[관리시스템 AI] 기계 학습 시스템의 유형

안녕하세요. 오늘은 AI에 대해 간단히 알아보려 합니다.

개발자는 자신이 만들고 관리하는 시스템 학습 (ML) 시스템에 대해 많이 알고 있습니다. 그러나 비 개발자는 시스템 유형에 대한 높은 수준의 이해가 필요합니다. 인공 신경망과 전문가 시스템은 고전적인 두 가지 핵심 클래스입니다. 컴퓨팅 성능, 소프트웨어 기능 및 알고리즘 복잡성이 진보함에 따라 분석 알고리즘은 틀림없이 다른 두 가지와 결합했다고 말할 수 있습니다. 이 세 가지 유형에 대해 얘기해보겠습니다.

• 인공 신경망

언론 대부분을 얻는 ML 아키텍처는 인공 신경망 (ANN)이며, 번갈아 신경망 (CNN)이라고 부릅니다. 이론적으로 CNN은 학계 및 회의에서 거의 항상 논의되는 유형이 된 ANN의 한 형태이지만, 아래에 논의 된 다른 두 가지 방법 (전문가 시스템 및 분석)과 비교할 때 충분히 유사합니다.

워렌 맥 컬러 (Warren McCullough)와 월터 피츠 (Walter Pitts)가 수학과 논리에 기초한 뇌 활동 모델을 처음 정의했을 때, ANN의 개념은 1943 년으로 거슬러 올라갑니다. 당시 컴퓨팅의 한계는 ANN이 금세기까지 비즈니스에 영향을 미치지 않았음을 의미했습니다. 네트워킹 및 병렬 컴퓨팅의보다 빠르고 저렴한 컴퓨팅 및 발전으로 인해 성능이 향상되었으며 ANN을 ML 최전방으로 밀어내는 데 도움이되었습니다.

ANN은 컴퓨터가 두뇌가 어떻게 작동하는지 이해하는 방법 인 심층 학습 유형입니다. "Leverage"는 ANN 개발자가 뇌를 모방하는 것이 아니라 뇌가 작동하는 방식에 대한 일반적인 아이디어를 사용하는 것과 같이 중요한 단어입니다. 한 교과서에 따르면 "현대 용어 '심층 학습'은 현재의 기계 학습 모델 유형에 대한 신경 과학적 관점을 뛰어 넘습니다. 중립적 인 영감을 필요로하지 않는 기계 학습 프레임 워크에 적용될 수있는보다 복합적인 구성을 배우는보다 일반적인 원칙을 이용합니다. "(Goodfellow, Ian, Yoshua Bengio, Aaron Courville. )

ANN은 계층에 속한 노드 그룹입니다. ANN에는 입력 레이어, 출력 레이어 및 정보를 처리하는 숨겨진 레이어가 포함됩니다. 각 계층 내의 노드는 동일하며 이전 계층에서 전달 된 정보를 처리합니다. 예를 들어, 시력에서 하나의 레이어는 그라디언트를 찾아서 오브젝트의 모서리를 식별 할 수 있으며 더 고급 레이어는보다 복잡한 개념을 인식하기 위해 그 위에 추가됩니다.

각 노드에 전달되는 내용은 이전 노드의 정보가 아닙니다. 이 정보는 일반적으로 통계 및 확률론적 방법을 사용하여 정보를 이해하고 출력 레이어에 도달 할 때까지 다른 레이어로 정보를 전달하기 위해 조작되는 데이터 배열입니다.

위 ANN 그림은 순방향 전파 또는 피드 포워드 시스템의 예를 보여줍니다. 각 계층은 다음에 정보를 제공합니다.이 정보는 설정된 통계 및 기타 분석 방법을 사용하여 결과를 다음 단계로 전달합니다. 역 전파 (미도시)는 나중 계층에서 습득 한 지식을 네트워크로 다시 밀어 넣어 이전 계층의 매개 변수를 조정하도록 도와줍니다.

배열 처리는 깊은 학습에 사용되는 또 다른 용어인 텐서로 연결됩니다. 텐서는 단순히 다차원 배열입니다. 스프레드 시트 테이블은 2 차원 배열 또는 텐서의 버전입니다. ANN은 계속해서 복잡한 배열을 사용하고 있으며 텐서는 수학적인 용어이므로 그 단어의 중요성이 커졌습니다. 오픈 소스 제품인 TensorFlow는 기계 학습 애플리케이션에서 루틴을 사용하기위한 소프트웨어 라이브러리의 근원입니다.

• 전문가 시스템

논리는 1980 년대 주요한 AI의 초점이었습니다. 룰 기반 시스템은 입력 데이터를 받아 일련의 규칙을 적용하고 희망적으로 결론에 도달합니다. "희망 적으로"는 발견 적 알고리즘과 결정적 알고리즘 간의 주요 차이점입니다. 결정 론적 알고리즘이 실행되면 솔루션을 얻을 수 있습니다. 경험적 방법은 예측은 할 수 있지만 확실하지는 않은 규칙입니다. 휴리스틱 알고리즘은 종종 규칙을 적용하고 결과를 제공하는 동안 확률 론적 방법을 사용합니다.

• 전방 연쇄와 후방 연쇄

이러한 논리 시스템의 첫 번째 주요 응용 프로그램은 스탠포드 대학의 Dendral 프로젝트입니다. Dendral은 질량 분광기의 데이터를 기반으로 유기 화합물을 확인했습니다.

현대 병원에서 모니터는 지속적으로 많은 환자 데이터 포인트를 추적합니다. 온도와 심박수와 같은 것들의 변화에 ​​기초하여, 전문가 시스템은 환자가 더 좋아 지거나 악화되고 있다고 결론을 내리기 위해 전진 할 수 있습니다. 기계 학습 서브 시스템은 시스템에 필요한 정보를 제공하여 기존 데이터로 예측되는 보류중인 문제를 직원에게 알립니다.

반면 다른 초기 전문가 시스템 인 MYCIN은 사람의 신체적 증상에 대해 물어보고 증상을 유발했을 수있는 박테리아에 대해 예측합니다. 이것이 역방향 연결의 한 예입니다.

전문가 시스템은 로봇 및 모니터링과 같은 분야에서 여전히 사용되고 중요합니다. 그러나 고급 규칙 시스템의 복잡성으로 인해 성능 문제가 발생할 수 있습니다. ANN은 현재 수평 확장을 통해 이러한 성능 문제를 극복하기 위해 노력하고 있습니다.

• 해석학

ML 로의 분석은 많은 사람들에게 민감하고 논쟁의 여지가 있습니다. 이전 기사에서 언급했듯이 기계 학습은 순전히 인공 지능 기원을 넘어서고 있습니다. 지난 10 년 동안 비즈니스 인텔리전스 (BI)는 점점 더 고급 분석을 도입했습니다. BI 분석에는 엄청난 양의 데이터를 처리하여 패턴을 식별하고 예측 및 규범 적 제안을하는 결정 론적 알고리즘이 포함됩니다. 이러한 알고리즘은 BI 분야에서 사용되는 분석의 기초입니다.

휴리스틱 분석은 AI 시스템의 주요 정의이므로 이러한 분석은 순전히 AI가 아닙니다. 그러나 특정 도메인에서 이러한 알고리즘은 많은 중복 된 이유로 표준 ML 시스템과 유사한 정보를 제공합니다. 주로 첨단 기술 및 알고리즘 이론은 BI 및 AI 알고리즘이 모두 그 정밀도를 향상시킬 수 있음을 의미합니다.

동시에 BI 회사는 AI 기반 ML을 분석 시스템에 포함시키고 혼합하여 무효화하는 것보다 더 확실한 비즈니스 이해를 제공 할 수있는 하이브리드 분석을 작성하기 시작했습니다

오늘은 간단히 AI에서 쓰이는 용어를 간단히 얘기해보았습니다. 도움이 되실지 모르겠네요.