우리는 딥러닝을 사용해 예측 분석을 자동화 하고 있다.

딥러닝이라 불리는 인공지능과 머신러닝 기술은 사람들이 특정 유형의 정보를 습득하는 방법을 모델링한다. 딥러닝은 정보를 습득하는 과정을 더 빠르고 단순하게 만들어 방대한 양의 데이터를 수집, 분석 및 해석하는 업무를 맡은 데이터 과학자들에게 매우 유리하게 쓰이고 있다.

딥러닝을 이해하기 위해서, 어린 아이에게 처음으로 ‘개(dog)’ 단어를 가르치는 것을 생각해 보자. 아이는 다양한 물건들을 가리키고 "개"라는 용어를 사용함으로써 개가 무엇이고 무엇이 아닌지를 배운다.

아이의 부모는 아이가 가르킨 물건이나 동물에 대해 반응해 줌으로써 아이가 ‘개’라는 단어를 이해할 수 있도록 돕는다. 아이는 부모와의 상호작용을 통해 개들이 가지고 있는 특징들에 대해 더 많이 배운다. 아이는 자신도 모르게 복잡한 추상화, 즉 개에 대한 생각을 명확히 할 수 있다.

아이가 개를 인식하는 법을 배우는 것과 유사하게 딥 러닝 컴퓨터 알고리즘도 비슷한 단계를 거친다. 계층 구조의 각 알고리즘은 학습한 내용을 사용해 통계 모델을 출력한다.

대부분의 딥 러닝 모델은 일종의 정교한 기계 학습 알고리즘인 인공 신경망에 의해 뒷받침된다. 따라서 딥 러닝은 심층 신경 학습 또는 심층 신경 네트워킹이라고도 부른다.

신경망은 실수를 통해 학습하기 때문에 엄청난 양의 훈련 데이터가 필요하다. 대부분의 기업이 빅 데이터 분석을 채택하고 방대한 데이터 저장소를 수집한 후에야 신경망이 인기를 얻은 것은 우연이 아니다.

딥 러닝 알고리즘의 주요 문제는 바로 편향이다. 편향된 데이터로 모델을 학습하면 예측에서 유사한 편향을 복제한다. 한 딥 러닝 프로그래머는 “모델이 데이터 조각의 미세한 차이를 기반으로 구별하도록 학습하기 때문에 이 문제로 어려움을 겪고 있다”고 말했다.

또한 딥 러닝 모델은 학습 속도로 인해 상당한 어려움에 직면할 수 있다. 속도가 너무 높으면 모델이 너무 빠르게 수렴되어 이상적이지 않은 결과로 이어진다. 반대로 속도가 너무 낮으면 프로세스가 중단되고 솔루션을 찾기가 훨씬 더 어려워질 수 있다.

딥러닝의 효율성을 높이고 시간 소모를 줄이려면 멀티코어 고성능 그래픽 처리 장치(GPU) 및 기타 처리 장치가 필요하다. 그러나 이러한 장치는 가격이 비싸고 많은 에너지를 소비한다.

한 인공지능 전문가는 “딥 러닝 모델은 학습된 후에는 결과에 대해 엄격하고 멀티태스킹이 불가능해 유사한 문제를 해결하는 경우에는 시스템 재교육이 필요하다”고 설명했다.

그는 “방대한 양의 데이터가 있더라도 기존의 딥 러닝 접근 방식은 프로그래밍이나 사고가 필요한 애플리케이션을 처리할 수 없기 때문에 앞으로 이런 부분들을 해결해 나가야 할 것”이라고 덧붙였다.