소개글
"일자리 과학기술"에 대한 내용입니다.
목차
1. 인공지능(AI) 기술의 발전과 미래
1.1. 인공지능의 정의와 분류
1.2. 인공지능 기술의 발전 과정
1.3. 인공지능 기술의 핵심 기술
1.3.1. 머신러닝
1.3.2. 딥러닝
1.4. 인공지능 기술의 장단점
1.4.1. 인공지능의 장점
1.4.2. 인공지능의 단점
1.5. 인공지능 기술의 활용 현황
1.5.1. 자율주행차량
1.5.2. 농업 분야
1.5.3. 금융 서비스 분야
1.5.4. 마케팅 및 광고 분야
1.5.5. 과학 분야
1.5.6. 의료 분야
1.5.7. 사법 분야
1.5.8. 보안 분야
1.5.9. 감시 분야
1.5.10. 공공 분야
1.6. 인공지능 기술이 미래 일자리에 미치는 영향
1.6.1. 자동화에 따른 일자리 감소
1.6.2. 새로운 일자리 창출
1.6.3. 미래 일자리에 대한 대응 방안
2. 참고 문헌
본문내용
1. 인공지능(AI) 기술의 발전과 미래
1.1. 인공지능의 정의와 분류
인공지능은 '인간의 언어를 이해하고(자연언어 처리), 사물과 상황을 인식하며(패턴인식), 새로운 정보를 체계적으로 습득하여 활용할 수 있으며(기계학습), 축적된 지식과 경험을 토대로 결론을 추론하여(전문가 시스템) 문제해결능력을 가진 지적인 컴퓨팅 능력'으로 정의된다"" 인공지능은 인간이 가진 감정과 마음 등의 요소를 기준으로 하여 약한 인공지능(Artificial Narrow Intelligence), 강한 인공지능(Artificial General Intelligence), 초인공지능(Artificial Super Intelligence)으로 구분된다"" 약한 인공지능은 인간이 입력한 알고리즘, 데이터, 규칙 등을 바탕으로 학습하며, 정해진 규칙을 벗어난 창조는 불가능하다"" 강한 인공지능은 인간의 '감정(emotion)'을 이해할 수 있는 수준의 인공지능을 말하며 보다 다양한 분야에서 활용이 가능하다"" 강한 인공지능은 인간이 알고리즘을 설계하면 인공지능 스스로 학습하고 정해진 규칙을 벗어나 능동적으로 문제를 해결할 수 있다"" 초인공지능은 인간의 '마음(mind)'을 담을 수 있는 수준의 인공지능을 말하며, 옥스포드 철학가이자 유명한 인공지능 사상가인 Nick Bostrom은 초인공지능을 '과학기술 창조, 일반적인 지식, 사회적 능력 등을 포함한 거의 모든 영역에서 모두 제일 총명한 인류의 두뇌보다 훨씬 총명한 지능'이라고 정의하였다""
1.2. 인공지능 기술의 발전 과정
인공지능 기술의 발전 과정은 다음과 같다.
인공지능의 역사는 1943년에서 1951년을 태동기로 볼 수 있다. 당시 McCulloch & Pitts의 초기 신경 시스템 모델은 인간의 두뇌를 논리적 서술을 구현하는 이진 원소들의 결합으로 추측했는데, 이진 원소인 뉴런은 on이나 off 상태를 나타내는 것이 특징이었다. McCulloch & Pitts의 모델은 네트워크 내의 단순한 요소들의 연결을 통하여 수많은 무한한 능력을 가질 수 있다는 점에서 중요했으며, 이들의 모델은 인간 두뇌에 관한 최초의 논리적 모델링이라는 점에서 신경망 이론의 효시로 여겨지고 있다.
이후 인공지능의 개념은 1956년 다트머스 회의에서 처음으로 발표되었다. 당시 다트머스 대학의 존 매카시를 중심으로 너대니얼 로체스터, 마빈 민스키 등이 공동으로 발표한 연구 제안서에 인공지능(AI)이라는 용어를 사용하였다. 그러나 이후 인공지능과 관련된 연구는 50년 동안 답보 상태였는데, 그 이유는 인간과 컴퓨터가 서로 다른 관점에서 "어려운(difficult) 것"과 "쉬운(easy) 것"을 바라보기 때문이었다. 인간에게는 자연스럽게 습득되는 언어 이해, 사물 인지, 판단과 직관 등의 작업이 컴퓨터에게는 어려운 문제였기 때문이다.
그러다 2012년 토론토 대학교 제프리 힌튼 교수가 인간의 인공신경망을 수학적으로 해결하게 되면서 기계 학습의 한계를 극복하며 인공지능 연구가 본격적으로 발전하게 되었다. 힌턴 교수의 컴퓨터 딥 러닝 연구와 오류 역전파법 연구는 인공지능의 문제를 수학적으로 계산하여 해결하는 방식을 통해 인공지능 역사에 있어 중요한 전환점이 되었다. 이를 통해 빅 데이터를 이용한 기계학습의 한계 극복이 가능해졌고, 인공신경망 체계의 딥 러닝 기술이 발전하게 되었다.
딥 러닝은 다양한 정보를 빅 데이터한 후 다양한 비선형 변환기법을 조합하여 기계학습의 알고리즘을 만들어내고, 이를 통해 인간의 사고방식을 컴퓨터를 통해 가르치는 것이 핵심이다. 이러한 예로 컴퓨터 인공지능 알파고의 딥 러닝은 기계학습의 한 형태로 비지도학습을 통해 컴퓨터가 어떠한 규제성 없이 스스로 자신의 패턴을 찾고 학습해 판단하는 알고리즘적 특징을 가지고 있다.
이처럼 인공지능 기술의 발전 과정은 1940년대 신경망 모델의 태동기를 시작으로, 1950년대 인공지능 개념 정립, 이후 오랜 기간 기계학습의 한계로 인한 답보상태를 거쳐, 2010년대 딥러닝 기술의 발전으로 급속한 성장을 이루어왔다고 할 수 있다. 이러한 인공지능 기술의 발전 과정은 향후 인공지능이 우리 사회 전반에 걸쳐 큰 영향을 미칠 것임을 시사한다.
1.3. 인공지능 기술의 핵심 기술
1.3.1. 머신러닝
머신러닝은 "인간의 학습능력을 기계를 통해 구현하는 방법으로 다양한 데이터로부터 학습하여 스스로 성능을 향상시키는 알고리즘 및 기술을 개발하는 분야"이다. 즉, 알고리즘을 기반으로 데이터를 분석하고 이를 통해 학습한 내용을 바탕으로 판단이나 예측을 수행한다.
머신러닝은 학습 방법에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 구분된다.
지도 학습은 입력 벡터와 분류결과(Label)가 주어진 학습데이터를 통해 하나의 함수를 유추하여 새로운 객체에 대한 목표치를 예측하는 방식이다. 따라서 인식, 분류, 진단이나 예측 등에 적합하다.
비지도 학습은 출력값이 주어지지 않고 입력값만을 도입하여 데이터의 특성을 도출하는 방법이다. 군집(Clustering), 밀도추정(Density Estimation), 차원 축소(Dimensionality Reduction) 등에 활용된다.
강화 학습은 행동심리학을 바탕으로, 정의된 상태에서 어떤 행동을 하는 것이 가장 목표 달성에 적합한지 학습하는 방식이다. 행동을 취할 때마다 보상이 주어지며 기계는 이를 최대화하는 방향으로 학습을 진행한다.
머신러닝은 일반적으로 목표 정의, 데이터 수집 및 전처리, 모델 학습, 적용 및 평가의 5단계 프로세스를 거쳐 문제를 해결한다. 데이터로부터 스스로 학습하여 결과를 도출하는 과정에서 인간의 코딩 작업이 필요하지만, 분류 능력이 뛰어나 현상과 사물의 특징을 도출하고 새로운 결론을 낼 수 있다는 장점이 있다.
이처럼 머신러닝은 인공지능의 핵심 기술로서 다양한 분야에 활용되고 있으며, 미래에도 지속적으로 발전하여 인간의 삶에 혁신적인 변화를 가져올 것으로 기대된다.
1.3.2. 딥러닝
딥러닝은 인공신경망(ANN, Artificial Neural Networks)에 기반을 둔 기계학습의 한 분야이다. 딥러닝은 비선형 변환기법의 조합을 통해 높은 수준의 추상화 작업을 수행하여 방대한 데이터를 분석하고 특징을 도출해낸다.
딥러닝의 기본적인 구조는 신경망이 입력 벡터를 받아 이를 입력층(input layer)에 전달하며, 숨겨진 다량의 은닉층(hidden layer)에서 학습을 수행하고, 출력층(output layer)을 통해 결과를 도출하는 것이다. 신경망의 각 층은 입력된 데이터를 비선형적으로 변환하며, 이를 통해 점진적으로 복잡한 특징을 추출할 수 있다.
딥러닝의 가장 큰 장점은 스스로 데이터로부터 특징을 도출하며 학습할 수 있다는 점이다. 기존의 머신러닝 기법들은 사람이...
참고 자료
구형일, 인공지능 및 딥러닝 동향, 전기의 세계 제67권 제7호, 대한전기학회, 2018.
금융보안원, 인공지능 개요 및 기술 동향, 2016.
김윤명, 인공지능(로봇)의 법적 쟁점에 대한 시론적 고찰, 정보법학 제20권 제1호, 2016.
김윤정, 인공지능 기술 발전에 따른 이슈 및 대응 방안, 한국과학기술기획평가원, 2018.
김재필‧나현, 인공지능 완생이 되다, 디지에코 보고서, 2016.
마이크로소프트, 인공지능으로 변화될 미래, 2018.
변순용, 인공지능로봇을 위한 윤리 가이드라인 연구, 윤리교육연구 제47집, 한국윤리교육학회, 2018.
이민화‧강만금, 인공지능과 4 차 산업혁명 그리고 인공지능 혁명의 본질, 브레인, 2016.
전영준, 인공지능의 발달이 디자인 직군에 미치는 영향 연구, 홍익대학교 대학원 논문, 2018.
조성준‧강석호, 머신러닝(인공지능)의 산업 응용, IE매거진 제23권 제2호, 대한산업공학회, 2016.
하대권‧성용준, 선택에 관여하는 인공지능이 사용자 평가에 미치는 영향, 한국심리학회지, 2019.
한국정보화진흥원, 사회 속의 인공지능, 2019.
1
2
3
4
5
6
7
8
9
10
11
12
13