반복학습

2 Contents

[강연] "수학과 친해졌나요?" 상반기 총결산 2 / 2024 봄 카오스강연 '세상에 나쁜 수학은 없다' 10강 두 번째 이야기 | 10강 ②

라파엘로의 명작 '아테네 학당'에는 인류 역사상 가장 위대한 학자들이 한자리에 모여 있습니다. 그중 제논은 거북이를 영원히 따라잡을 수 없다는 역설을 통해 현대 미적분의 핵심인 무한의 개념을 이미 고대 그리스 시대에 제시했습니다. 또한 원자론의 창시자로 알려진 데모크리토스는 세상이 아주 작은 입자로 구성되어 있다는 철학적 통찰을 기하학 연구와 병행했습니다. 이처럼 고대의 수학은 단순히 숫자를 다루는 학문을 넘어 세상의 근원을 탐구하는 철학적 질문에서 시작되었습니다. 과거에는 수학과 철학, 천문학, 음악이 하나의 뿌리에서 나온 학문으로 여겨졌습니다. 플라톤 아카데미의 4대 과목인 산술, 천문학, 기하학, 음악은 모두 수학적 원리를 바탕으로 세상의 질서를 이해하려는 시도였습니다. '세상은 왜 이럴까'라는 근원적인 질문에 답을 찾아가는 과정에서 학문의 경계는 무의미했습니다. 자연의 법칙을 연구하는 것이 곧 수학이자 철학이었으며, 이러한 통합적 사고는 인류가 우주와 인간의 삶을 깊이 있게 통찰할 수 있는 토대가 되었습니다. 역사 속에는 비극적인 운명을 맞이한 위대한 여성 수학자 히파티아가 있습니다. 4세기 알렉산드리아에서 활동한 그녀는 유클리드 원론에 주석을 달아 대중화에 기여한 탁월한 교육자였습니다. 하지만 당시의 종교적, 정치적 갈등 속에서 신의 영역을 엿보았다는 비난을 받으며 마녀사냥의 희생양이 되었습니다. 인류 최초의 여성 수학자로 불리는 그녀의 삶은 짧았지만, 학문을 향한 열정은 후대 여성 학자들에게 커다란 영감을 주었으며 수학이 소수 남성만의 전유물이 아님을 증명했습니다. 근대에 이르러서도 여성의 학문적 길은 험난했습니다. 에미 뇌터는 여성의 대학 입학이 금지된 시기에 청강생으로 시작해 현대 대수학의 기틀을 마련했으며, 물리학의 보존 법칙과 수학적 불변량을 연결하는 위대한 업적을 남겼습니다. 소피 제르맹 역시 남성 가명으로 활동하며 가우스와 서신을 주고받았고, 페르마의 마지막 정리를 해결하는 결정적인 단초를 제공했습니다. 이들은 제도적 차별 속에서도 독학으로 자신만의 세계를 구축하며 수학사의 흐름을 바꾼 진정한 개척자들이었습니다. 현대 수학의 최고 영예인 필즈상에서도 여성들의 활약은 눈부십니다. 2014년 최초의 여성 수상자인 마리암 미르자카니는 리만 곡면의 모듈라이 공간을 연구하여 기하학의 새로운 지평을 열었습니다. 그녀는 투병 중에도 젊은 학자들과 소통하며 학문적 열정을 불태웠습니다. 이어 마리나 비아조프스카는 400년 난제였던 구 채우기 문제를 8차원과 24차원에서 증명해내며 수학적 아름다움을 보여주었습니다. 이러한 성취는 성별의 벽을 넘어 수학이라는 언어로 우주의 비밀을 푸는 인류 공통의 자산입니다. 수학은 현대 기술의 핵심인 암호와 인공지능 분야에서도 결정적인 역할을 합니다. 동형 암호 기술은 데이터를 암호화한 상태에서도 연산이 가능하게 설계되어, 개인 정보를 보호하면서도 인공지능 학습을 진행할 수 있는 길을 열어주었습니다. 또한 천체 궤도 연구에서 유래한 타원 곡선은 현대 암호 체계의 근간을 이루며 우리 실생활의 보안을 책임지고 있습니다. 복잡해 보이는 수식 뒤에는 세상을 안전하고 효율적으로 움직이게 하려는 수학자들의 치밀한 논리와 설계가 숨어 있습니다. 많은 이들이 수학을 어렵고 지루한 과목으로 기억하지만, 진정한 수학의 가치는 문제 풀이 기술이 아닌 사고의 즐거움에 있습니다. 입시 위주의 반복 학습은 수학이 가진 본연의 아름다움을 가리기도 하지만, 원리를 깨닫는 순간 수학은 세상을 바라보는 새로운 눈이 되어줍니다. 기초 체력을 기르는 과정이 고통스러울 수 있어도, 그 너머에 있는 논리적 구조와 미적인 조화를 발견할 때 우리는 비로소 수학의 매력에 빠지게 됩니다. 앞으로도 수학은 인류의 호기심을 자극하며 끊임없이 진화할 것입니다.

[강연] "수학과 친해졌나요?" 상반기 총결산 2 / 2024 봄 카오스강연 '세상에 나쁜 수학은 없다' 10강 두 번째 이야기

김연응, 박형주, 이승재

카오스재단2024 카오스강연 '세상에 나쁜 수학은 없다'
  • 수학

BeeAI 공모전 교육 영상(08) - 딥러닝 모델 학습(108~121p)

PySpark ML에 이어 TensorFlow를 이용한 딥러닝 모델 학습 과정으로 논의를 확장합니다. BeeAI 플랫폼은 TensorFlow 학습 코드를 외부 엔진과 연동하여 효율적인 모델 생성을 지원하는 강력한 기능을 제공합니다. 사용자는 분류나 회귀와 같은 기존 모델을 활용하거나 직접 작성한 학습 코드를 실행하여 최적의 정확도를 가진 모델을 도출할 수 있습니다. 이를 위해서는 먼저 전용 사이트에 접속하여 회원 가입을 진행하고, 클라우드 저장소와 연동할 수 있는 계정 정보를 확보하여 멤버 권한을 부여받는 과정이 선행되어야 원활한 실습과 개발이 가능합니다. BeeAI 플랫폼과 TensorFlow 학습 코드를 성공적으로 연동하기 위해서는 약속된 변수와 가이드라인을 엄격히 준수해야 합니다. 플랫폼은 학습 코드로 데이터셋 경로, 체크포인트 저장 위치, 모델 버전, 그리고 최종 서빙 모델이 저장될 디렉터리 정보를 플래그 형태로 전달하기 때문입니다. 학습 코드는 단순히 체크포인트를 생성하는 것에 그치지 않고, 시스템이 즉시 활용할 수 있는 서빙용 익스포트 상태까지 구현되어야 완벽한 연동으로 간주합니다. 이러한 파라미터 전달 체계는 모델 학습의 자동화와 관리 효율성을 극대화하는 핵심 요소가 됩니다. 실무적인 학습을 위해서는 External Engine 환경에서 TensorFlow Training Controller와 TensorFlow Runner를 조합하여 사용합니다. Runner는 실제 Python 학습 코드가 위치한 경로를 지정하며, Controller는 학습 전반의 오퍼레이션을 제어하는 역할을 수행합니다. 사용자는 웹 UI를 통해 에포크나 배치 사이즈 같은 하이퍼파라미터를 자유롭게 설정할 수 있으며, 이 값들은 실행 시점에 학습 코드로 실시간 전달됩니다. 학습 코드는 로컬 환경에서 미리 검증한 뒤 플랫폼에 탑재하여 대규모 데이터 처리에 활용하는 방식이 권장됩니다. 학습 과정에서 생성되는 체크포인트 파일은 모델의 상태를 보존하고 연속적인 학습을 가능하게 하는 중요한 자산입니다. 여기에는 모델의 최신 상태를 담은 프로토콜 버퍼 파일부터 그래프 구조를 재구성하기 위한 메타 정보, 그리고 가중치와 바이어스 값이 저장되는 데이터 파일 등이 포함됩니다. 학습 코드 내에 기존 체크포인트가 존재할 경우 이를 복구하는 로직을 포함하면, 처음부터 다시 학습하지 않고 이전 상태에서 이어서 모델을 고도화할 수 있습니다. 이는 연산 자원을 절약하고 모델의 성능을 지속적으로 개선하는 데 필수적인 절차입니다. 학습이 완료된 모델을 실제 서비스에 투입하기 위해서는 TensorFlow Serving 기반의 'SavedModel' 형태로 변환하는 익스포트 과정이 필요합니다. SavedModel은 추론을 위한 모델의 스냅샷으로, 입력과 출력 텐서를 정의하는 시그니처 정보를 포함하고 있습니다. 이 시그니처 정의를 바탕으로 추후 REST API URL이 생성되며, 이를 통해 외부 시스템이 모델에 예측 질의를 보낼 수 있게 됩니다. 따라서 익스포트 함수를 통해 그래프 정의와 파라미터 변수들을 체계적으로 저장하는 것은 안정적인 서빙 인프라를 구축하기 위한 가장 핵심적인 단계라고 할 수 있습니다. 대규모 딥러닝 모델의 효율적인 연산을 위해 GPU 디바이스를 지정하는 설정 또한 간과할 수 없습니다. 학습 코드 내에서 특정 GPU 번호를 지정하고 이를 세션 설정에 반영함으로써, 시스템 하드웨어 자원을 최적으로 활용할 수 있습니다. 여러 대의 GPU가 있는 서버 환경에서는 가용 자원을 적절히 배분하여 병렬 학습을 수행하거나 특정 작업에 전용 장치를 할당하는 것이 가능합니다. BeeAI 환경에서는 이러한 하드웨어 가속 설정을 통해 CPU 대비 월등히 빠른 속도로 복잡한 연산을 처리하고, 딥러닝 모델의 수렴 속도를 획기적으로 높일 수 있습니다. BeeAI의 차별화된 강점은 주기적인 반복 학습 설정을 통해 모델을 최신 데이터 트렌드에 맞춰 실시간으로 업데이트할 수 있다는 점입니다. 워크플로우 속성에서 실행 주기를 분이나 시간 단위로 설정하면 새로운 데이터가 유입될 때마다 모델 파라미터가 자동으로 갱신됩니다. 예를 들어 교통 속도 예측 모델의 경우, 유입되는 최신 데이터를 반영해 지속적으로 재학습함으로써 변화하는 도로 상황에 기민하게 대응하게 됩니다. 이렇게 생성된 최신 모델은 서빙 오퍼레이터에 의해 즉시 로딩되어 사용자에게 항상 높은 수준의 예측 정확도를 보장하게 됩니다.

BeeAI 공모전 교육 영상(08) - 딥러닝 모델 학습(108~121p)
한국전자통신연구원ETRI 클래스
  • 융합
  • 공학·기술