딥러닝 학습 방법과 종류, 활용 방법, 도입 사례

 

지난 포스팅에서는 딥러닝의 정의와 특징, 그리고 알고리즘 종류에 대해서 알아보았습니다.

 

딥러닝의 정의, 특징, 알고리즘 종류

 

딥러닝 학습 방법에는 어떤 것들이 있을까요? 이번 블로그 포스팅에서는 주요 학습방법과 기타 학습방법으로 나누어 소개하겠습니다.

---

딥 러닝의 주요 학습 방법

딥러닝을 통한 물체 인식의 주요 방법은 3가지가 있습니다. 각 방법에 대해 자세히 설명드리겠습니다.

 

전이 학습

전이학습이란 이름 그대로 다른 영역에서 학습한 것 전이, 즉 다른 영역에서 유용하게 쓸 수 있는 기법입니다. 학습이 끝난 모델의 미세 조정을 실시하는 접근법이 특징입니다. 처음부터 네트워크를 학습시키는 경우에는 많은 데이터가 필요하기 때문에 시간이 걸립니다. 반면 전이 학습은 필요한 데이터 수가 크게 적습니다. 따라서 계산 시간을 몇 분 혹은 몇 시간 정도로 단축할 수 있습니다.

 

특징 추출

특징 추출은 딥 러닝의 보다 전문적인 기법입니다. 이 기법에서는 네트워크를 특징 추출기로 사용합니다. 신경망에서는 이미지의 특징량을 추출할 수 있습니다. 그 역할을 이용하여 임의의 단계에서 특징량을 추출하여 기계학습 모델로의 입력 등에 사용하는 것입니다. 다소 일반적이지 않은 방법이라고 할 수 있습니다.

 

처음부터 네트워크를 학습시키기

이것은 이름 그대로 아무것도 없는 상태에서 네트워크를 학습시킵니다. 이때는 대량의 라벨링 된 데이터뿐만 아니라 네트워크 설계가 필요합니다. 특징량을 학습하고 모델링 하거나 데이터 수집을 하는 데는 며칠, 길면 몇 주 정도의 시간이 걸리기 때문에 사용되는 빈도는 그리 많지 않습니다.

 

그 외 딥러닝 학습방법

딥 러닝에는 다른 학습 방법도 있습니다. 여기에서는 두 가지 학습 방법에 대해 설명합니다.

 

멀티 모달 학습

멀티 모달 학습에서는 여러 종류의 데이터를 이용하는 것이 특징입니다. 사용하는 데이터로는 화상이나 음성, 동영상이나 텍스트, 테이블 데이터 등 다양한 종류가 있습니다. 멀티 모달 학습에서는 AI에게 이들을 개별적으로 학습시킨 후 모든 학습 결과를 조합하여 전체적으로 학습시킵니다.

 

Pre-train (프리 트레이닝) & Fine-tune (파인 튜닝)

이 기법에서는 처음에 일반적인 이미지 학습을 시킵니다. 그 후 전문적인 분야의 이미지로 전이시킴으로써 보다 고도의 해석이 가능해집니다. 전문 분야의 이미지만으로 충분한 정보량을 확보할 수 없습니다. 그래서 전문 분야를 배우게 하기 전에 많은 이미지를 학습시킴으로써 일반적인 이미지가 무엇인지 파악하게 합니다. 이 정보를 기반으로 하면 전문 분야의 이미지 분석이 가능합니다.

---

딥 러닝 활용 방법과 도입 방법

딥러닝은 어떻게 활용하면 좋을까요? 여기에서는, 구체적인 활용 방법이나 도입 방법 등에 대해서 소개하겠습니다.

 

딥 러닝 활용 방법

딥러닝은 다양한 분야에서 활용되고 있습니다. 화상이나 동영상 등에서 문자나 얼굴의 특징을 인식하는 화상 인식, 인간의 목소리를 인식시키는 음성 인식 등이 있습니다. 또한 인간이 통상적으로 사용하는 구어·글씨 등을 이해시키거나 처리시키는 자연어 처리도 가능합니다. 시계열 데이터에서 이상 징후가 없는지 분석하는 이상 검지에도 활용할 수 있습니다.

 

딥 러닝 도입 방법

딥러닝을 도입하고 싶다면 무엇을 할 수 있는지, 무엇을 하고 싶은지 알아보도록 하겠습니다. 알고리즘에도 몇 가지 종류가 있고, 알고리즘마다 잘 구현할 수 있는 특기 분야는 달라집니다. 어떤 것을 선택하면 좋을지 비교하기 위해서도 도입하는 목적을 명확히 하는 것이 중요합니다.

 

딥 러닝 도입 과정

도입 프로세스는, 구상 국면· PoC 국면·실장 국면·운용 국면의 4단계로 나눌 수 있습니다. 또한 방대한 데이터양이 필요하기 때문에 어느 정도의 비용도 듭니다. 그렇기 때문에 도입할 때는 정말 딥러닝이 적합한 방법인지 잘 살펴보는 것이 중요합니다.

 

딥러닝 활용 및 도입 사례

딥러닝은 다양한 분야에서 활용되고 있습니다. 여기에서는, 활용·도입 사례에 대해 자세하게 소개하겠습니다.

 

의료 연구

의료 연구에서는, 약의 분자 구조 등을 학습시킴으로써, 신약 발견까지의 시간을 단축시킬 목적으로 도입되고 있습니다. 또한 CT 스캔이나 엑스레이, MRI 등의 이미지 데이터에서 자동적으로 암세포를 검출하는 것에도 응용되고 있습니다.

 

유통

유통에서는 딥러닝을 활용해 EC 사이트 상에서 패션 아이템 등을 이미지로 검색할 수 있는 서비스가 제공되고 있습니다. 예를 들어, 텔레비전이나 SNS 등에서 신경이 쓰이는 아이템이 있을 때는, 그 화상으로 검색하는 것으로 같은 색이나 무늬의 아이템을 찾아내는 것도 가능합니다.

 

제조

제조에서는 불순물 검출 등에 활용되고 있습니다. 딥러닝 이미지 인식을 이용해 특정 패턴을 인식시킴으로써 균열이나 결손과 같은 문제점을 빠르고 정확하게 검출할 수 있습니다.

 

금융

금융에서는 딥러닝을 이용한 트레이딩 업무를 하고 있습니다. 다양한 종목의 정보와 데이터를 입력함으로써 법칙과 특징을 찾아냅니다. 이를 통해 주가 예측이 가능해지는 것입니다.

 

자율 주행

자율주행에도 딥러닝이 활용되고 있습니다. 다양한 화상 데이터나 동영상 데이터 등을 학습시키는 것에 의해, 자동으로 신호기나 표지등의 인식, 보행자의 검지 등을 실시할 수 있도록 하고 있습니다.

 

보안 강화

보안 강화를 위해 딥러닝이 도입되기도 합니다. 예를 들면, 사이버 공격을 막기 위해서 과거의 사이버 공격의 데이터를 학습시켜 감시를 강화하는, 신용카드의 부정 이용을 감지하는 것 등에 활용되고 있습니다.

 

항공 우주 방위

항공 우주·방위에서는, 인공위성으로부터의 화상을 기본으로 해 분석이나 해석을 실시하고 있습니다. 지상에 있는 물체 등을 인식·검지할 수 있기 때문에 부대가 안전하게 이동할 수 있는지 확인이나 군사시설 감시와 같은 군사나 방위에 도움이 됩니다.

 

일렉트로닉스(CES)

전자에서는 음성 번역에 딥 러닝이 사용되고 있습니다. 대표적인 것으로는 아마존의 알렉사 같은 '홈 어시스턴트 디바이스'를 들 수 있을 것입니다. 이것은 사람의 목소리에 반응하여 명령을 실행하는 가전제품을 말합니다. 음성만으로 가전을 조작하는 것이 가능합니다.