Microsoft 인공지능 교육 1일차 (22.01.10)

 22.01.10

Microsoft 인공지능 교육 1일차

 

학교 공지사항에서 [빅데이터혁신공유대학사업단] "기업-학생 제안 실무형 비교과 프로그램" 수강생 모집을 한다는 공지를 보고 신청을 했다. 학교 커리큘럼에 인공지능이 있었으나 학년 커리큘럼이 변동되는 바람에 인공지능 수업을 듣지 못했던 터라 궁금해서 바로 신청했다. 

 

현재 듣고 있는 교육은 내가 신청한 2개의 수업 중 한 개인 “Microsoft와 함께하는 인공지능 입문+취업특강”이다. 

5일 동안 비대면 교육을 듣고 난 후 Microsoft에서 제공하는 자격증(AI-900) 시험에 응시하게 된다. 

 

수업의 목표

4차 산업혁명의 핵심 기술인 인공지능이 무엇인지 안다.
인공지능을 이해하고, 기초적인 기술을 다뤄본다.
실습을 통해서 인공지능 활동을 수행한다.
Microsoft 인공지능 국제인증자격증인 AI-900을 취득한다

 

AI-900 자격증 접수

 

 

---

1일차 교육은 간단하게 인공지능에 대한 이론 수업을 했다. 

아래 내용은 이번 교육 내용 (+ 학교 다닐 때 배운 기초적 기계학습 내용)이다. 

 

인공지능이란?

인간의 능력을 모방하는 소프트 웨어 

데이터와 과거 경험을 기반으로 의사 결정

 

일반적인 인공지능 워크로드

• 기계 학습 : 데이터 및 통계를 기반으로 한 예측 모델 - AI의 기초
• 변칙 검색 : 비정상적인 패턴이나 이벤트를 감지하여 선제적 조치를 가능하게 하는 시스템
• Computer Vision : 기계의 시각적(카메라, 이미지 또는 비디오...) 입력을 해석하는 분야 
• 자연어 처리 : 인간의 언어(서면 또는 음성 언어)를 컴퓨터같은 기계를 이용해서 묘사할 수 있도록 연구하고 이를 구현하는 분야
• 대화형 AI : 인간 사용자와의 대화에 참여 할 수 있는 AI 에이전트(또는 봇)

 

Azure : Microsoft의 인공지능

 

책임 있는 AI의 원칙 
1. 공정성
2. 신뢰성 및 안정성
3. 보안 & 개인 정보
4. 포괄성
5. 투명성
6. 책임

---

Machine Learning(기계학습)이란?

인공지능의 한 분야로 경험을 통해 자동으로 개선하는 컴퓨터 알고리즘

데이터 및 통계를 기반으로 한 예측 모델

 

기계학습의 3가지 유형

1. Supervised Learning (지도 학습, 감독 학습)

2. Unsupervised Learning (비지도 학습)

3. Reinforcement Learning (강화 학습)

 

 

1. Supervised Learning (지도 학습, 감독 학습)

 

훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 방법

문제(Feature)와 정답(Label) 제공

 

 

지도 학습의 예

• Classification(분류)

 

 

고양이 사진 1000장과 함께 정답 CAT을 입력하여 학습시키고 강아지 사진 1000과 함께 정답 DOG를 입력하여 학습을 시킨 후 새로운 고양이 사진을 입력하면 97% CAT 이런식으로 결과가 나온다. 

(학습시킨 사진이 아니라면 100%까지 나오기는 힘들다.)

 

만약 고양이 사진 900장에 강아지 사진 100장이 섞여서 CAT이라고 입력되었다면 그것은 잘못된 학습이다.

 

일반인 X-RAY, 폐암환자 X-RAY 사진 비교

여러 학생의 데이터를 입력한 후 특정 학생이 휴학 할 것인가 안할 것인가의 여부 등 다양하게 사용될 수 있다. 

 

 

• Regression(회기 분석)

Train Data를 토대로 연속된 값(그래프)를 예측하는 문제로 값을 예측할 때 사용된다. (통계학에서도 많이 쓰임)

즉 답이 1, 0 처럼 딱 떨어지지 않고 어떤 수나 실수로 예측 될 수 있다. 

 

ex) 연봉 예측

 

모든 데이터를 전부 학습 시키지 않고 일부는 Train Data 나머지는 Test Data로 사용한다. 

Test Data의 예측 결과 값과 실제 결과값을 비교하여 오차를 확인한다.

 

 

 

2. Unsupervised Learning (비지도 학습, 자율 학습)

 

데이터가 어떻게 구성되었는지를 알아내는 문제의 범주에 속함

지도학습, 강화학습과는 달리 입력값에 대한 목표치가 주어지지 않음

 

비지도 학습의 예

 

• Anomaly Detection(이상 징후 감지)

정상으로 규정된 데이터와 다른 특징을 가지는 데이터는 찾아내는 방법이다. 

 

예를 들어 신용 카드 거래 내역을 조사하여 일반적이지 않은 패턴을 발견(Anomaly)하면 금융사고가 아닌지 확인을 위해 결제를 멈추고 확인 전화를 통해 안전한 거래임을 확인하는 것이다. 

300만명이 고객일 때 전부 다른 Max를 정해 관리해야한다. 

 

• Clustering(군집)

그룹화를 통한 예측, 그룹 특성차이를 분석한다. 

 

예를 들어 어떠한 꽃들 사진이 있고 이 사진들이 어떤 꽃인지 정답이 없는 데이터에 대해 잎의 수, 색상, 모양 등에 대한 특성을 토대로 코스모스, 해바라기, 민들레 등 군집으로 나는 것이다. 

 

 

 

 

3. Reinforcement Learning (강화 학습)

어떤 환경을 탐색하는 에이전트가 현재의 상태를 인식하여 어떤 행동을 취한다. 

그러면 그 에이전트는 환경으로 부터 보상(Reward)을 얻게 된다. 강화학습의 알고리즘은 그 에이전트가 앞으로 누적될 포상을 최대화하는 일련의 행동으로 정의되는 정책을 찾는 방법

 

게임(알파고), 로봇

 

ex) 반려동물의 배변 훈련과 비슷하다고 생각하면 된다. 강아지(Agent)가 배변패드에서 올바르게 배변활동을 했을 때(Action) 보상으로 간식(Reward)을 주게 되면 강아지가 간식을 먹기 위해 배변 활동 시 배변 패드에서 하게 될 것

 

 

 

 

---

Computer Vision

• 이미지 분류(classification) : 이미지에서 택시인가 아닌가? 사람인가 아닌가? 분석
• 개체 감지(object detection) : 이미지에서 버스, 자동차, 사람 등 개체들을 감지 
• 의미 체계 구분 
• 이미지 분석 : 이미지를 분석하여 도시에서 길을 걷고 있는 사람들과 같은 결과 도출
• 얼굴 감지 및 인식 : 이미지에서 사람의 얼굴을 감지하고 나이, 성별, 감성 등과 같은 정보 인식
• 광학 문자 인식 : 이미지에서 글자 추출

 

자연어 처리

• 텍스트 분석 및 엔티티 인식

'자장면 한 그릇 보내줘'  -> 의도 파악(Intent) -> 주문 -> 중요 키워드(Entity) : (자장면, 한 그릇)

• 감정 분석

ex) 문장을 통해 감정을 분석(뉘앙스)한 다음 positive, negative 분석 

• 음성 인식 및 함성

Gzure TTS -> 텍스트를 음성으로 변환

Gzure STT -> 음성을 텍스트로 변환

• 기계 번역
• 의미 체계적 언어 모델링

---

학교 수업에서 기계학습에 대해 기초를 배운적 있었는데 다시 한번 떠올려볼 수 있는 기회가 됐다. 또한, 학교 졸업 작품을 준비하면서 Computer Vision의 객체 감지와 OCR을 Google Cloud Vision을 사용하여 구현했는데 Microsoft에서도 제공된다는 점을 알았다. 

인공지능에 대해 좀 더 흥미를 가지게 된 것 같아서 아직 1일차이긴 하지만 좋은 경험이 된 듯하다.