• 2015-017

기계학습의 발전 동향, 산업화 사례 및 활성화 정책 방향 - 딥러닝 기술을 중심으로

날짜2016.01.13
조회수15835
글자크기
요약문 상세
    • 인공지능 기계학습의 산업적 중요성
    • ㅇ SW는 이제 국가 전체의 경쟁력 확보를 위한 필수 요소가 되었다. 해외 선진 기업들은 고도화된 SW기술을 기반으로 전통적인 IT 분야 뿐 아니라 자동차, 의료, 경제, 교육, 문화 등 거의 모든 분야에서 혁신을 주도하고 있다.
    • ㅇ 인공지능 기계학습의 발달은 지적 활동의 자동화에 대한 가능성을 열고 있다는 점에서 그 파급 효과가 매우 크고 광범위할 것으로 전망된다.
    • ㅇ 최근 딥러닝을 중심으로 급격히 발전한 기계학습 기술은 실용화를 위한 요구 수준과 실제 인공지능 기술 간의 격차를 크게 좁히며 다양한 지능형 시스템의 출현을 예고하고 있다.
    • ㅇ 인공지능 기계학습은 많은 양의 데이터가 발생하는 빅데이터나 사물인터넷 시대에 필수적인 핵심 SW기술이다.
    • ㅇ 구글, 테슬라를 비롯한 선진 SW기업들은 기계학습 기술을 스마트카, 핀테크, 스마트 헬스케어 등 고부가가치 융합분야에 적용하여 새로운 가치를 창출하고 있다.
    • 기계학습 및 딥러닝 기술 소개
    • ㅇ 현재 기계학습 기술은 딥러닝을 중심으로 매우 급격히 발전하고 있다.
    • ㅇ 딥러닝은 데이터로부터 고수준의 정보를 학습하는 기술로 주로 깊은 신경망에 기반한다.
    • ㅇ 딥러닝의 핵심 방법론으로는 사전학습(pre-training) 알고리즘, 컨볼루션 네트워크(CNN), 순환신경망(RNN) 등이 있다.
    • ㅇ 딥러닝은 다양한 분야에 적용되어 기존 방법을 압도하는 탁월한 성능을 보이며, 인공지능 시스템의 실용화에 대한 기대를 높이고 있다.
    • 기계학습 기술의 최근 발전 동향 및 산업화 사례
    • ㅇ 기계학습 분야에서 최근 이루어진 주요 발전 내용은 새로운 딥러닝 모델 및 계층의 개발, 새로운 학습 알고리즘 및 학습 결과의 이해 방법, 딥러닝과 기존 방법론을 결합한 새로운 응용의 발굴 등이 있다.
    • ㅇ 구글, 마이크로소프트, 페이스북, 지멘스, 캐스피다, 크리테오, 아마존, NVIDIA 등의 선진 기업들은 기계학습 기술을 인터넷 서비스, 생산공정, 우편자동화, 의료, 보안, 광고, 배송, 지능형자동차 등 다양한 분야에 적용하여 수익을 창출하고 있을 뿐 아니라 새로운 시장을 개척하면서 주도권을 확보하고 있다.
    • 해외에서의 기계학습 기술 발전 및 산업 활성화 성공 요인
    • ㅇ 기계학습의 학문적/산업적 성공의 배경에는 학계의 뛰어난 리더들, 풍부한 공개 데이터, 지속성 있는 기술 컨테스트에 의한 성능 중심의 기술경쟁, 오픈소스, 연구성과 공유를 위한 빠른 출판 미디어, 연구 성과의 언론 보도에 의한 대중적 이슈화 등이 있다.
    • ㅇ 반면, 우리나라에서는 전문 인력의 양적/질적 부족, 학습/평가 데이터의 부족, 성능보다 SCI 논문 중심의 경직된 평가제도 등이 기술 발전과 산업화의 장애물이 되고 있다.
    • ㅇ 기계학습 기술 발전 및 산업 활성화를 위해서는 이 같은 장애물들을 극복하고 해외에서 성공적이었던 제도 및 문화를 도입하여 좋은 기반을 구축하는 것이 필요하다.
    • 기계학습 기술 발전 및 산업 활성화를 위한 정책적 방안
    • ㅇ 기계학습 기술에 의한 변화에 효과적으로 대응하지 못할 경우 산업 전반에 있어서 세계적 추세를 따라가지 못하고 경쟁력을 잃어버릴 가능성이 있다. 따라서, 기계학습 기술 발전 및 산업화에 대한 정부 차원의 큰 그림과 체계적 추진 및 지원이 요구된다.
    • ㅇ 깊이 있는 기계학습 전문가를 육성하기 위해서는 오픈소스를 활용한 응용 연구 뿐 아니라 방법론 중심의 심도 있는 연구에 대한 지원이 필요하다.
    • ㅇ 기술 컨테스트를 지속적으로 개최하여 현실적 문제들을 제시하고, 참가팀들의 기술을 성능 중심으로 평가한 후, 그 결과를 공개한다면 해외의 사례와 같이 학계 및 산업계의 투명성을 높이고, 논문보다 성능 중심의 실질적 연구를 장려하는 효과를 거둘 수 있을 것이다.
    • ㅇ 기계학습에 필수적인 학습/평가 데이터와 컴퓨팅 인프라를 구축하고 기술 컨테스트와 연동하여 제공한다면 정부의 지원이 실질적인 핵심 기술의 개선으로 이어지도록 유도할 수 있을 것이다.
목차 상세
    • 1. 서 론
    • 2. 인공지능, 기계학습, 딥러닝의 발전과 그 영향력
    • 3. 기계학습 기술의 소개 및 성공사례
    • (1) 개요
    • (2) 깊은 신경망
    • (3) 사전학습(pretraining)에 의한 딥러닝
    • (4) 컨볼루션 네트워크
    • (5) 순환 신경망 (RNN, recurrent neural networks)
    • (6) 딥러닝의 성공 사례
    • 4. 딥러닝 기술의 최근 발전 동향
    • (1) 계층 및 네트워크 구조의 발전
    • (2) 학습 알고리즘의 발전
    • (3) 시각화에 의한 학습 결과의 이해
    • (4) CNN과 기존 방법을 결합한 인식 시스템
    • 5. 기계학습 기술의 산업화 사례
    • (1) 구글: 기계학습 제국
    • (2) 마이크로소프트의 RankNet, Cortana, Azure
    • (3) 페이스북의 사진 공유 서비스 Moments
    • (4) 지멘스의 기계학습 응용 사례
    • (5) 오바마 선거캠프의 유권자 맞춤 선거 전략
    • (6) 캐스피다(Caspida)의 기계학습 기반 지능형 보안 시스템
    • (7) 크리테오(Criteo)의 기계학습 기반 개인 맞춤형 퍼포먼스 광고
    • (8) 아마존(Amazon): 구매추천 및 예측, AWS 기계학습 클라우드
    • (9) NVIDIA: 기계학습을 위한 컴퓨팅 인프라
    • 6. 기계학습 관련 산업의 활성화를 위한 제안
    • (1) 해외 기계학습 기술의 발전 및 산업화 성공 비결
    • (2) 우리나라의 기계학습 발전의 장애물
    • (3) 기계학습 연구 및 상용화 활성화를 위한 제안