[경영정보시스템] 1. Artificial Intelligence

* Exemplary System은 시험범위에 포함되지 않으니 생략한다

 

Deductive : 연역법 (Idea -> Observations -> Conclusion)

-> Rule-Based

Inductive : 귀납법

-> Case-Based (Observations -> Analysis -> Theory)

 

Artificial Intelligence (AI)

A huge set of tools for making computers behave intelligently

Expert system : 사람이 아는 것을 기계에게 그대로 주입시켜 의사나 변호사처럼 추론하는 기계를 만들 수 있다는 생각에서 나온 것으로 Rule based인 AI 종류 중 하나. 하지만 이것은 인간의 능력과 비교했을 때 한참 부족함

• 단지 인간을 모방한 것이고
• 인간이 생각하고 인지하는 복잡한 과정은 반영하고 있지 않음
• 아무리 열심히 연구해도, 우리가 아는 것이 너무 적고
• 인간이 아는 지식을 추출해서 기계에 Rule을 입력해야 함.
• 돈과 시간이 들고, 새로운 지식을 알게 될 경우 rule 업데이트하는데 endless loop 돎

그래서 기계가 스스로 학습하는 Machine Learning(ML)이 등장하게 됨!

 

Machine Learning

A set of tools for making inferences and predictions from data

 

데이터를 기반으로 한 real-world process의 통계적 표현임!

New input -> [Model] -> Outcome

 

무엇을 하느냐!

1. 미래의 일을 예측한다

2. 어떤 일이나 행동의 원인을 분석한다

3. 패턴을 추론한다

 

 

ML의 종류

 

 

 

Supervised

: labeled data를 학습한 뒤, unlabeled 된 새로운 정보를 예측

- Classification : item을 카테고리로 분류/예측

- Regression : 숫자 예측

 

Unsupervised

: unlabeled 데이터를 학습하여 output 예측

- Clustering : 비슷한 item끼리 분류하기

- Dimension Reduction(Generalization) : 주어진 데이터 기반으로 새로운 결과물 생성

- Association : 연관관계, 인과관계 예측

 

 

Data set의 일부는 Train하는데, 일부는 Test하는데 사용함 (80:20의 비율)

X1~X5 -> Features

Y -> Target Variable 

 

Unsupervised learning은 Training data에 target variable 없이 feature만 존재함

 

 

 

하지만 ML 역시 등장한 이후 하락세를 걷는데... 그러던 중 neural net의 등장으로 '개같이 부활'
그리고 deep learning의 세상이 열린다

 

Deep Learning (= Neural Network)

input -> hidden layer -> output

• Basic unit = neurons (nodes)
  • 알고리즘이 brain을 모방해서 만들어 진 것!
• ML의 종류 중 하나
• 많은 Data를 필요로 함
• input이 이미지나 텍스트일 때 베스트임

즉, AI 종류에 ML, ML의 종류에 DL이 있음!!!!

딥러닝은 언제, 왜 사용할까?

1. 데이터가 많을 때
2. Access to processing power
3. domain knowledge가 부족할 때
4. 자동으로 feature 추출해 줌
5. 복잡한 문제일 때
   • Computer Vision (CV)
   • Natural Language Processing (NLP)

 

Percentron
= single-layer neural network

Neocognitron
= Multi-layer neural network (hierarchical multilayered architecture)

• CV에서 쓰임

 

CV

CNN(Convolution Neural network)

Apply filters to generate feature maps

• 한 픽셀로는 어떠한 정보도 설명할 수 없음
• Window(small area) 사용 : context of image를 담고 있음
• input에서 4*4 patch에다가 필터를 적용함
  • 4*4 Filter => 16개의 different Weights를 가지고 있음
• 다음 patch를 위해 2픽셀 옆으로 이동한다
• 이러한 patchy operation = Convolution

Applications

• Facial recognition
• self-driving vehicles
• Automatic detection of tumors in CT scans
• Deep fake

 

NLP (Natural Language Processing)

The ability for computers to understand the meaning of human language

• Bag of words
• Unstructured Data --> Structured Format

하지만 bag of words는 동의어(synonyms)를 구별하지 못함
blue, sky-blue, aqua, cerulean과 같은 단어를 서로 다른 단어로 인식
이것을 하나의 single feature로 group화 하고 싶음!

Word Embeddings (Word2vec)

• 비슷한 단어를 그룹화하도록 feature를 만든다! (feature = mathematical meaning)
  ex. (King-man) + (woman - ?) -> Queen

Applications

• Language translation (NMT)
• Chatbots
• Personal assistants
• Review Analysis : Sentiment Analysis(감정분석), Topic Model (LDA)

 

 

그 밖에....

 

TTS (Text to Speech) : 타입캐스트

STT (Speech to Text) : 클로바 노트, 구글 보이스

TTI (Text to Image) : GauGAN bu Nvidia

TTV (Text to Video) : Wayne Hills

 

 

---

Explainability - Blackbox issue

• Black box
  • Deep learning
    • Better for "What"
    • Highly Accurate predictions
• Explainable AI
  • Tranditional machine learning
    • Better for "Why"
    • Understandable for humans

GIGO (Garbage in garbage out)

Gender&Race Bias