구글포토로알아보는인공지능과머신러닝

(주)핀스정보기술이정근

cjred77@gmail.com

Contents

Introduction Artificial Intelligence Machine LearningDeep Learning.

Human Computation / Machine Computation

Google Photos.

머신러닝과 우리.

What is AI?

Some possible definitions :

• Thinking humanly• Acting humanly• Thinking rationally

The Turing TestTuring (1950) "Computing machinery and intelligence” http://www.loebner.net/Prizef/TuringArticle.html

AI Connections

Philosophy logic, methods of reasoning, mind vs. matter, foundationsof learning and knowledge

Mathematics logic, probability, optimization

Economics utility, decision theory

Neuroscience biological basis of intelligence

Cognitive science

computational models of human intelligence

Linguistics rules of language, language acquisition

Machine learning

design of systems that use experience to improve performance

Control theory design of dynamical systems that use a controller to achieve desired behavior

Computer engineering, mechanical engineering, robotics,

IBM Watson

http://www.ibm.com/smarterplanet/us/en/ibmwatson/

IBM Watson Vanquishes Human Jeopardy Foes

인공지능, 어디까지 왔니? .. IBM 왓슨에게 묻다

Google self-driving Car

Machine Learning

Arthur Samuel (1958)

machine learning : "Field of study that gives computers the ability to learn without being explicitly programmed".

"컴퓨터에 명시적으로 프로그램되지 않고 학습 할 수 있는능력을 주는 연구 분야.”

인공지능(AI) 의 ‘학습’에 관한부분을 구체화한 기술인머신러닝은 데이터에 내재된 패턴, 규칙, 의미 등을 컴퓨터로하여금 알고리즘을 기반으로 스스로 학습하게 해, 새롭게입력되는 데이터에 대한 결과를 예측 가능하도록 하는 기술.

Machine Learning

Microsoft CEO 사티야 나델라

미래의 ‘지능의 시대’를 여는 4가지 기술

• 사물인터넷, 클라우드 컴퓨팅, 빅데이터, 머신러닝

Machine Learning

• Supervised Learning (지도학습)

• Unsupervised Learning (비지도학습)

• Semi-supervised Learning (준지도학습)

• Reinforcement Learning (강화학습)

Supervised�Learningvs.

Unsupervised�Learning

Supervised Learning

• 보통의 머신러닝은 의미(lable)을 부여한 훈련 데이터를기반으로 다른 데이터를 파악하는 지도 학습(Supervised Learning) 사용

• Facebook 나 iPhoto 에서 ‘이사람이 영희다’ 라고 계속입력해야 영희의 얼굴을 정확하게 인식.

• 아파트의 면적, 방의 갯수, 위치 등을 입력하고 아파트의가격을 입력.

Supervised Learning

Unsupervised Learning

• Supervised Learning과는 달리 , 레이블이 없는 데이터들간의 패텅을 파악

• 입력 데이터간의 유사성에 근거하여 데이터의 요소를군집화하거나 밀도 함수를 추론

• 스팸필터링

Unsupervised Learning

Machine�LearningSupervised�Learning

• 일반 선형 모델 (Generalized� linear�models,�GLM)

• 의사결정 트리 (Decision�trees)

• 랜덤 포레스트 (Random�forests)

• 그래디언트 부스팅 (Gradient�boosting�machine,�GBM)

• 딥 러닝 (Deep�learning)

Unsupervised� Learning�

• 클러스터링 (Clustering)

• 비정상 탐지 (Anomaly�detection)

• 차원축소 (Dimension� reduction)

더 자세히알고 싶은가요?

Machine Learning

활용사례

• 사기방지

• 타겟팅 디지털 디스플레이

• 콘텐츠 추천

• 자동차 품질 개선

• 유망 잠재 고객에 집중

• 미디어 최적화

• 의료 보건 서비스 개선

Machine Learning

• 머신러닝의 강점은 수많은 데이터 속에서 패턴을 스스로찾아낸다는 것

• 미래에 관한 예측

• 하지만

• 오늘날 한국의 머신러닝은 콘텐츠 추천이나 검색 품질을높이는 알고리즘 등 국한된 서비스에만 집중

• 마케팅 용어로만 강조

Deep Learning

• 인간의 신경망을 모태로한 데이터 처리방식(since 1958)

• 사물이나 데이터를 군집화하거나 분류(classfication)하는데사용되는 일종의 기술적 방법론.

• 핵심 학습 방식은 자율 학습 ( Unsupervised Learing)

• 20~30개의 신경망 레이어로 복잡한 사물의 내용을 판단

History of Deep Learning

• First generation (1958) : perceptrons (F. Rosenblett,1958)

• Second generation (1986) : multilayer perceptrons

• Third generation (2006) : deep learning

History of Deep Learning

• 불과 4~5년 전부터 컴퓨팅 기술과 수학이 모여 더 깊은단계의 신경망이 구축되기 시작

• 최근 들어 새롭개 조명되는 이유• 빅데이터

• 컴퓨팅 능력과 기술 향상

• 기계를 할 수 있는 알고리즘 발달

• http://www.aistudy.com/neural/perceptron.htm

Deep�learning

더 자세히알고 싶은가요?

인공지능↓

머신러닝↓�

딥러닝

Human Computation

• 컴퓨터와 사람의 지능이 상호보완적으로 필요한 문제를같이 풀도록 하는 것

• 컴퓨터가 아직 잘 못하지만 사람은 너무나 쉽게 하는일들이 있다.

Machine win

• 복잡한 산술적 계산• …

Human win

Human win

Human win

Human win

군중지능(집단지성)군중에게 맡겨서 공통의 문제를 쉽게풀도록 한다.

군중지능• 위키피디아

군중지능• 오픈소스

군중지능• 네이버지식in�

(대학생이질문하고초딩이답하는…)

inference(추론)

• Deduction : 반드시 이끌기• ‘A이면 B다’ ( AèB) 가 True이고 A가 True이면, B가 True이다.

• Abdeuction : 원인 짐작 하기• ‘A이면 B다’ (AèB)가 True이고 B가 True이면, 아마도 A가

True이다.

• Induction : 짐작하여 이끌기• 지금까지 관찰한마, A가 True일때 B가 True였으니, 아마도

‘A이면 B다’(AèB)가 True다.

“가을이면 낙엽이 진다”

• Deduction : • “가을이면 낙엽이 진다”를 교육

• Input : “지금은 가을이다”

• Output : “낙엽이 진다”

“가을이면 낙엽이 진다”

• Abduction :• “가을이면 낙엽이 진다” 를 교육

• Input : “낙엽이 진다”

• Output : “지금은 가을일지도 모른다”

“가을이면 낙엽이 진다”

• Induction : • “가을이면 낙엽이 진다”를 가르치지 않음

• “지금은 가을이다” 와 “낙엽이 진다”를 지속적으로 교육

• “가을이면 낙엽이 진다”를 유추

“철수와 영희가 사귄다면영희의 생일날 철수가 영희에게 선물을

준다.”

• Deduction :• 영희의 생일날이면(조건) 철수는 영희에게 선물을 준다(결과)

• Abduction :• 철수가 영희에게 선물을 준다(조건) 영희의 생일일것이다.(결과)

• Induction (철수가 영희와 사귄다는 사실을 모름) : • 영희의 생일이고 철수가 영희에게 선물을 준다(조건)

• 철수와 영희가 사귀는 사이일지 모른다.

연역적 추론 , 귀납적 추론

• 연역적 추론 :• 이미 알고 있는 판단을 근거로 새로운 판단을 유도.

• 귀납적 추론 :• 기존의 지식이나 데이터를 관찰하여, 그들 사이에

성립되는 일반적 성질 또는 관계를 이끌어 내거나,반복되는 현상의 패턴들의 법칙을 형식화.

Induction(귀납적 추론)

deduction은 명제가 거의 확실하므로 추론도 거의 틀리지 않고

abduction 역시 어느정도는 틀리지 않는 추론이 가능하고

컴퓨터로 구현하기도 어려움이 없다.

하지만 induction은 통찰을 얻기 위해서는

많은 데이터(빅데이터)와 많은 수학적 계산이 필요하다.

이상거래 탐지 시스템(FDS)

• 어떠한 개인이 매달 25일쯤이 되면 일정한 범위의 지역의ATM기기에서 일정한 범위(10 ~ 100 만원 정도의 오차)의금액을 인출하는 패턴이 어느 기간동안 데이터로 저장.

• 위와 같은 패턴 (정상경우)• 간단한 비밀번호만으로 돈의 인출을 승인.

• 25일 이전 or 전혀 다른 위치 or 너무 많은 인출요청(비정상경우)• 이상거래로 판단

• 보다 자세한 개인정보나 인출단계를 요구

Google Photos

Google�Photos• 넘쳐나는디지털사진

• 저장공간 문제

• 고질적인사진정리문제

• 어디까지지우고어디까지보관 ?

• 어딘가에일단쌓아둠

• 그리고잊혀짐…

Google�Photos

• 클라우드저장서비스들(수십기가바이트에서수테라바이트)

• 외장하드

Google�Photos• 사진전용 클라우드저장 서비스들

Google�Photos

Google�Photos

• 구글포토가인기를얻게 된이유

• 단순히용량문제는아님

• 놀라게되는가장큰 이유는…

“사진을 이야기로만들어 준다”

Google�Photos

• 같은장소에서찍은사진

• 특정날짜나여행지

• 사진의맥략을읽고중요한내용을묶어준다.

Google�Photos• 국내에선아직안되지만인물별로도분류

Google�Photos• 하지만그걸사용자에게일일이 ‘누구인지’, ‘어디인지’, ‘무슨

이벤트인지’에대해잘 묻지않는다.

• 듬성등성묶어놓은위에 “사진묶어뒀다’라고알려줌

• 제목과이름

• 정확한장소정보

Google�Photos• 바로이안에머신러닝이숨어있음.

Google�Photos• 오래전부터구글은이미지검색에굉장히공을 들여왔음.

• 고양이사진, 가족사진,자동차사진 등을구분해내기위해많은노력을해옴.

• 결국구글이얻은 결과는머신러닝

Google�Photos• 각 피사체가갖는 특징을프로그래밍으로설명해넣는게

아니라알고리즘으로시스템이직접배우고판단하도록열어놓은것

• 구글포토역시머신러닝기반으로사진을묶는다.

• 당연히사진에담긴정보를이해할수 있어야함.

Google�Photos• 사진으로얻을수 있는정보는생각보다많음.

Google�Photos• 단번에어떤사진인지알아챌수 있다면좋겠지만그건 쉽지

않다.

• 엄청나게많은정보가필요하기때문

Google�Photos• 구글이선택한방식 (뉴로 네트워크)

Google�Photos• 사물을판단하는데에단계를둠

• 각각의레이어를통해색, 선, 모양등을 하나씩골라내면서사진의정보를구체화

• 구글포토는현재 22개의 레이어를통해사진의정보를얻어냄

Google�Photos• 결국사용자들이더많은 사진을올리고이용할수록그

정확도는높아짐.

• 머신러닝의핵심은결국 많은 ‘러닝’, 즉 ‘학습’이이루어져야한다는것

Google�Photos• 그래서현재구글포토는단순히 ‘개’가아니라 ‘프렌치불독’이나

‘옐로 래브라도’처럼입력해도사진을찾아준다.

Google�Photos• 자동차모델명찾는건일도아님

• 구글포토에서갖고있는 사진을검색해보시면아기나남자,여자도구분하고골프장,절벽, 음식 등온갖 일반적인검색이다 먹힘

Google�Photos• 바로우리가사진을업로드하는동안사진의정보가다 읽혀진

것임.

• 물론그안에는아주간단한메타정보도포함.�(GPS,�시간)

Google�Photos• 예를들어 구글포토에서는아주독특한옷을입고있는 사진을

보았을때촬영한날짜가 10월 말 이었다면할로윈이벤트인지알 수 있음.

• 1월이면코믹콘일가능성이높다고판단

Google�Photos• 정확한위치정보가없어도됨.

• 어떤사진을보고 ‘파리’라고인지할수있는건왜일까?

• 에펠탑이있기때문.

• 개선문이있기때문

• 머신러닝이그걸 찾아내는건 아주쉬움.

• 날씨나밤낮같은건거슬릴게 없음

• 앞에설명했던개나고양이경우보다더 쉬움.

Google�Photos

“데이터는 정확도”

• 많은사람들이구글에사진을올리면그만큼더 많은머신러닝의소재가되는 정보를수집할 수 있음.

• 이미구글은그 효과를보고 있음.

• 5개월만에 1억명 이상의열성이용자들을모았고, 이들이500억장이 넘는 사진을인터넷에올렸음.http://www.theverge.com/2015/10/20/9576713/google-photos-100-million-users

• 배울소재가넘쳐남

Google�Photos• 판단이틀리기도함.

• 사람을고릴라로인식하는등 사회적으로시끄러운사건이생기기도함http://mashable.com/2015/07/01/google-photos-black-people-gorillas/#J6hTQQ_MvGqp

• 하지만결국그 사건은구글의머신러닝기술을더 정밀하게만들었음.

• 이게머신러닝의특징이기도함.

• 머신이뭘 배우게될지, 어떤판단을할 지에대해프로그래머도알 수없고, 정보가부족하면전혀엉뚱한답을내놓기도함.

Google�Photos• 사실이건 30여년 전 , 머신러닝에대한개념이나오면서부터

겪던문제였음.

• 그 해결책중 하나가딥러닝이긴함.

• 하지만근본적으로구글은더 많은정보를모으는것이답이라는것을아주잘 알고 있음.

• 정보가아주많으면오류는급격하게줄어듬.

• 얼마나많은정보를모으느냐가관건인셈임.

• 그리고구글만큼탁실하게,그리고안전하게세계의정보를쌓아가는회사도흔치않음.

Google�Photos• 또 다른대표적인사례가변역.

• 그동안수많은회사들이컴퓨터를이용한번역기를개발해왔지만실제로쓰기는쉽지않았음.

• ‘기계번역’. 말그대로사전을대조하는방삭이많이쓰였음.

• 구글은여기에도머신러닝을붙여서아예문장을통째로번역

Google�Photos• ‘Good�morning”

• 좋은아침 (X) à안녕 (O)

• 이런정보를엄청나게많이갖게 되면은어나속어,학술용어까지도다이해할수 있게되는 것임.

Google�Photos• 이미지번역

https://support.google.com/translate/answer/6142483?hl=ko

TensorFlow

•https://www.tensorflow.org/

TensorFlow

• Google에서 만들어오픈소스로공개한머신러닝엔진

• 수학, 물리학, 통계학등다양한학문 분야에서활용

• 구글이텐서플로에기대하는이용자는학계와산업현장,그리고 더나아가데이터를 충분히 갖고있는 경쟁자들도 포함.

• Google�Photo

• Google�Search(Rank�brain)

• Gmail�(Smart�reply).

머신러닝과 우리

• 우리는 머신러닝을 ‘할때’가 아니다.

• 머신러닝을 ‘써야 할 때다’

• 그것도 아주 잘 활용해야 한다.

• 어떤 회사든 개인이든 활용을 위해 머신러닝 자체를면밀히 파악해야겠지만, 그 기술자체를 만들겠다고, 말그대로 ‘머신러닝을 하겠다’고 덤벼선 곤란하다.

• 머신러닝은 툴이다.

머신러닝과 우리

• https://cloud.google.com/vision/

• http://www.bloter.net/archives/245206

머신러닝과 우리

• 대표적인 머신러닝을 활용하는 회사

• 데이블 https://dable.io/Home

• 언론사에 뉴스추천 서비스를 제공

• 플런티 http://www.fluenty.co/

• 모바일용 자동 문자답변 서비스 제공

• 루닛 http://lunit.io/

• 의료영상 중 엑스레이 판독 보조

머신러닝과 우리

• 데이블

“머신러닝알고리즘을세세하게다룰전문가를고용하지않았다. 뼈대인알고리즘을가져다데이블서비스에맞도록조율하는정도다. 데이블의관심은멋진머신러닝시스템을만드는게아니다. 원하는결과가나오면충분할뿐, 스스로연구원이될필요는없다는관점이다.주어진조건에서목표를달성할수있는가장효과적인도구가머신러닝이었던것이다.”

http://www.zdnet.co.kr/news/news_view.asp?artice_id=20151223102226

머신러닝과 우리

몇년전 어떤 벤쳐CEO가 앱개발자에게

“요즘 카카오톡이라는앱이 인기라며?

그런거우리도 하나만들어서서비스하면

돈이 좀될것 같은데그거 만드는데얼마나걸릴까?

”

머신러닝과 우리

• 대부분의스타트업은머신러닝자체를연구하기보다,머신러닝을활용한새로운비즈니스를개발한다.

• 머신러닝자체를만들기보다머신러닝을얼마나잘활용하느냐가성공을가를것이란예측이가능하다.

• 머신러닝은누군가독점하는플랫폼이아니다.

• 능력만된다면누구나쓸수있다.

• 플랫폼이아니므로종속될걱정도없다. 그냥거인의어깨에올라타면된다.

머신러닝을 알아야할 5가지

• 머신러닝은 모두에게 블랙박스와 같다.

• 백문이 불여일견, 신뢰하되 검증하라.

• 때로는 작아야 많이 담을 수 있다.

• 머신러닝은 분석 도구 중 하나다.

• 응용은 사람의 몫

• http://www.itdaily.kr/news/articleView.html?idxno=73632

Book

• 인공지능 세트(현대적 접근방식)http://www.kangcom.com/sub/view.asp?sku=201601195782

• 머신러닝 (데이터를 이해하는 알고리즘의 예술과 과학)http://www.kangcom.com/sub/view.asp?sku=201601149629

Link

• 로보틱스와 머신 러닝/인공지능 무료 교재 추천 15권http://slownews.kr/36701

• 코세라(스텐포트 머신러닝 코스)https://www.coursera.org/learn/machine-learning/

Link

• “기계에 지능을 더하는” 머신러닝의 이해http://www.itworld.co.kr/techlibrary/91743

• http://www.itworld.co.kr/news/91546

• http://www.it.co.kr/news/article.html?no=2794932&sec_no=152

• https://googleblog.blogspot.kr/2015/10/11-things-to-know-about-google-photos.html

• 머신러닝에 대해 알아야할 5가지http://www.itdaily.kr/news/articleView.html?idxno=73632