머신러닝:
컴퓨터가 프로그래밍 없이 스스로 규칙을 찾아 학습하고 예측하거나 결정을 내리는 기술
딥러닝:
머신러닝의 한 분야, 인공신경망(Artificial Neural Networks)사용한 학습 방법.
다층신경망을 통해 복잡한 패턴을 학습
기술 활용 상황
1. 이미지 및 음성인식: 이미지 분류, 얼굴 인식, 음석 인식 등에 딥러닝을 활용함
ex) 구글 포토 이미지 검색, 애플 시리, 아마존 알렉사
2. 자연어 처리: 텍스트 분석, 번역, 챗봇 등
ex) GPT, 챗봇서비스 등
3.추천 시스템: 사용차 행동 패턴을 분석해 취향 맞춤 추천, 광고를 해줌
ex) 넷플릭스 유튜브에서 영상 추천
4. 의료 진단: 의료 이미지를 분석해 질병을 진단
ex) 암 진단, 심장 질환 예측
5. 자율 주행: 딥러닝을 통해 주변 환경을 인식하고, 경로 계획
ex) 테슬라 자율 주행 기술
6. 금융 분야: 신용점수 예측, 주식 거래 등
ex) 은행 부적 거래 탐지 시스템, 주식 거래 자동화
장점
1. 자동화: 복잡하고 반복적인 작업을 자동화하여 인간의 개입 감소
2. 정확성: 대량의 데이터를 분석하여 높은 정확도로 예측하고 의사결정
3. 적응성: 새로운 데이터에 따라 모델을 계속 학습하고 적응
4. 대규모 데이터 처리: 대량의 데이터를 효율적으로 처리하고 분석
5. 다양한 응용 분야: 다양한 산업 분야에 적용할 수 있어 활용 범위가 넓음
단점, 문제점
1. 개인정보 침해: 개인정보를 포함한 데이터 수집 및 활용에 따른 프라이버시 침해 우려
2. 알고리즘 편향: 학습 데이터의 편향성이 모델에 반영되어 윤리적 문제 발생 가능 (성차별, 인종차별적 발언 등)
3. 자동화로 인한 일자리 감소: 자동화로 인해 기존의 일자리가 사라질 수 있다는 우려
4. 투명성: AI 시스템의 결정에 대한 근거를 찾기가 어려움.
5. 보안 위협: 악의적인 사용자가 AI 기술을 이용해 보안 시스템을 무력화하거나 해킹할 가능성
6. 높은 비용: 데이터 처리 및 학습에 필요한 에너지와 비용이 높음
해결방안
1. 투명성 강화: 알고리즘의 작동 원리를 이해하고 설명할 수 있도록 연구를 진행하여 투명성 제고
2. 데이터 프라이버시 보호: 데이터 수집 활용 과정에서 개인정보에 대한 규정 준수 필요. AI와 접목하여 개인정보로 확인되는 데이터는 제거하거나 변경하여 익명화하도록 도입
3. 데이터품질 향상을 위해 데이터 전처리 과정에서 품질 개선, 데이터 수집 단계에서부터 정확한 데이터를 수집하도록 노력
3. 편향성 제거: 공정한 데이터를 사용하고, 모델 학습 과정에서 편향성을 제거하는 기술 개발
4. 윤리적 AI 개발: 윤리적 기준을 마련하고, 이를 준수하는 AI 시스템을 개발
5. 새로운 일자리 창출: 신기술 관련 교육을 확대하고, 새로운 일자리 확보
6. 책임 소재 명확화: AI시스템 결정에 대한 근거, 출처 등을 남기도록 하여 책임소재 확인하도록 유도
7. 보안 위협 대응: AI시스템의 동작을 실시간 모니터링하여 즉각 탐지 대응, 보안 훈련 및 교육 강