 도움을 받아 인간의 입력을 줄임으로써 자동차가 이동할 수 있습니다. 자율주행에는 다양한 수준이 있으며, 현재 첨단 기술은 운전자가 운전에서 주의를 돌릴 수 있는 수준 3(“눈을 끔”)과 같은 중간 수준에 도달할 수 있습니다.
Web3의 AI 생성 콘텐츠 및 애플리케이션 에 대해 자세히 알아보세요 .
AI의 장단점
기계는 24시간 쉬지 않고 일할 수 있기 때문에 AI는 지루하고 반복적인 작업을 인간보다 효율적으로 수행할 수 있습니다. 예를 들어 AI 챗봇은 24시간 고객 문의에 답변하는 데 도움이 될 수 있습니다.
또한 AI 기반 로봇과 기계는 인간에게 위험하거나 위험한 작업을 수행할 수 있습니다. 예를 들어 AI 로봇은 심해를 탐험하거나 폭발물을 해체하거나 유해 화학 물질이 있는 공장에서 일할 수 있습니다.
AI는 또한 인간이 분석하거나 시각화하기 어려울 수 있는 대규모 고차원 데이터 세트로 효과적으로 작업할 수 있습니다. 컴퓨팅 속도가 증가함에 따라 AI는 더 빠른 데이터 수집 및 추출을 수행한 다음 데이터를 변환하고 해석할 수 있습니다.
AI의 한 가지 단점은 때때로 창의성과 혁신이 부족하다는 것입니다. AI가 이 측면에서 빠르게 개선되고 있지만 AI가 생성한 텍스트와 이미지 중 일부는 여전히 인간의 손길이 부족하고 딱딱하고 로봇적인 스타일로 보일 수 있습니다.
AI는 때때로 일반적인 인간이 하지 않는 실수를 할 수 있으며 잠재적으로 품질 문제로 이어질 수 있습니다. 예를 들어, AI 연구원이자 스탠포드 교수인 Andrew Ng 는 ChatGPT가 어떻게 주판이 GPU보다 빠른지를 잘못 설명하는 예를 생성했습니다. 따라서 어떤 경우에는 최첨단 AI조차도 아직 충분한 수준의 정확도에 도달하지 못했습니다.
AI의 미래
AI의 전망은 밝습니다. 무어의 컴퓨팅 법칙 에 따르면 마이크로칩의 트랜지스터 수는 약 2년마다 두 배가 됩니다. 반면 비용은 동일한 기간 동안 절반으로 줄어듭니다. 요컨대, 컴퓨터의 속도와 기능은 2년마다 증가하는 동시에 더 저렴해질 것으로 예상됩니다. 동시에 전 세계 데이터의 양은 기하급수적으로 증가하여 2025년까지 175제타바이트 (175조 기가바이트)에 이를 것으로 예상됩니다.
위의 추세는 딥 러닝과 같은 알고리즘이 더 높은 컴퓨팅 성능과 많은 양의 데이터로 더 효과적으로 작동하기 때문에 AI에 매우 유리합니다. 예를 들어 ChatGPT는 대형 언어 모델(LLM) 방대한 양의 텍스트 데이터로 학습되고 1,750억 매개변수. 일반적으로 훈련 데이터의 양과 계산 능력이 증가할수록 더 강력한 AI 모델을 훈련할 수 있어 더 효과적인 응용 프로그램으로 이어질 수 있습니다.
AI가 특정 작업을 자동화하고 인간보다 더 나은 성과를 달성할 수 있기 때문에 실업으로 이어질 수 있다는 우려와 논쟁이 있습니다. AI는 부기 및 데이터 입력과 같은 낮은 기술이 필요한 작업에서 인간을 대체할 수 있지만 이 기술은 인간을 돕는 방법으로 보아야 합니다. AI는 반복적인 작업을 자동화하여 직원의 생산성을 높일 수 있습니다. 예를 들어, 기존 AI 기술은 판매 프로세스에서 영업 사원이 수행하는 작업의 최대 40%를 자동화할 수 있습니다.
유명한 물리학자 스티븐 호킹은 “…이론적으로 컴퓨터는 인간의 지능을 모방하고 능가할 수 있다”고 말했습니다. AI 영역에서 컴퓨터가 일반 인간이 생성하는 것과 동등하거나 그보다 더 나은 텍스트 및 이미지 출력을 생성하기 시작하면서 이러한 현상이 구체화되기 시작했습니다. 앞으로 몇 년 동안 미래의 AI 개발을 관찰하는 것은 흥미로울 것입니다.
더 많은 예제와 참조를 포함하여 AI 및 사용 사례에 대한 전체 보고서를 여기에서 읽어보십시오 .
Crypto.com 앱에서 AI 토큰 추적
AI 기술의 부상으로 빠르게 인기를 얻고 있는 새로운 AI 토큰이 등장했습니다. 이러한 관심에 부응하기 위해 Crypto.com 앱은 Track Coins에 새로운 카테고리를 추가하여 사용자가 상위 AI 토큰을 쉽게 따라갈 수 있도록 했습니다. 여기에서 AI 및 기타 모든 범주를 확인하십시오.
실사 및 자체 조사 수행
이 문서에 나열된 모든 예제는 정보 제공의 목적으로만 제공됩니다. 그러한 정보나 기타 자료를 법률, 세금, 투자, 재정 또는 기타 조언으로 해석해서는 안 됩니다. 여기에 포함된 어떠한 내용도 Crypto.com 이 코인, 토큰 또는 기타 암호화 자산을 투자, 구매 또는 판매하도록 권유, 추천, 보증 또는 제안을 구성하지 않습니다. 암호화 자산의 구매 및 판매에 대한 수익은 귀하의 관할 구역에서 자본 이득세를 포함한 세금의 대상이 될 수 있습니다. Crypto.com 제품 또는 기능에 대한 모든 설명은 단지 설명을 위한 것이며 보증, 초대 또는 권유를 구성하지 않습니다.
과거 성과는 미래 성과를 보장하거나 예측하지 않습니다. 암호화 자산의 가치는 증가하거나 감소할 수 있으며 구매 가격의 전부 또는 상당한 금액을 잃을 수 있습니다. 암호화폐 자산을 평가할 때 모든 구매는 전적으로 귀하의 책임이므로 조사와 실사를 통해 최선의 판단을 내리는 것이 중요합니다.
