딥 러닝이란 무엇인가요?

딥 제너레이티브 러닝은 학습된 입력으로부터 새로운 출력을 생성하는 데 초점을 맞춘 딥 러닝입니다. 전통적으로 딥 러닝은 데이터 간의 관계를 식별하는 데 초점을 맞췄습니다. 딥 러닝 모델은 데이터세트의 패턴을 인식하도록, 대량의 데이터를 사용하여 훈련되었습니다.

딥 제너레이티브 러닝은 패턴 인식에 생성을 추가합니다. 이러한 모델은 데이터 패턴을 찾은 다음, 고유한 자체 패턴을 생성합니다. 예를 들어, 여러 책의 텍스트를 분석한 다음, 분석한 정보를 사용하여 원래 책에는 없던 새로운 문장과 단락을 생성할 수 있습니다.

딥 제너레이티브 러닝은 최신 생성형 AI와 파운데이션 모델의 기반이 됩니다. 이러한 모델은 방대한 데이터를 기반으로 훈련된 대규모 딥 러닝 기술을 사용하여, 복잡한 작업(예: 질문에 대한 답변, 텍스트로부터 이미지 생성, 콘텐츠 작성 등)을 수행합니다.

파운데이션 모델 소개 동영상 보기

딥 러닝은 자동차, 항공 우주, 제조, 전자, 의학 연구 및 기타 분야에서 여러 가지 사용 사례가 있습니다.

• 자율 주행 자동차는 딥 러닝 모델을 사용하여 사물을 감지합니다.
• 방위 시스템은 딥 러닝을 사용하여 위성 영상의 관심 영역에 플래그를 지정합니다.
• 의료 영상 분석은 딥 러닝을 사용하여 의학적 진단에서 암세포를 탐지합니다.
• 공장에서는 딥 러닝 애플리케이션을 사용하여, 사람이나 물체가 기계로부터 안전하지 않은 거리 내에 있는지 감지합니다.

딥 러닝의 이러한 다양한 사용 사례는 컴퓨터 비전, 음성 인식, 자연어 처리(NLP), 추천 엔진 및 생성형 AI라는 5가지 범주로 분류할 수 있습니다.

컴퓨터 비전

컴퓨터 비전은 이미지와 동영상에서 정보와 인사이트를 자동으로 추출합니다. 딥 러닝 기법을 사용하여 인간과 동일한 방식으로 이미지를 이해합니다. 컴퓨터 비전에는 다음과 같은 여러 응용 분야가 있습니다.

• 이미지 및 동영상 아카이브에서 안전하지 않거나 부적절한 콘텐츠를 자동으로 제거하는 콘텐츠 조정
• 얼굴을 식별하고 뜬 눈, 안경 및 수염과 같은 속성을 인식하는 얼굴 인식
• 브랜드 로고, 의복, 안전 장비 및 기타 이미지 세부 정보를 식별하기 위한 이미지 분류

음성 인식

딥 러닝 모델은 다양한 발화 패턴, 음높이, 어조, 언어 및 억양에도 불구하고 인간의 말을 분석할 수 있습니다. Amazon Alexa와 같은 가상 도우미, 텍스트-음성 변환 소프트웨어 및 음성-텍스트 변환 소프트웨어는 음성 인식 기술을 사용하여 다음과 같은 작업을 수행합니다.

• 콜센터 상담원 지원 및 자동 통화 분류
• 진료 대화의 실시간 문서 변환
• 콘텐츠의 도달 범위를 넓히기 위한, 동영상 및 회의 녹화본의 정확한 자막 제공
• 스크립트를 지능형 음성 지원용 프롬프트로 변환

자연어 처리

컴퓨터는 딥 러닝 알고리즘을 사용하여 문서와 텍스트 데이터로부터 의미와 인사이트를 수집합니다. 사람이 만든 자연스러운 텍스트를 처리하는 이 기능에는 다음을 비롯한 여러 사용 사례가 있습니다.

• 자동화된 가상 에이전트 및 챗봇
• 문서 또는 뉴스 기사의 자동 요약
• 이메일 및 양식과 같은 긴 형식의 문서에 대한 비즈니스 인텔리전스 분석
• 소셜 미디어의 긍정적 및 부정적 댓글처럼, 감정을 나타내는 핵심 문구의 인덱싱

추천 엔진

애플리케이션은 딥 러닝 방법을 사용하여, 사용자 활동을 추적하고 개인화된 추천을 개발할 수 있습니다. 사용자의 행동을 분석하여, 사용자가 새로운 제품이나 서비스를 찾는 데 도움을 줄 수 있습니다. 예시는 다음과 같습니다.

• 개인화된 비디오 및 콘텐츠 추천
• 맞춤형 제품 및 서비스 추천
• 사용자의 위치와 행동을 기반으로 관련 콘텐츠를 강조 표시하기 위한 검색 결과 필터링

생성형 AI

생성형 AI 애플리케이션은 새로운 콘텐츠를 생성하고, 최종 사용자와 더 정교하게 소통할 수 있습니다. 이러한 애플리케이션은 복잡한 워크플로 자동화, 아이디어 브레인스토밍 및 지능형 지식 검색을 지원할 수 있습니다. 예를 들어, Amazon Q Business 및 Amazon Q Developer와 같은 생성형 AI 도구를 사용하면 사용자는 다음을 수행할 수 있습니다.

• 자연어로 질문하고, 여러 내부 지식 소스에서 요약된 답변 받기
• 코드 제안, 자동 코드 스캔 및 자동 코드 업그레이드 받기
• 새 문서, 이메일 및 기타 마케팅 콘텐츠를 더 빠르게 생성

기계 학습, 딥 러닝 및 생성형 AI라는 용어는 신경망 기술의 진보를 나타냅니다.

기계 학습

딥 러닝은 기계 학습의 하위 분야입니다. 딥 러닝 알고리즘은 기존 기계 학습 알고리즘의 효율성을 높이기 위해 등장했습니다. 기존 기계 학습 방법에는 소프트웨어를 훈련시키는 데 상당한 인적 노력이 필요합니다. 예를 들어 동물 이미지 인식에서는 다음을 수행해야 합니다.

• 수십만 개의 동물 이미지를 수동으로 레이블링합니다.
• 기계 학습 알고리즘에서 이러한 이미지를 처리하도록 만듭니다.
• 알 수 없는 이미지 세트에서 이러한 알고리즘을 테스트합니다.
• 일부 결과가 부정확한 이유를 식별합니다.
• 결과 정확도를 높이도록 새 이미지를 레이블링하여 데이터 세트를 개선합니다.

이 프로세스를 지도 학습이라고 합니다. 지도 학습에서는 광범위하고 충분히 다양한 데이터세트가 있어야만 결과의 정확도가 개선됩니다. 예를 들어, 훈련 데이터세트에 검은 고양이의 이미지가 더 많은 경우, 알고리즘이 검은 고양이는 정확하게 식별하지만, 흰 고양이는 식별하지 못할 수 있습니다. 이 경우 기계 학습 모델을 다시 훈련시키려면, 레이블이 지정된 흰 고양이 이미지의 데이터가 더 필요합니다.

기계 학습 대비 딥 러닝의 이점

딥 러닝 네트워크에는 기존 기계 학습에 비해 다음과 같은 이점이 있습니다. 

비정형 데이터의 효율적인 처리

기계 학습 방법은 텍스트 문서와 같은 비정형 데이터를 처리하는 데 어려움을 겪는데, 이는 훈련 데이터세트에 무한한 변형이 존재할 수 있기 때문입니다. 반면에 딥 러닝 모델은 비정형 데이터를 이해하고 수동 특성 추출 없이 일반적인 관측을 수행할 수 있습니다. 예를 들어 신경망은 다음의 2가지 서로 다른 입력 문장이 동일한 의미를 갖는다는 것을 인식할 수 있습니다.

• 결제 방법을 알려주시겠어요?
• 송금은 어떻게 하나요? 

숨겨진 관계 및 패턴 발견

딥 러닝 애플리케이션은 대량의 데이터를 더 심층적으로 분석하고, 훈련되지 않았을 수 있는 새로운 인사이트를 발견할 수 있습니다. 소비자 구매를 분석하도록 훈련된 딥 러닝 모델을 예로 들어 보겠습니다. 이 모델에는 이미 구매한 품목에 대한 데이터만 있습니다. 하지만 인공 신경망은 이 구매 패턴을 다른 유사한 고객의 구매 패턴과 비교하여, 아직 구매하지 않은 새 품목을 제안할 수 있습니다.

비지도 학습

딥 러닝 모델은 사용자 행동을 기반으로, 시간이 지남에 따라 학습하고 개선할 수 있습니다. 레이블이 지정된 데이터 세트를 크게 변형하지 않아도 됩니다. 예를 들어, 사용자의 입력 행동을 분석하여 단어를 자동 수정하거나 제안하는 신경망을 생각해 봅시다. 이 신경망은 영어로 훈련되었고 영어 단어의 철자를 검사할 수 있다고 가정해 보겠습니다. 하지만 danke처럼 영어가 아닌 단어를 자주 입력하면, 신경망은 이러한 단어도 학습해서 자동 수정할 수 있습니다.

휘발성 데이터 처리

휘발성 데이터세트에는 변형이 많습니다. 은행의 대출 상환 금액이 한 가지 예입니다. 딥 러닝 신경망은 금융 거래를 분석하고 사기 탐지를 위해 일부 거래에 플래그를 지정함으로써 해당 데이터를 분류 및 정렬할 수 있습니다.

기계 학습과 딥 러닝에 대해 자세히 알아보기

생성형 AI

생성형 AI는 기계 학습과 딥 러닝의 신경망을 한 단계 더 발전시켰습니다. 기계 학습과 딥 러닝은 예측과 패턴 인식에 초점을 맞추는 반면, 생성형 AI는 탐지한 패턴을 기반으로 고유한 출력을 생성합니다. 생성형 AI 기술은 다양한 여러 신경망을 결합하여 데이터 패턴을 고유한 방식으로 결합하는 트랜스포머 아키텍처를 기반으로 구축됩니다. 딥 러닝 네트워크는 먼저 텍스트, 이미지 및 기타 데이터를 수학적 추상화 표현으로 변환한 다음, 이를 의미 있는 새로운 패턴으로 다시 변환합니다.

클라우드 인프라에서 생성형 AI와 딥 러닝을 실행하면, 애플리케이션을 더 빠르게 설계, 개발 및 훈련시키는 데 도움을 줍니다. 

속도

GPU 및 CPU 클러스터를 사용하여 신경망에 필요한 복잡한 수학 연산을 수행하는 생성형 AI 및 딥 러닝 모델을 더 빠르게 훈련할 수 있습니다. 그런 다음 이러한 모델을 배포하여, 대량의 데이터를 처리하고 점점 더 관련성 높은 결과를 생성할 수 있습니다.

확장성

클라우드를 통해 제공되는 다양한 온디맨드 리소스를 활용하면, 사실상 무제한의 하드웨어 리소스에 액세스하여 어떤 규모의 AI 딥 러닝 모델도 처리할 수 있습니다. 신경망은 여러 프로세서를 활용하여, 다양한 프로세서 유형과 수량에 걸쳐 워크로드를 원활하고 효율적으로 분배할 수 있습니다.

도구

노트북, 디버거, 프로파일러, 파이프라인, AIOps 등의 AI 및 딥 러닝 도구에 액세스할 수 있습니다. 모델을 호스팅할 인프라 없이도, 서비스형 클라우드(Cloud-as-a-Service) 내에서 기존 생성형 AI 모델을 사용할 수 있습니다. 심지어 지식과 교육이 부족한 팀도 생성형 AI 및 딥 러닝 애플리케이션을 시작할 수 있습니다.