암판별

2 Contents

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 2

인공지능 기술의 정점이라 불리는 알파고나 테슬라의 자율주행 엔진, 그리고 병원에서 활용되는 암 판별기의 내부는 의외로 단순한 원리로 구성되어 있습니다. 이들은 모두 입력된 데이터를 숫자로 변환한 뒤, 복잡한 수식 대신 곱셈과 덧셈이라는 기초적인 연산을 반복하여 최종적인 결과를 도출합니다. 자율주행차는 카메라 영상을 숫자로 인식해 가속이나 제동을 결정하고, 바둑 인공지능은 판 위를 숫자로 읽어 최적의 수를 찾아냅니다. 이처럼 현대 문명을 바꾸고 있는 고도화된 기술들의 핵심은 결국 입력값에 따른 산술 연산의 나열에 불과하다는 사실이 매우 흥미롭습니다. 인공신경망 학습의 대표적인 방식인 지도 학습은 사람이 기계에게 직접 정답을 가르쳐주는 과정이라고 할 수 있습니다. 예를 들어 특정 배경색 위에서 흰색 글씨와 검은색 글씨 중 어느 것이 더 잘 보이는지 사람이 직접 선택하면, 기계는 이를 바탕으로 정답 데이터셋을 구축하게 됩니다. 여기서 배경색은 입력값인 X가 되고, 사람이 선택한 더 잘 보이는 글씨색은 출력값인 Y가 되어 하나의 정답 쌍을 이룹니다. 마치 아이에게 사진을 보여주며 이름이 무엇인지 알려주는 것과 같은 원리이며, 이러한 양질의 데이터를 충분히 확보하는 것이 기계 학습의 가장 필수적인 전제 조건이 됩니다. 전통적 프로그래밍과 딥러닝의 가장 결정적인 차이점은 알고리즘 내의 핵심 수치인 가중치를 누가 결정하느냐에 있습니다. 과거에는 생물학적 연구 결과 등을 토대로 사람이 직접 RGB 값에 특정 숫자를 곱해 회색조로 변환하는 등의 세부적인 규칙을 코드로 작성했습니다. 즉, 문제 해결을 위한 논리 구조를 인간이 직접 설계한 셈입니다. 반면 딥러닝은 인공신경망 내부의 수많은 가중치 값을 기계가 스스로 찾아내도록 유도합니다. 사람이 일일이 계산 규칙을 정의하지 않아도, 기계는 반복적인 학습을 통해 어떤 수치를 적용해야 최선의 결과를 낼 수 있는지 스스로 터득하며 인간의 역할을 보완합니다. 인공신경망의 구조를 자세히 들여다보면 수많은 레이어와 노드가 복잡한 그물망처럼 얽혀 있는 것을 볼 수 있습니다. 기계 내부에서는 입력된 정보가 각 레이어를 거치고, 그 안에 포함된 노드를 지나며, 다시 각 노드에 연결된 수많은 연결선의 가중치와 계산되는 삼중 루프 구조의 연산이 수행됩니다. 이 과정의 핵심은 각각의 연결선에 부여된 가중치입니다. 알파고의 경우 수천만 개에서 수억 개의 가중치를 가지고 있으며, 기계는 학습을 반복할 때마다 이 숫자들을 미세하게 조정합니다. 인간이 이 방대한 숫자들의 개별적인 의미를 전부 파악할 수는 없지만, 결과적으로 기계는 정교한 판단을 내리게 됩니다. 딥러닝의 놀라운 점은 아주 적은 양의 정답 데이터만으로도 전체 영역에 대한 정확한 판단이 가능하다는 일반화 능력에 있습니다. 예를 들어 1,600만 가지가 넘는 전체 색상 중 단 20~30개에 대한 정답만 알려주었음에도 불구하고, 인공신경망은 학습하지 않은 나머지 수많은 색상에 대해서도 적절한 글씨색을 정확히 판별해냅니다. 이러한 원리는 의료 분야의 암 판별이나 사물 인식 기술에도 동일하게 적용됩니다. 수천 장의 사진을 학습한 인공지능이 한 번도 본 적 없는 환자의 영상에서 병변을 찾아내는 것처럼, 기계는 데이터의 파편 속에서 보편적인 규칙을 스스로 찾아내며 인간의 한계를 뛰어넘고 있습니다.

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 2
카오스재단카오스 짧강(짧은 강연)
  • 뇌인지과학
  • 수학
  • 융합

[강연] 헬로 딥러닝 : 직관적이고 명확하게 딥러닝을 이해하기 _ by남세동 ㅣ 2020 가을 카오스강연 'Ai X' 9강 | 9강

컴퓨터는 본질적으로 숫자를 계산하는 기계입니다. 우리가 화면으로 보는 이미지나 듣는 음악도 결국은 디지털화된 숫자의 집합에 불과합니다. 전통적 프로그래밍 방식은 사람이 직접 논리와 절차를 설계하여 알고리즘을 만들고, 이를 코드로 옮기는 과정이었습니다. 하지만 고양이나 개를 구분하는 것과 같이 복잡한 패턴을 인식하는 문제는 인간이 모든 예외 상황을 코드로 정의하기에 한계가 있었습니다. 이러한 한계를 극복하기 위해 등장한 것이 바로 데이터 스스로 학습하는 딥러닝 기술입니다. 딥러닝의 핵심 구조인 인공신경망은 인간의 뇌 구조에서 영감을 얻었습니다. 인공신경망은 수많은 동그라미 형태의 노드와 이들을 잇는 화살표인 가중치로 구성됩니다. 놀랍게도 이 복잡해 보이는 시스템의 기본 원리는 단순한 곱셈과 덧셈의 반복입니다. 입력값에 가중치를 곱하고 이를 모두 더한 뒤, 활성화 함수를 거쳐 다음 노드로 전달하는 과정이 수없이 반복됩니다. 알파고나 자율주행 엔진 같은 최첨단 기술들도 그 내부를 들여다보면 결국 이러한 단순한 수치 계산의 거대한 집합체라고 할 수 있습니다. 인공지능을 학습시키는 대표적인 방법 중 하나는 정답을 알려주는 지도 학습입니다. 예를 들어 특정 배경색에 어울리는 글자색을 찾을 때, 수많은 예시 데이터를 입력하고 인공지능이 스스로 최적의 가중치를 찾아내도록 유도합니다. 처음에는 무작위로 설정되었던 가중치들이 반복적인 학습 과정을 거치며 점차 정답에 가까운 결과를 내놓게 됩니다. 이는 마치 어린아이가 반복 학습을 통해 사물을 구별하는 법을 배우는 과정과 유사하며, 데이터가 많아질수록 인공신경망은 더욱 정교한 판단을 내릴 수 있게 됩니다. 딥러닝의 가장 신기한 점은 일부 정답 데이터만으로도 학습하지 않은 수많은 사례를 정확히 판별해 낸다는 것입니다. 수천 장의 사진만 학습해도 수억 장의 새로운 사진 속 대상을 구분할 수 있는 이유는 데이터가 가진 고유한 패턴을 3차원 이상의 공간에 매핑하기 때문입니다. 비슷한 특징을 가진 데이터들은 특정 영역에 모이게 되고, 인공신경망은 이 영역들을 구분하는 경계선을 찾아냅니다. 이러한 일반화 능력 덕분에 인공지능은 단순한 암기를 넘어 새로운 상황에 유연하게 대처할 수 있는 지능적인 면모를 갖추게 됩니다. 인공신경망이 최적의 가중치를 찾아가는 과정은 매우 단순하면서도 무식할 정도로 반복적입니다. 입력값에 따른 결과가 정답과 다를 경우, 그 오차를 줄이기 위해 수천만 개에서 수십억 개에 달하는 가중치들을 조금씩 조정합니다. 이를 경사 하강법이라 부르는데, 오차라는 산의 골짜기를 찾아 내려가는 과정과 같습니다. 수학적으로 이러한 가중치가 존재한다는 것은 증명되었지만, 왜 이토록 단순한 방식으로 복잡한 지능이 구현되는지는 여전히 현대 과학의 신비로 남아 있습니다. 최근 딥러닝은 언어 모델인 GPT-3나 단백질 구조를 예측하는 알파폴드 2처럼 인류의 난제를 해결하는 수준에 도달했습니다. 이는 자연계에 존재하는 방대한 패턴을 숫자로 치환하여 분석할 수 있게 되었음을 의미합니다. 문장의 맥락을 파악하여 대화를 나누거나 복잡한 물리 시뮬레이션을 수천 배 빠르게 수행하는 등, 딥러닝은 인간의 지적 능력을 보조하는 강력한 도구가 되었습니다. 결국 딥러닝의 본질은 숫자의 집합속에서 유의미한 패턴을 찾아내어 이를 실용적인 지능으로 변환하는 기술이라 할 수 있습니다. 인류 역사를 돌아보면 기술의 활용이 이론적 이해보다 앞섰던 사례가 많습니다. 증기기관이 열역학 법칙이 정립되기 전부터 산업 혁명을 이끌었듯이, 딥러닝 역시 그 작동 원리를 완벽히 설명하지 못하더라도 이미 세상을 바꾸고 있습니다. 인공지능이 내놓는 결과가 왜 도출되었는지 인간이 완전히 이해하지 못하는 영역이 존재하지만, 이는 오히려 새로운 과학적 발견의 기회가 되기도 합니다. 우리는 이제 딥러닝이라는 거대한 도구를 통해 지능의 본질을 탐구하고 미래의 변화를 맞이할 준비를 해야 합니다.

[강연] 헬로 딥러닝 : 직관적이고 명확하게 딥러닝을 이해하기 _ by남세동 ㅣ 2020 가을 카오스강연 'Ai X' 9강

남세동

카오스재단카오스강연
  • 뇌인지과학