Page 15 - 인공지능 수학 교과서

전문가 시스템은 보통 지식을 기호로 표현
하고, 미리 주어진 논리에 근거하여 해답을
추론하였다. 이후 불확실한 지식을 표현하
고 추론하기 위해 확률 개념을 도입하였다.

전문가 시스템의 원리와 추론 방식

➍ 인공 신경망의 귀환

전문가 시스템으로 집중되던 인공지능 연구는 기술 효용성 문제가 제기되면서 점점 다층 퍼셉트론의 최적화
퍼셉트론은 다수의 입력값
쇠퇴하였다. 반면에 인공 신경망 계열 연구는 다소 희망적인 국면을 맞이하였다. 퍼셉
을 받아 하나의 결괏값을 내
트론은 단층 신경망으로 XOR 문제를 해결하지 못하는 한계를 보였으나, 여기에 층을 는 알고리즘이다. 다수의 입
력값에 각각 매개변수를 곱
추가한 다층 퍼셉트론이 등장하였다. 1980년대 럼멜하트와 힌턴은 역전파 알고리즘을 하여 그 총합을 결괏값으
제안하고, 다층 퍼셉트론이 최적 상태로 학습될 수 있음을 수학적으로 증명하였다. 이 로 삼는다. 여기서 매개변수
는 학습 과정을 통해 결정된
로 인해 인공 신경망 연구가 활발해지고, 딥러닝 연구가 성공적으로 자리 잡을 수 있 다. 입력값에 대한 결괏값이
도출되었을 때, 그 결괏값이
는 계기가 되었다.
정답에 가깝게 나오도록 매
개변수를 설정하는 과정을
➎ 딥러닝의 성공과 인공지능 시대의 도래 최적화 과정이라고 한다.
다층 퍼셉트론의 등장과 역전파 알고리즘의 증명으로 인해 인공 신경망의 성능은 최적화 과정은
Ⅳ 단원에서 배워요.
점점 증가하였다. 이후 다층 퍼셉트론에 은닉층을 더 추가한 심층 신경망이 제안되고,
1997년 얀 르쿤이 딥러닝 방법을 이용하여 손 글씨를 정확하게 인식한 결과를 발표하

면서 딥러닝 연구는 큰 인기를 얻게 된다.

입력층 은닉층 출력층 딥러닝(심층 기계학습)
(Input layer) (Hidden layer) (Output layer) 인공지능의 학습 모델로 정
… 보 처리 과정에서 여러 층을

… 거치기 때문에 심층 학습이
입력값 출력값 라고 한다.
(Input data) (Output data)
… • 입력층: 외부로부터 자료
를 받아들여 그대로 전달
… 한다.
• 은닉층: 입력받은 자료를
딥러닝의 구조
다중으로 처리하여 출력
층으로 전달한다.
딥러닝의 성공에는 행렬, 확률, 통계 등의 수학적 원리가 적용되어 있다. 따라서 인
• 출력층: 신경망의 최종 출
공지능을 알고, 배우고, 성능을 강화하기 위해서는 반드시 인공지능에 적용되는 수학 력값을 산출한다.

적 원리에 대한 이해가 필요하다.
계산량이 많은 학습 자료 및 매개변수들은 행렬과 그 연산을 이용하여 처리하였으
며, 이러한 접근은 그래픽 처리 장치를 이용한 고속 계산을 가능하게 했다.

확률을 이용한 매개변수 처리는 딥러닝 학습 난제 중 하나였던 예측 모델의 과적합
문제를 극복하게 해 주었으며, 딥러닝 학습을 위한 최적화 과정에서 확률, 미분 등의

수학적 접근을 통해 계산량을 줄이면서도 우수한 성능을 보이게 되었다.

1. 인공지능의 발전 과정 13