신경망이란 무엇인가요?

신경망은 인간의 두뇌에서 영감을 얻은 방식으로 데이터를 처리하도록 컴퓨터를 가르치는 인공 지능 방식입니다. 인간의 두뇌와 비슷한 계층 구조로 상호 연결된 노드 또는 뉴런을 사용하는 딥 러닝이라고 불리는 기계 학습 과정의 유형입니다. 신경망은 컴퓨터가 실수에서 배우고 지속적으로 개선하는 데 사용하는 적응형 시스템을 생성합니다. 따라서 인공 신경망은 문서 요약 또는 얼굴 인식과 같은 복잡한 문제를 더 정확하게 해결하려고 합니다.

딥 러닝 소개

신경망이 왜 중요한가요?

신경망은 인간이 일일이 개입하지 않고도 컴퓨터가 지능적인 결정을 내리는 데 도움이 될 수 있습니다. 비선형적이고 복잡한 입력 데이터와 출력 데이터 간의 관계를 학습하고 모델링할 수 있기 때문입니다. 예를 들어 다음 작업을 수행할 수 있습니다.

일반화 및 추론

신경망은 구조화되지 않은 데이터를 이해하고 명시적인 훈련 없이 일반적인 관찰을 할 수 있습니다. 예를 들어, 다음과 같은 두 개의 다른 입력 문장이 비슷한 의미를 가지고 있음을 인식할 수 있습니다.

  • 결제 방법을 알려주시겠어요?
  • 송금은 어떻게 하나요?

신경망은 두 문장이 같은 것을 의미한다는 것을 이해할 것입니다. 또는 Baxter Road는 장소지만 Baxter Smith는 사람의 이름이라는 것을 대략적으로 인식할 수 있을 것입니다.

숨겨진 관계 및 패턴 파악

신경망은 원시 데이터를 심층 분석하여 훈련을 받지 않은 새로운 인사이트를 파악할 수 있습니다. 예를 들어, 소비자 구매를 분석하는 패턴 인식 신경망의 경우, 이 신경망은 수많은 사용자의 구매 패턴을 비교하여 특정 소비자가 관심을 가질 만한 새로운 품목을 제안할 수 있습니다.

자율적인 자가 학습 시스템 생성

신경망은 사용자 행동을 기반으로 시간이 지남에 따라 학습하고 개선할 수 있습니다. 예를 들어, 입력 패턴을 분석하여 단어를 자동으로 수정하거나 제안하는 신경망의 경우, 이 모델이 영어로 훈련되었고 영어 단어의 철자를 검사할 수 있다고 가정해 보겠습니다. 하지만 danke와 같이 영어가 아닌 단어를 자주 입력하면 신경망은 자동으로 이러한 단어를 학습해서 수정할 수 있습니다.

변동성이 큰 데이터를 학습하여 모델링

은행의 대출 상환 금액과 같은 일부 데이터 집합에는 큰 변동이 있을 수 있습니다. 신경망은 이러한 데이터도 모델링할 수 있습니다. 예를 들어, 금융 거래를 분석하여 일부 금융 거래를 사기 탐지 대상으로 지정할 수 있습니다. 또한 단백질 접힘, DNA 분석 등과 같은 어려운 생물학적 문제의 핵심이 되는 복잡한 데이터를 처리할 수도 있습니다.

신경망은 무엇에 사용되나요?

산업 분야에서 신경망의 몇 가지 사용 사례는 다음과 같습니다.

  • 의료 영상 분류에 의한 의료 진단
  • 소셜 네트워크 필터링 및 행동 데이터 분석을 통한 타겟 마케팅
  • 금융 상품의 과거 데이터를 처리하여 재무 예측
  • 전기 부하 및 에너지 수요 예측
  • 공정 및 품질 관리
  • 화합물 식별

신경망의 중요한 용도를 네 가지 들면 다음과 같습니다.

컴퓨터 비전

컴퓨터 비전은 이미지와 동영상에서 정보와 인사이트를 추출하는 컴퓨터 기능입니다. 신경망을 통해 컴퓨터는 인간과 유사한 이미지를 구별하고 인식할 수 있습니다. 컴퓨터 비전에는 다음과 같은 여러 애플리케이션이 있습니다.

  • 도로 표지판 및 다른 도로 사용자를 인식할 수 있도록 자율 주행 자동차의 시각적 인식
  • 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 레이블 지정

음성 인식

신경망은 다양한 음성 패턴, 높낮이, 톤, 언어 및 억양에도 불구하고 인간의 음성을 분석할 수 있습니다. Amazon Alexa 및 자동 음성 텍스트 변환 소프트웨어와 같은 가상 도우미는 음성 인식을 사용하여 다음과 같은 작업을 수행합니다.

  • 콜센터 상담원 지원 및 자동으로 통화 분류
  • 임상 대화를 실시간으로 문서화
  • 더 많은 사람들이 콘텐츠를 시청할 수 있도록 동영상 및 회의 녹화본에 정확한 자막 제공

자연어 처리

자연어 처리(NLP)는 인간이 만든 자연어를 처리하는 기능입니다. 신경망은 컴퓨터가 텍스트 데이터와 문서에서 인사이트와 의미를 수집하는 데 도움이 됩니다. NLP에는 다음 기능을 포함한 여러 사용 사례가 있습니다.

  • 자동화된 가상 에이전트 및 챗봇
  • 작성된 데이터의 자동 정리 및 분류
  • 이메일 및 양식과 같은 긴 형식의 문서에 대한 비즈니스 인텔리전스 분석
  • 소셜 미디어에 대한 긍정적 및 부정적 댓글과 같이 감정을 나타내는 핵심 문구 인덱싱
  • 주어진 주제에 대한 문서 요약 및 기사 생성

추천 엔진

신경망은 사용자 활동을 추적하여 개인화된 권장 사항을 개발할 수 있습니다. 또한 모든 사용자 행동을 분석하고 특정 사용자의 관심을 끄는 새로운 제품이나 서비스를 발견할 수 있습니다. 예를 들어, 필라델피아에 기반을 둔 스타트업인 Curalate는 각종 브랜드가 소셜 미디어 게시물을 매출로 이끌 수 있도록 돕습니다. 각종 브랜드는 Curalate의 지능형 제품 태깅(IPT) 서비스를 사용하여 사용자가 생성한 소셜 콘텐츠의 수집 및 큐레이션을 자동화합니다. IPT는 신경망을 사용하여 사용자의 소셜 미디어 활동과 관련된 제품을 자동으로 찾아서 추천합니다. 소비자는 소셜 미디어 이미지에서 특정 제품을 찾기 위해 온라인 카탈로그를 뒤질 필요가 없습니다. 대신 Curalate의 자동 상품 태깅을 사용하여 손쉽게 상품을 구매할 수 있습니다.

신경망은 어떻게 작동하나요?

신경망 아키텍처는 인간의 두뇌에서 영감을 받았습니다. 뉴런이라고 하는 인간의 뇌 세포는 복잡하고 고도로 연결된 네트워크를 형성하고, 인간이 정보를 처리하는 데 도움이 되도록 서로 전기 신호를 보냅니다. 마찬가지로 인공 신경망은 문제를 해결하기 위해 함께 작동하는 인공 뉴런으로 구성됩니다. 인공 뉴런은 노드라고 하는 소프트웨어 모듈이며, 인공 신경망은 코어에서 컴퓨팅 시스템을 사용하여 수학 계산을 푸는 소프트웨어 프로그램 또는 알고리즘입니다.

간단한 신경망 아키텍처

기본 신경망은 3개의 계층으로 인공 뉴런을 상호 연결합니다.

입력 계층

외부 세계의 정보는 입력 계층에서 인공 신경망으로 들어갑니다. 입력 노드는 데이터를 처리하여 분석 또는 분류한 후 다음 계층으로 전달합니다.

숨겨진 계층

숨겨진 계층은 입력 계층이나 다른 숨겨진 계층에서 입력을 받습니다. 인공 신경망에는 많은 수의 숨겨진 계층이 있을 수 있습니다. 각 숨겨진 계층은 이전 계층의 출력을 분석해서 추가 처리하여 다음 계층으로 전달합니다.

출력 계층

출력 계층은 인공 신경망이 처리하는 모든 데이터의 최종 결과를 제공합니다. 단일 또는 다중 노드를 가질 수 있습니다. 예를 들어 이진(예/아니오) 분류 문제가 있는 경우 출력 계층에는 하나의 출력 노드가 있으며 결과는 1 또는 0입니다. 그러나 다중 클래스 분류 문제가 있는 경우 출력 계층은 둘 이상의 출력 노드로 구성될 수 있습니다.

심층 신경망 아키텍처

심층 신경망 또는 심층 학습 네트워크에는 수백만 개의 인공 뉴런이 연결된 여러 숨겨진 계층이 있습니다. 가중치라고 하는 숫자는 한 노드와 다른 노드 간의 연결을 나타냅니다. 가중치는 한 노드가 다른 노드를 자극하면 양수이고, 한 노드가 다른 노드를 억제하면 음수입니다. 가중치 값이 높은 노드는 다른 노드에 더 많은 영향을 미칩니다.
이론적으로 심층 신경망은 모든 입력 유형을 모든 출력 유형에 매핑할 수 있습니다. 그러나 다른 기계 학습 방법에 비해 훨씬 더 많은 훈련이 필요합니다. 단순한 네트워크에 필요한 수백 또는 수천 개보다 많은, 수백만 개의 훈련 데이터 예제가 필요합니다.

신경망의 유형에는 어떤 것이 있나요?

인공 신경망은 데이터가 입력 노드에서 출력 노드로 흐르는 방식에 따라 분류할 수 있습니다. 다음은 몇 가지 예입니다.

피드포워드 신경망

피드포워드 신경망은 입력 노드에서 출력 노드까지 한 방향으로 데이터를 처리합니다. 한 계층의 모든 노드는 다음 계층의 모든 노드에 연결됩니다. 피드포워드 네트워크는 피드백 프로세스를 사용하여 시간이 지남에 따라 예측을 개선합니다.

역전파 알고리즘

인공 신경망은 예측 분석을 개선하기 위해 수정 피드백 루프를 사용하여 지속적으로 학습합니다. 간단히 말해서 신경망의 다양한 경로를 통해 입력 노드에서 출력 노드로 흐르는 데이터를 생각할 수 있습니다. 하나의 경로만이 입력 노드를 올바른 출력 노드에 매핑하는 바른 경로입니다. 이 경로를 찾기 위해 신경망은 다음과 같이 작동하는 피드백 루프를 사용합니다.

  1. 각 노드는 경로에서 다음 노드에 대해 추측하고
  2. 추측이 맞았는지 확인합니다. 노드는 더 정확한 추측으로 이어지는 경로에 높은 가중치 값을 할당하고, 잘못된 추측으로 이어지는 노드 경로에 낮은 가중치 값을 할당합니다.
  3. 다음 데이터 포인트에 대해 노드는 높은 가중치 경로를 사용하여 새로운 예측을 수행한 다음 1단계를 반복합니다.

컨볼루션 신경망

컨볼루션 신경망의 숨겨진 계층은 컨볼루션이라고 하는 특정 수학적 기능(요약 또는 필터링 등)을 수행합니다. 이미지 인식 및 분류에 유용한 이미지에서 관련 특징을 추출할 수 있기 때문에 이미지 분류에 매우 유용합니다. 이 새로운 양식은 적합한 예측을 하는 데 중요한 특징을 상실하지 않으면서 처리하기가 쉽습니다. 각 숨겨진 계층은 가장자리, 색상 및 깊이와 같은 다양한 이미지 특징을 추출하고 처리합니다.

신경망은 어떻게 훈련시키나요?

신경망 훈련은 신경망이 작업을 수행하도록 가르치는 과정입니다. 신경망은 레이블이 지정되거나 지정되지 않은 대형 데이터 집합을 초기에 여러 개 처리하여 학습합니다. 이러한 예를 사용하여 알려지지 않은 입력을 보다 정확하게 처리할 수 있습니다.

지도 학습

지도 학습에서 데이터 사이언티스트는 사전에 정답을 제공하는, 레이블이 지정된 데이터 집합을 인공 신경망에 제공합니다. 예를 들어, 얼굴 인식에서의 딥 러닝 네트워크 훈련은 처음에 각 이미지를 설명하는 인종, 국가 또는 감정과 관련된 다양한 조건을 사용하여 수십만 개의 인간 얼굴 이미지를 처리합니다.
신경망은 사전에 정답을 제공하는 이러한 데이터 집합으로부터 지식을 천천히 축적합니다. 신경망이 훈련된 후에는 이전에 처리한 적이 없는 새로운 인간 얼굴 이미지의 인종 또는 감정에 대해 추측하기 시작합니다.

신경망의 맥락에서 딥 러닝이란 무엇인가요?

인공 지능은 인간의 지능을 필요로 하는 작업을 수행할 수 있는 능력을 기계에 부여하는 방법을 연구하는 컴퓨터 과학 분야입니다. 기계 학습은 컴퓨터가 매우 큰 데이터 집합에 액세스할 수 있도록 하고 이 데이터에서 학습하도록 가르치는 인공 지능 기술입니다. 기계 학습 소프트웨어는 기존 데이터에서 패턴을 찾고 이러한 패턴을 새로운 데이터에 적용하여 지능적인 결정을 내립니다. 딥 러닝은 딥 러닝 네트워크를 사용하여 데이터를 처리하는 기계 학습의 하위 집합입니다.

기계 학습과 딥 러닝 비교

전통적인 기계 학습 방법은 기계 학습 소프트웨어가 충분히 잘 작동하기 위해서 사람의 입력을 필요로 합니다. 데이터 사이언티스트는 이 소프트웨어가 분석해야 하는 관련 특징 집합을 수동으로 결정합니다. 이로 인해 이 소프트웨어의 기능이 제한되어 생성 및 관리가 번거롭습니다.
반면 딥 러닝에서는 데이터 사이언티스트가 원시 데이터만 이 소프트웨어에 제공합니다. 딥 러닝 네트워크는 스스로 특징을 도출하고 더 독립적으로 학습합니다. 텍스트 문서와 같은 구조화되지 않은 데이터 집합을 분석하고, 우선 순위를 지정할 데이터 속성을 식별하고, 더 복잡한 문제를 해결할 수 있습니다.
예를 들어, 애완 동물의 이미지를 올바르게 식별하기 위해 기계 학습 소프트웨어를 훈련하는 경우 다음 단계를 수행해야 합니다.
  • 고양이, 개, 말, 햄스터, 앵무새 등 수천 개의 애완 동물 이미지를 수동으로 찾아서 레이블을 지정합니다.
  • 제거를 사용하여 이미지를 식별할 수 있도록 기계 학습 소프트웨어가 어떤 특징을 찾아야 하는지 알려줍니다. 예를 들어 다리 수를 세고 눈 모양, 귀 모양, 꼬리, 털 등을 확인할 수 있습니다.
  • 소프트웨어의 정확도를 향상시키기 위해 레이블이 지정된 데이터 집합을 수동으로 평가하고 변경합니다. 예를 들어 훈련 세트에 검은 고양이 사진이 너무 많은 경우 이 소프트웨어는 검은 고양이를 올바르게 식별하지만 흰색 고양이는 식별하지 않습니다.
  • 하지만 딥 러닝에서는 신경망이 모든 이미지를 처리한 후 이미지의 동물을 정확히 식별하기 위해 다리 수와 얼굴 모양을 먼저 분석하고 마지막으로 꼬리를 확인해야 한다는 것을 자동으로 판단합니다.

AWS의 딥 러닝 서비스란 무엇인가요?

AWS 딥 러닝 서비스는 딥 러닝 신경망을 비용 효율적으로 크기 조정하고 속도를 최적화하도록 클라우드 컴퓨팅의 기능을 활용합니다. 다음과 같은 AWS 서비스를 사용하여 특정 딥 러닝 애플리케이션을 완전히 관리할 수도 있습니다.

  • Amazon Rekognition을 사용하여 사전 훈련되거나 사용자 지정 가능한 컴퓨터 비전 기능을 애플리케이션에 추가합니다.
  • Amazon Transcribe를 사용하여 음성을 자동으로 인식해서 정확하게 텍스트 변환합니다.
  • Amazon Lex를 사용하여 의도 이해, 대화 컨텍스트 유지, 여러 언어에서 간단한 작업 자동화 등의 지능형 챗봇을 구축합니다.

Amazon SageMaker를 사용하여 AWS에서 딥 러닝 신경망을 시작하여 빠르고 쉽게 대규모로 모델을 구축, 훈련, 배포하세요. 또한 AWS Deep Learning AMI를 사용하여 딥 러닝을 위한 사용자 지정 환경 및 워크플로를 구축할 수 있습니다.

지금 시작하려면 무료 AWS 계정을 만드세요!

AWS 다음 단계

Standard Product Icons (Features) Squid Ink
제품 관련 추가 리소스 확인
딥 러닝 서비스에 대해 자세히 알아보기 
Sign up for a free account
무료 AWS 계정에 가입

무료 AWS 계정에 가입하고 AWS 프리 티어 탐색을 시작하세요.

가입하기 
Standard Product Icons (Start Building) Squid Ink
콘솔에서 구축 시작

AWS 관리 콘솔에서 신경망을 사용하여 구축을 시작하세요.

로그인