지금까지 LG CNS 블로그에서 인공지능의 개념과 최신 기술, 적용 사례에 대해서 소개해드렸습니다. 오늘은 조금 다른 주제를 다뤄보려고 합니다. 오늘날처럼 인공지능의 기술이 발달하고 인간과의 공동 작업이 활발한 때, 인공지능과 인간이 더불어 살기 위해서는 서로 어떤 것들을 더 배워야 할까요? 오늘의 주제는 인공지능의 윤리, 도덕과 관련된 영역입니다. 애초에 인공지능이 데이터가 아닌, 윤리를 배운다는 게 가능한 일일까요? 인공지능에게 윤리를 가르칠 수 있을까? 더 나은 인공지능을 만들기 위해 인공지능을 학습시킬 때, 우리는 대부분 인공지능의 성능을 목표로 합니다. 이는 풀어야 하는 과제를 얼마나 더 잘 수행하는지에 대한 성능 목표를 말합니다. 더 높은 정확도, 더 빠른 추론 속도, 더 많은 트래픽에 대한 ..

앞선 콘텐츠에서는 딥러닝을 활용해 강아지와 고양이를 분류하는 방법을 소개했었는데요. 이를 통해 딥러닝이 이미지와 같은 비정형 데이터 처리에 안성맞춤이라는 것을 알 수 있었습니다. 이번 편에서는 LG CNS의 시각 AI 솔루션 DAP Vision을 이용해 이미지를 자동으로 분류하는 서비스를 만들어보고자 합니다. 딥러닝, 데이터로 세상을 파악하다(2) 지난 편을 확인하지 못하신 분들은 위를 클릭해 확인해 주시기 바랍니다. 딥러닝 기반의 시각 AI 와 DAP Vision 서비스 한국과학기술정보연구원에서 2019년 미래 유망기술 10선 중 하나로 ‘AI 기반 머신 비전 기술’을 선정하였습니다. 우리나라는 미국이나 중국보다 AI 경쟁력은 다소 떨어지지만, 제조 분야에 우수한 데이터를 보유하고 있어 제조 관련 인공..

앞선 콘텐츠를 통해 언어 AI의 다양한 적용 사례를 살펴보았습니다. ● 챗봇부터 음성봇까지! '언어 AI'가 나타났다: https://blog.lgcns.com/2282 언어 AI의 대표 주자인 챗봇 서비스는 이제 비즈니스의 필수적인 요소가 되었다고 해도 과언이 아닙니다. 유통과 금융 산업의 고객센터 업무를 중심으로 빠르게 성장하고 있는 챗봇 시장은 비즈니스 관점의 운영 효율성 증대와 사용자 관점의 서비스 접근 편의성이라는 두 장점에 힘입어 앞으로도 폭발적으로 성장할 것으로 기대됩니다. l 미국 산업별 챗봇 시장 규모(2014-2025, 단위 100만 달러) (출처: Grand View Research) 이렇게 챗봇이 유용하다는데, 이 글을 읽는 분들 중에서도 우리 비즈니스도 챗봇 서비스를 도입해야 하지..

우리는 일상 생활 속에서 메시지를 보내거나, 쇼핑을 하는 등 다양한 온라인 활동으로 ‘데이터’를 꾸준히 생산하고 있습니다. 미국의 시장정보 조사업체인 비주얼 캐피털 리스트에 의하면 올해 전 세계적으로 약 44ZB(1ZB = TB)의 데이터가 생성될 것으로 전망하였습니다. 2025년에는 하루 데이터 생산량이 무려 463EB(1EB =TB)에 이를 것이라고 합니다. 이렇게 방대한 양의 데이터를 ‘빅데이터’라고 합니다. 빅데이터를 잘 분석하면 현대 사회를 더욱 정확하게 예측하고 개인에 알맞은 맞춤형 정보를 제공할 수 있습니다. 예를 들어, 의류 브랜드에서 전 매장의 구매 로그 기록을 잘 분석하면 특정 바지를 구매하는 고객에게 함께 구매할 확률이 높은 상의를 추천해줄 수 있습니다. 또한, 구매율이 높은 의류들의..

지난 편에서는 사람을 대신해 정보를 분석하고 추론하는 역할을 수행하는 AI, 그 중 시각 AI에 대해 알아봤습니다. 이번 편에서는 데이터 AI 그리고 복합 AI의 사례에 대해 말씀 드리겠습니다. ● 쓰러진 사람 발견하는 착한 인공지능 '시각 AI' 데이터 AI 대부분의 비즈니스에서 AI 도입을 고려하는 이유는 사람을 대신해 분석, 예측한 정보를 새로운 비즈니스에 접목하거나 기존의 업무에 활용하기 위함입니다. 이를 위해 사람의 말을 이해하거나 시각 정보를 이해하고 추론할 수 있도록 자연어나 영상 정보 등을 학습한 모델을 개발하고 있습니다. 이번에는 자연어나 영상 정보 외에 정형 데이터를 통해서 최적화된 결론을 예측한 사례에 대해 알아보겠습니다. 전 세계 사용자를 대상으로 검색 및 유튜브 등의 서비스를 제공..

지난 시간의 언어 AI에 이어서 시각 AI와 데이터 AI 그리고 복합 AI의 사례에 대해 말씀드리겠습니다. ● 챗봇부터 음성봇까지! ‘언어 AI’가 나타났다 시각 AI는 각 산업 환경과 공공기관, 의료기관과 같이 다양한 환경에서 사람을 대신해서 이미지나 영상 등의 정보를 분석하고 추론하는 역할을 수행합니다. 이러한 시각 AI가 분석하는 정보의 유형은 크게 이미지와 영상으로 나눌 수 있습니다. 이 둘의 차이는 활용 목적이 특정 영역의 공간에 대한 분석(이미지)인지, 아니면 시간 흐름에 따른 해당 공간의 변화를 분석(동영상)하려는 목적인지에 따라 구분한 것입니다. 두 편에 걸쳐 유형별로 적용된 사례에 대해 살펴보겠습니다. 시각 AI - 이미지 시각 AI의 이미지 인식은 촬영된 이미지나 동영상의 특정 영역을 ..

대부분의 비즈니스에서 AI 도입을 고려하는 목적은 사람을 대신해서 인식하고 분류한 다양한 정보를 기반으로 신속하게 추론하고 예측해 새로운 비즈니스에 접목하거나 기존의 업무에 활용하는 것입니다. 대표적인 적용 형태는 다음과 같습니다.1) 음성과 언어 정보를 추론하는 언어 AI2) 영상과 이미지 정보를 토대로 추론하는 시각 AI3) 이미 확보된 정보를 분석하고 예측하는 데이터 AI4) 위 형태를 복합적으로 적용한 복합 AI 언어 AI는 학습을 통해서 문서나 텍스트, 그리고 음성 신호에 담긴 의도와 문맥을 추론하고 이해하는 것을 의미하며 이를 구성하는 요소기술로는 NLU, NLP, STT, Text Analytics 등이 있습니다. 주변에서 챗봇이나 음성봇 형태로 구현된 것을 주로 볼 수 있으며, 그 외에도 ..

딥러닝 기반 알고리즘들은 충분한 양의 데이터로 학습한다면 좋은 성능을 낸다고 알려져 있습니다. 딥러닝 알고리즘은 이미지 분류, 객체 탐지, 영상 분할 등 여러 가지 분야에서 이미 사람보다 더욱 정확하고 빠르게 동작하고 있습니다. 이러한 딥러닝 알고리즘을 연구하고 개발하는 과정에서 딥러닝 알고리즘을 효과적으로 학습시키는 방법론에 관해서 연구가 많이 진행되었습니다. 더 많은 데이터로 학습한 딥러닝 모델에서 전달받은 정보를 활용해 학습하는 기법인 지식 증류(Knowledge Distillation). 다른 데이터들로 공부한 것을 토대로 효과적으로 학습하는 전이 학습(Transfer Learning). 이 외에도 여러 가지 방면의 연구가 많이 진행되었지만, 오늘 중점적으로 다룰 방법론은 능동 학습(Active ..

오늘날 신경망을 깊게 쌓아 올린 딥러닝 기반 알고리즘들은 다양한 분야에서 미증유의 퍼포먼스를 보여주고 있습니다. 심층 신경망 연구는 하드웨어의 눈부신 발전과 함께 두각을 나타내기 시작했으며, 더 좋은 성능의 알고리즘을 만들어내기 위해 각 기업 및 학계의 연구소에서는 더 강력한 최신의 GPU와 TPU를 사용한 연구를 진행하고 있습니다. 이렇게 강력한 하드웨어와 전력을 쏟아부어야 만들 수 있고 사용할 수 있는 딥러닝 알고리즘. 우리 손엔 자그마한 스마트폰 정도가 쥐어져 있는 것 같은데, 도대체 어떻게 해야 연구소에서 우리 삶 속으로 꺼내올 수 있을까요? 이 포스트를 통해 인공지능(AI) 경량화의 필요성과 그 흐름에 대해 짚어보는 시간을 갖고자 합니다. 경량화의 필요성 심층 신경망의 성능을 끌어올리기 위한 가..

수많은 학습 데이터를 주기만 한다면, 딥러닝은 문제를 잘 풀 수 있다고 알려져 있습니다. 예를 들어 1,000개의 카테고리에 대해 130만 장의 분류된 이미지가 있는 ImageNet 태스크에 대해 딥러닝 알고리즘은 Top 5 기준 98% 이상의 정확도를 달성하며 사람의 판별 정확도를 뛰어넘었습니다. 하지만 태스크에 맞는 데이터를 수집하는 것은 비쌉니다. 세상에는 이미지가 넘쳐나지만, 각각의 이미지가 어떤 의미를 가지는지 사람이 일일이 분류해 라벨을 만드는 것은 오래 걸리고 힘이 듭니다. 지도 학습, 비지도 학습, 그리고 자기 지도 학습 데이터와 라벨이 주어질 때 라벨을 이용해 태스크를 수행하는 방법을 학습하는 것을 지도 학습(Supervised learning)이라고 부릅니다. 이미지 분류, 양불판정, ..