소개글
"생체데이터와 인공지능의 이해"에 대한 내용입니다.
목차
1. 인공지능의 개념과 기술, 국내외 활용 사례
1.1. 약한 인공지능과 강한 인공지능의 비교
1.1.1. 약한 인공지능
1.1.2. 강한 인공지능
1.2. 기계학습의 개념과 특징
1.2.1. 기계학습의 개념
1.2.2. 기계학습의 특징
1.3. 딥러닝 알고리즘의 개념과 특징
1.4. 인공지능의 다른 산업 적용 사례
1.4.1. 화장품산업에서의 AI 적용 사례
1.4.2. 엔터테인먼트산업에서의 AI 적용 사례
2. AI 기술의 활용 사례
2.1. AI와 플랫폼 사업, 에어비엔비의 AI 모델 적용
2.2. AI와 의료, 헬스케어 산업
2.3. AI와 리걸테크
3. 인공지능 윤리와 사회적 영향
3.1. 생활 속 인공지능과 윤리 문제
3.2. 인공지능 스피커와 개인정보 보호
3.3. 인공지능의 공정성과 일자리 영향
3.4. 인공지능과 민주주의
3.5. 인공지능과 의사결정
3.6. 인공지능과 자율주행차
3.7. 인공지능과 기후 위기
4. 참고 문헌
본문내용
1. 인공지능의 개념과 기술, 국내외 활용 사례
1.1. 약한 인공지능과 강한 인공지능의 비교
1.1.1. 약한 인공지능
약한 인공지능은 단순히 인간의 능력 일부를 시뮬레이션하는 것으로, 특정 분야에 한정해 인간의 지능을 흉내 내는 지능적인 활동을 의미한다. 지능인지 아닌지가 중요하지 않고 결과만 좋은 성과를 나타내기만 하면 된다고 보는 것이 약한 인공지능의 핵심 개념이다.
현재 수준의 인공지능 기술은 대부분 약한 인공지능에 속한다. 약한 인공지능은 인간 능력의 일부를 대체하는 수준이지만 특정 영역에서는 인간 능력을 뛰어넘기도 한다. 대표적인 사례가 알파고가 이세돌 9단을 이긴 사례이다. 이는 약한 인공지능의 범주에 속한다.
또한 음성 인식 기반 음악 플레이어 재생, 음성을 텍스트 문서로 작성하는 음성 인식, 그리고 인공지능 번역 기술인 구글 번역, 파파고 등도 모두 약한 인공지능의 사례에 해당한다. 이처럼 약한 인공지능은 인간의 일부 능력을 흉내 내거나 능가하는 수준의 기술을 의미한다.
1.1.2. 강한 인공지능
강한 인공지능은 자신만의 자아를 가지고 있는 컴퓨터로, SF영화에서 볼 수 있는 사람 같은 인공지능 로봇을 의미한다. 강한 인공지능은 인간과 같은 지능을 갖고 다양한 일을 할 수 있으며, 인간과 비슷한 수준으로 생각하고 판단하며, 상황을 이해할 수 있다. 또한 강한 인공지능 시스템은 법적 책임을 지며, 미래지향적인 인공지능 수준을 의미한다. 강한 인공지능의 특징은 다양한 분야에서 일반적인 활용이 가능하며, 인간과 유사하거나 뛰어넘는 수준의 능력을 가지고 있어 스스로 학습하고 자아의식과 감정도 가진다. 대표적인 사례로는 영화 마블시리즈의 아이언맨에 나오는 주인공 토니스타크가 개발한 자비스, 울트론과 같은 것이 있다.
1.2. 기계학습의 개념과 특징
1.2.1. 기계학습의 개념
기계학습의 개념은 1959년 아서 사무엘이 처음 정의한 것으로, 컴퓨터에 명시적인 프로그램 없이 데이터들을 입력해 놓고 학습하게 함으로써 새로운 지식을 얻어내게 하는 분야이다. 즉, 사람이 학습하듯이 컴퓨터에도 데이터를 입력하여 스스로 학습하게 하고, 이를 통해 자동으로 지식을 발견하고 프로그램을 자동으로 생성하는 기술이다. 이러한 기계학습은 데이터로부터 스스로 패턴과 특징을 추출하여 학습하고, 이를 바탕으로 문제를 해결하는 방식을 사용한다. 기계학습은 2000년대 중반 인공신경망 분야에서 큰 발전을 이루면서 딥러닝이 등장하게 되었다.
1.2.2. 기계학습의 특징
기계학습의 특징은 다음과 같다.
기계학습은 주어진 데이터를 인간이 먼저 처리하는 방식으로 사람이 먼저 컴퓨터에 특정 패턴을 추출하는 방식을 지시하고 그러한 지시에 맞춰 컴퓨터가 스스로 데이터의 특징을 분석하고 축적하는 것이다. 이렇게 축적된 데이터를 기반으로 문제를 해결한다.
반면 딥러닝은 뇌를 모사한 학습모델로 많은 수의 신경 층(layer)을 쌓음으로써 입력된 데이터가 여러 단계의 특징 추출 과정을 거쳐 자동으로 고수준의 추상적인 지식을 추출하는 방식이다. 또한 특징 추출과 특징 분류, 두 단계로 나뉘어 학습하던 기계학습과 달리 특징 학습의 문제로 통합해 학습하는 자동화된 학습 기술이라는 차이가 있다.
즉, 기계학습은 사람이 먼저 개입하여 데이터를 처리하는 방식을 지시하지만, 딥러닝은 데이터에서 자동으로 고수준의 추상적 지식을 추출하는 자동화된 학습 기술이라고 할 수 있다.
1.3. 딥러닝 알고리즘의 개념과 특징
딥러닝 알고리즘은 머신 러닝 기술의 한 종류이다. 이는 새롭게 등장한 기술이나 방법론이 아니지만, 비지도 학습 개념과 다층 구조로 설계된 인공신경망을 활용한 기술의 학습 능력이 비약적으로 향상될 수 있다는 점이 발견되면서 엄청난 발전을 거듭하고 있는 머신러닝 기법이다.
딥러닝은 80년대 처음 등장했는데, 캘리포니아 대학의 개발자들과 심리학자가 만나 인공신경망을 연구하면서 세상에 알려지기 시작했다. 이러한 딥러닝 알고리즘은 전통적인 프로그래밍 방식과 다소 차이를 보인다. 공통으로 데이터를 수집하고 변수를 가공한다. 그러나 전통적인 프로그래밍에서는 앞선 공통적인 두 단계 이해 논리를 정의하고 논리를 실험하는 과정을 거치는 반면, 딥러닝에서는 모델 학습과 모델 평가 과정이 뒤따른다는 점에서 차이를 보인다.
전통적인 프로그래밍의 경우 개발자가 데이터를 수집한다. 수집된 데이터를 기반으로 변수를 가공하고, 논리를 정의하는 것 역시 모두 개발자의 역할이다. 그리고 실험을 거쳐 검증된 알고리즘을 바탕으로 컴퓨터에 전달하면, 컴퓨터는 앞선 과정을 통해 정의된 개념대로 알고리즘을 수행한다. 그러나 이는 인간이 처음 정의하는 논리에 오류가 존재하거나, 그러한 논리에 해당하지 않는 사례가 등장하는 경우 인공지능이 에러를 띄우거나 잘못된 결정을 내리게 되는 문제가 존재한다.
반면 딥러닝에서는 인공지능이 직접 데이터를 수집한다. 변수 가공 역시 마찬가지로 인공지능의 몫이다. 개발자가 직접 개입해 데이터를 수집하고 변수를 가공하며 논리를 주입하는 것이 아니라, 주어진 데이터들을 가지고 인공지능이 직접 패턴, 모델을 깨우치는 것이다. 이러한 경우 인간이 제시하는 논리의 허점 등이 존재하지 않으며, 인공지능이 주어진 데이터들을 모두 수집하여 판단하기에 보다 온전한 구성의 모델을 구현하게 되고, 오류의 가능성이 낮아질 수 있다.
즉, 딥러닝 알고리즘은 인공신경망 구조를 활용해 데이터를 스스로 학습하고 패턴을 파악하여 문제를 해결하는 것이다. 이를 통해 기존에 인간이 직접 설계한 알고리즘으로는 해결하기 어려웠던 복잡한 문제들을 효과적으로 해결할 수 있게 된 것이다. 이처럼 딥러닝 알고리즘...
참고 자료
인공지능기술의 발전과 법적대응방향, 법학논총, 2017. 박종보, 김휘홍
AI가 바꾸는 사업들, Media Issue & Trend, 한정훈, 다이렉트미디어랩 운영자
‘AI 독거노인 돌봄’서비스 확대...고독사 예방 큰 역할, 1코노미뉴스, 2023. 3. 15. (출처 : https://www.1conomynews.co.kr/news/articleView.html?idxno=23001)
의료용 인공지능(AI)시장, 2021. 3. 연구개발특구진흥재단
기계학습개론, 서울대학교, 장병탁
인공지능의 미래와 융합, 부산디지털대학교
문용식, 세계가 주목하는 인공지능 스타트업, NIA ⸢IT&Future Strategy 보고서⸥, 2020.12.
유원준, 딥러닝을 이용한 자연어처리 입문, 2022.04.
임영익, 프레디쿠스, 클라우드나인, 2019
1
2
3
4
5
6
7
8
9
10
11