신경망 기본 사항

신경망이란 무엇입니까?

전체를 더 잘 이해하기 위해 먼저 그것을 구성하는 개별 단위에 대해 논의하겠습니다. 신경망은 두뇌에 있는 것과 같은 "실제" 생물학적 신경망 또는 컴퓨터에서 시뮬레이션된 인공 신경망을 의미할 수 있습니다.

KEY TERMINOLOGY

딥러닝

딥 러닝은 간단한 처리 장치의 여러 "계층"이 네트워크로 연결되어 시스템에 대한 입력이 차례로 각 계층을 통과하는 특정 종류의 기계 학습 기술을 의미합니다. 이 아키텍처는 눈을 통해 망막에 포착되는 뇌의 시각 정보 처리에서 영감을 받았습니다. 이 깊이를 통해 네트워크는 비현실적으로 많은 양의 데이터를 요구하지 않고도 더 복잡한 구조를 학습할 수 있습니다.

뉴런, 세포체 및 신호

생물학적이든 인공적이든 신경망은 서로 신호를 주고받는 다수의 단순한 단위인 뉴런으로 구성됩니다. 뉴런은 세포체와 뉴런을 서로 연결하는 전선으로 구성된 매우 간단한 정보 처리 장치입니다. 대부분의 경우 그들은 가만히 앉아서 전선을 통해 들어오는 신호를 지켜보는 것 외에는 아무것도 하지 않습니다.

수상돌기, 축삭 및 시냅스

생물학적 용어에서는 뉴런에 입력을 제공하는 전선을 수상돌기라고 부릅니다. 때로는 들어오는 신호에 따라 뉴런이 신호를 발사하여 다른 뉴런이 수신할 수 있도록 신호를 보낼 수도 있습니다. 나가는 신호를 전송하는 전선을 축삭이라고 합니다. 각 축삭은 시냅스라고 불리는 교차점에서 하나 이상의 수상돌기에 연결될 수 있습니다.

동료 뉴런과 분리되어 있는 단일 뉴런은 그다지 인상적이지 않으며 매우 제한된 일련의 행동만 수행할 수 있습니다. 그러나 서로 연결되면 공동 작업으로 인한 시스템이 극도로 복잡해질 수 있습니다. 이에 대한 증거를 찾으려면 (법적 전문 용어를 사용하기 위해) "증거 A": 여러분의 두뇌를 살펴보십시오! 시스템의 동작은 뉴런이 서로 연결되는 방식에 따라 결정됩니다. 각 뉴런은 시간이 지남에 따라 적응할 수 있는 특정 방식으로 들어오는 신호에 반응합니다. 이러한 적응은 기억과 학습과 같은 기능의 핵심으로 알려져 있습니다.

인공 신경망을 개발하는 이유는 무엇입니까?

뇌의 인공 모델을 구축하는 목적은 신경과학, 뇌 및 일반적인 신경계에 대한 연구일 수 있습니다. 인간의 뇌를 아주 자세하게 지도화함으로써 인간과 동물의 인지와 의식의 비밀을 발견할 수 있다고 생각하기 쉽습니다.

Brain 핵심 개념

그러나 우리가 마음과 의식을 이해하는 것과는 거의 거리가 먼 것처럼 보이지만 신경과학에서 달성한 분명한 이정표가 있습니다. 뇌의 구조와 기능을 더 잘 이해함으로써 우리는 이미 몇 가지 구체적인 보상을 얻고 있습니다. 예를 들어, 우리는 비정상적인 기능을 식별하고 뇌가 이를 방지하고 정상적인 작동을 회복하도록 도울 수 있습니다. 이는 간질, 알츠하이머병, 발달 장애로 인한 문제 또는 부상으로 인한 손상 등 신경 질환으로 고통받는 사람들의 삶을 변화시키는 새로운 의료 치료법으로 이어질 수 있습니다.

우리는 강좌의 주제에서 약간 빗나갔습니다. 사실 인공 신경망을 구축하는 또 다른 주요 이유는 생물학적 시스템을 이해하는 것과는 거의 관련이 없습니다. 생물학적 시스템을 영감으로 활용하여 더 나은 AI와 머신러닝 기술을 구축하는 것입니다. 아이디어는 매우 자연스럽습니다. 뇌는 광범위한 지능적 행동(때때로 그다지 지능적이지 않은 행동도 포함)을 수행할 수 있는 놀랍도록 복잡한 정보 처리 시스템이므로 인공 지능 시스템을 만들려고 할 때 뇌에서 영감을 찾는 것이 합리적입니다.

신경망은 1960년대부터 AI의 주요 트렌드였습니다. 마지막 부분에서는 AI 역사 속 인기의 물결로 다시 돌아오겠습니다. 현재 신경망은 전통적으로 AI의 문제점이었던 자연어 및 이미지 처리와 같은 많은 영역에서 상당한 개선을 달성하기 위해 딥 러닝을 사용하므로 다시 목록의 맨 위에 있습니다.

신경망의 특별한 점은 무엇입니까?

일반적으로 AI에 대한 접근 방식인 신경망의 사례는 논리 기반 접근 방식과 유사한 주장을 기반으로 합니다. 후자의 경우, 인간 수준의 지능을 달성하기 위해서는 더 높은 수준의 사고 과정, 특히 논리적 규칙을 사용하여 특정 구체적이거나 추상적인 개념을 나타내는 기호 조작을 시뮬레이션해야 한다고 생각되었습니다.

신경망에 대한 주장은 뉴런과 신경망 수준에서 하위 수준의 "하위 기호" 데이터 처리를 시뮬레이션함으로써 지능이 나타날 것이라는 것입니다. 이 모든 것이 매우 합리적으로 들리지만 비행 기계를 만들기 위해 날개를 퍼덕이는 비행기나 뼈, 근육, 깃털로 만들어진 비행기를 만드는 것이 아니라는 점을 명심하십시오. 마찬가지로, 인공 신경망에서 뉴런의 내부 메커니즘은 일반적으로 무시되며 인공 뉴런은 자연 뉴런보다 훨씬 단순한 경우가 많습니다. 생물학적 시스템을 시뮬레이션하기보다는 AI 시스템을 구축하는 것이 목표인 인공 모델에서는 자연 뉴런 사이의 전기화학적 신호 메커니즘도 대부분 무시됩니다.

컴퓨터가 전통적으로 작동하는 방식과 비교할 때 신경망에는 다음과 같은 특별한 기능이 있습니다.

신경망 주요 특징 1

우선, 전통적인 컴퓨터에서 정보는 한 번에 한 가지 작업에만 집중할 수 있는 중앙 프로세서(중앙 처리 장치, 줄여서 CPU라고 함)에서 처리됩니다. CPU는 컴퓨터의 메모리에서 처리할 데이터를 검색하고 그 결과를 메모리에 저장할 수 있습니다. 따라서 데이터 저장 및 처리는 컴퓨터의 두 가지 개별 구성 요소인 메모리와 CPU에 의해 처리됩니다. 신경망에서 시스템은 다수의 뉴런으로 구성되며, 각 뉴런은 스스로 정보를 처리할 수 있으므로 CPU가 각 정보를 차례로 처리하는 대신 뉴런이 방대한 양의 정보를 동시에 처리합니다.

신경망 주요 특징 2

두 번째 차이점은 기존 컴퓨터처럼 데이터 저장(메모리)과 처리가 분리되지 않는다는 점입니다. 뉴런은 정보를 저장하고 처리하므로 처리를 위해 메모리에서 데이터를 검색할 필요가 없습니다. 데이터는 뉴런 자체(주어진 시간에 활성화되거나 활성화되지 않음)에 단기적으로 저장되거나 뉴런 간의 연결(소위 가중치라고 함)에 장기 저장될 수 있습니다. 이에 대해서는 아래에서 설명합니다.

이러한 두 가지 차이점으로 인해 신경망과 기존 컴퓨터는 다소 다른 작업에 적합합니다. 오랫동안 사용되었던 전통적인 컴퓨터에서는 신경망을 시뮬레이션하는 것이 전적으로 가능하지만, 동시에 많은 정보를 처리할 수 있는 특수 하드웨어(컴퓨터 장치)를 사용해야만이 최대 용량을 달성할 수 있습니다. 이를 병렬 처리라고 합니다. 덧붙여서, 그래픽 프로세서(또는 그래픽 처리 장치, GPU)는 이러한 기능을 갖추고 있으며 대규모 딥 러닝 방법을 실행하기 위한 비용 효율적인 솔루션이 되었습니다.