AI부터 자율제조까지, 인공지능 기술 총정리

인공지능의 정의

인공지능(Artificial Intelligence, AI)이란 인간의 지적 능력을 컴퓨터에서 구현한 기술로, 다양한 소프트웨어와 시스템이 포함됩니다. 이 개념은 1956년 미국 다트머스 회의에서 존 매카시에 의해 공식화되었습니다. 그는 "기계를 인간처럼 행동하게 만드는 것"이라 정의했습니다.

인공지능의 역사

• 앨런 튜링은 컴퓨터도 사고할 수 있다는 주장을 제시하며, '튜링 테스트'를 고안했습니다. 이 테스트는 지금도 AI 판별 기준으로 쓰입니다.

인공지능의 발전

• 1956년 다트머스 회의: 존 매카시가 '인공지능(AI)'이라는 용어를 처음으로 사용하며, AI 연구의 시초가 되었습니다.
• 앨런 튜링의 기여: ‘튜링 테스트’를 통해, 기계가 사람처럼 사고할 수 있는지 평가하는 기준을 제시하며 AI의 철학적 기반을 마련했습니다.

🚀 1990년대 ~ 2010년대의 발전

• 빅데이터와 GPU의 등장: 1990년대 후반~2000년대, 저장 장치와 컴퓨팅 파워의 발전으로 데이터 기반 AI가 가능해졌습니다.
• 딥러닝의 등장: 2012년, 이미지넷(ImageNet) 대회에서 딥러닝 기반 모델 'AlexNet'이 기존 모델을 압도하면서 딥러닝이 본격적으로 각광받기 시작했습니다.

📈 2020년대 이후의 인공지능

• 초거대 AI 모델의 시대:
  • 구글의 BERT, OpenAI의 GPT 시리즈, 메타의 LLaMA 등 수십억~수천억 파라미터를 가진 언어모델이 탄생했습니다.
  • 이 모델들은 검색, 번역, 이미지 생성, 코딩, 교육 등 다양한 분야에서 활용되며 범용 인공지능(AGI)의 가능성까지 논의되고 있습니다.
• 멀티모달 AI:
  • 텍스트, 이미지, 음성 등 다양한 데이터를 동시에 처리할 수 있는 AI 기술이 발전하고 있습니다. 대표적으로 GPT-4, Gemini, Claude 등은 텍스트와 이미지 이해를 동시에 수행할 수 있습니다.
• 생성형 AI의 상용화:
  • ChatGPT, Midjourney, Runway ML, DALL·E, Sora 등 다양한 생성형 AI 도구들이 일상과 산업에 보급되고 있습니다.
  • 콘텐츠 제작, 마케팅, 게임 개발, 의료 등 다양한 산업에서 AI가 창의적 도구로 활용되고 있습니다.

🌍 사회적 변화와 윤리

• AI 윤리와 규제: 기술의 발전과 함께 AI의 책임, 공정성, 투명성, 저작권 문제 등을 다루는 윤리적 논의가 활발히 진행되고 있으며, 유럽연합(EU) 등은 AI 법안을 제정 중입니다.
• 일자리 변화: 반복적이고 단순한 작업은 자동화되고, 창의적/분석적인 업무에 AI가 협력자로 투입되며, 직업 구조에 변화가 생기고 있습니다.

자율제조 인공지능

• 자율제조 AI는 제조현장에서 데이터를 바탕으로 설비 제어, 이상 감지, 품질 분석 등을 자동으로 수행하는 기술입니다.
• 주요 기술: 비전 AI 기반 불량 검출, 센서 데이터 분석, CNN으로 이미지 인식, RNN으로 생산 예측
• 스마트팩토리와 연계되어 실시간 공정 최적화와 인력 최소화를 실현합니다.

머신러닝의 종류

• 지도학습: 정답 데이터를 기반으로 학습 (SVM, 결정트리 등)
• 비지도학습: 정답 없이 패턴 탐지 (군집화 등)
• 강화학습: 보상을 통해 행동 전략을 스스로 학습

강화학습의 개념

• 보상을 통해 학습을 진행하며, 시계열 행동을 최적화합니다.
• 게임, 로봇 제어, 물류 시스템 최적화 등에 활용됩니다.

딥러닝의 구조

• 인간의 뇌를 모방한 인공신경망(ANN)을 기반으로 구성
• 입력층 → 은닉층(hidden layer) → 출력층으로 이루어지며, 비선형 문제 해결에 탁월

DNN의 발전

• 은닉층이 많은 딥 신경망(DNN)은 다양한 특성 학습에 강점을 가집니다.
• 응용 모델: CNN(이미지), RNN(시계열), LSTM, GRU 등

CNN의 특징

• 이미지 인식에 탁월한 신경망
• Convolution + Pooling + FC layer로 구성
• 얼굴 인식, 불량 검출, 자율주행 비전 등에 활용

RNN의 활용

• 시간 흐름에 따른 데이터(텍스트, 음성 등)에 강력
• 과거 입력을 현재 예측에 반영하는 구조

케라스(Keras) 소개

• Python 기반 딥러닝 라이브러리
• TensorFlow 백엔드를 사용하며, 간단한 코드로 강력한 모델 구현 가능
• 대표 함수: compile(), fit(), evaluate(), predict()

딥러닝 모델 구성 순서

1. 데이터셋 생성: 원본 데이터를 전처리해 훈련/검증/시험셋 생성
2. 모델 구성: Sequential 또는 함수형 API로 모델 설계
3. 학습 설정: 손실함수, 옵티마이저 정의
4. 모델 학습: fit() 함수로 훈련 수행
5. 성능 평가: evaluate() 함수 사용
6. 결과 예측: predict() 함수로 출력 도출

📥 정리된 PPT 파일 다운로드

이번 포스팅에서 소개한 인공지능과 딥러닝에 대한 내용을 한눈에 보기 쉽게 PPT로 정리해두었습니다.
강의자료, 스터디, 발표 등에 활용하고 싶으신 분들은 댓글로 메일 주소 남겨주시면 등록하겠습니다.
등록후에 아래 링크를 통해 다운로드하실 수 있어요.
https://drive.google.com/drive/folders/1S8dv7zUDu6e5cpcIxICC_NHCg_hL3eqB?usp=sharing