AI의 시작

인공 지능은 매력적이고 성장하는 분야입니다. 공상과학 영화에서 묘사되는 로봇 하인과는 거리가 멀지만 AI는 이미 우리 일상의 일부입니다. 자율주행차와 같은 일부 AI 애플리케이션은 아직 개발 단계에 있지만 예측 분석과 같은 다른 용도는 이미 존재합니다.

AI는 모든 산업에 응용되는 다목적 분야로, AI 관련 직업에 대한 수요가 높다는 뜻이다. McKinsey 설문 조사에 따르면 AI는 서비스 운영 최적화, 제품 향상, 위험 모델링 및 사기 방지에 점점 더 많이 사용되고 있습니다. 지금부터 2030년 사이에 컴퓨터 및 정보 연구 일자리에 대한 수요는 22% 증가할 것으로 예상됩니다. 

---

 

인공 지능이란 무엇입니까?

인공 지능은 인간 지능과 관련된 작업을 모방할 수 있는 컴퓨터 프로그램을 구축하는 것입니다. AI는 컴퓨터 프로그래밍과 대규모 데이터 세트를 사용하여 문제를 해결합니다. AI 분야에는 머신 러닝, 딥 러닝, 자연어 처리가 포함되어 있어 컴퓨터가 경험을 통해 "학습"하고 종종 인간보다 훨씬 더 효율적으로 인간과 유사한 작업을 수행할 수 있습니다.

 

이러한 유형의 AI를 좁은 AI 또는 약한 AI라고 합니다. 이 경우 컴퓨터는 대규모 데이터 세트의 패턴을 인식하여 특정 작업을 수행합니다. 좁은 AI의 몇 가지 예에는 스트리밍 플랫폼, 체스 봇 및 스마트 스피커의 권장 사항이 포함됩니다. 

 

좁은 AI는 입력에 적응할 수 있지만 주어진 매개변수 밖에서는 수행할 수 없습니다. 그래도 용도가 있습니다. 4차 산업혁명과 현대 기업의 디지털 우선 접근 방식은 좁은 AI 애플리케이션에 연료를 공급할 수 있는 엄청난 양의 데이터를 생성합니다.

 

AGI( Artificial General Intelligence )라고도 하는 강력한 AI는 공상 과학 소설에서 로봇과 관련된 일종의 인공 지능입니다. 개발자들이 예측 및 제어 모델과 같은  AGI와 관련된 문제를 극복하기 위해 노력하고 있지만 이러한 유형의 AI는 곧 발생하지 않을 것입니다.

---

 

왜 AI를 배워야 할까요?

AI는 질병, 오염 및 기후 변화를 포함하여 사회의 가장 시급한 문제에 대한 해결책을 찾는 최전선에 있는 흥미로운 분야입니다.AI 소프트웨어 수익은 전년도 대비 21.3% 증가하여 2022년 총 625억 달러에 달할 것으로 예상되는 빠르게 성장하는 경제 부문이기도 합니다. 글쎄요. AI 엔지니어의 평균 기본 급여는 $119,000 이상입니다. 

 

AI 엔지니어는 어떤 일을 하나요?

AI 엔지니어 의 역할과 책임은 산업에 따라 다르지만 일반적으로 AI 엔지니어는 더 나은 결정을 내리고 성능을 개선하며 효율성을 높이기 위해 AI 시스템과 애플리케이션을 개발합니다. AI 엔지니어링은 다음을 수행해야 하는 복잡한 작업입니다. 

• AI 방법을 사용하여 목표 달성 
• 논리, 확률 분석 및 기계 학습으로 문제 해결
• 시스템을 분석하여 개발 프로젝트 모니터링 및 조정
• 음성 인식, 데이터 처리, 데이터 마이닝 및 로보틱스의 모범 사례 이해 및 적용 

효과적인 AI 학습을 위한 8단계

1. 전제 조건 이해
2. 에이스 AI 이론
3. 마스터 데이터 처리
4. AI 프로젝트 작업
5. AI 도구 학습 및 작업
6. AI 코스 선택
7. 인턴쉽 신청
8. 일자리 창출

AI 학습의 가장 큰 장애물 중 하나는 어디서부터 시작해야 할지 모르는 것입니다. 많은 구성 요소로 구성된 광범위한 분야입니다. AI와 관련된 많은 개념은 고급 수학 및 형식 논리에 의존하므로 업계에 합류하는 데 장애물이 될 수 있습니다. 이러한 장애물을 극복하는 데 도움이 되도록 AI 분야를 숙달하기 위한 관리 가능한 단계별 가이드로 세분화했습니다.

 

전제 조건 이해

AI 학습을 시작하기 전에 다음 영역에서 견고한 기반을 갖추어야 합니다.

컴퓨터 과학 기초

AI 프로그래밍을 시작하기 전에 컴퓨터 과학 의 기본 원리를 이해해야 합니다.여기에는 다음이 포함됩니다. 

• 부울 대수학, 이진수학, 계산 이론 등의 이론 및 알고리즘
• 컴퓨터의 물리적 구성 요소, 디지털 로직, 컴퓨터 아키텍처 및 네트워크 아키텍처를 포함한 컴퓨터 하드웨어 시스템 
• 프로그래밍 언어, 컴파일러, 컴퓨터 그래픽 및 운영 체제와 같은 소프트웨어 시스템 및 요소

확률과 통계

확률은 AI에서 사용되는 핵심 원칙 중 하나입니다. 불확실성에 직면했을 때 컴퓨터가 "추론"하도록 가르칠 수 있기 때문입니다. 기계는 데이터를 통해 학습하고 통계를 통해 이해합니다. 확률과 통계는 다음과 같은 질문에 답할 수 있습니다. 

• 가장 흔한 결과는 무엇입니까? 
• 예상되는 결과는 무엇입니까? 
• 데이터는 어떻게 생겼습니까? 

AI에 대한 확률 및 통계는 다음 주제 중 일부를 포함해야 합니다.

• 데이터의 수치 및 그래픽 설명
• 확률의 요소
• 샘플링 분포
• 확률 분포 함수
• 모집단 매개변수의 추정
• 가설 검정 

확률과 통계 외에도 다음과 같은 몇 가지 수학 기초를 알아야 AI를 마스터할 수 있습니다.

• AI 및 기계 학습에 대한 접근 방식을 이해하는 데 필수적인 선형 대수학
• 매개 변수, 함수, 오류 및 근삿값의 변화를 다루는 기본 미분 및 일부 다변수 미적분
• AI의 핵심 아이디어인 좌표 및 비선형 변환
• 데이터 세트를 기반으로 예측하기 위한 선형 및 고차 회귀
• 데이터 분류를 위한 로지스틱 회귀 
• 수학 공식을 효과적인 코드로 바꾸는 수치 분석

프로그램 작성

또한 AI 애플리케이션 개발에 적합한 프로그래밍 언어에 익숙해져야 합니다.가장 유용한 것 중 일부는 다음과 같습니다.

• 배우기 쉽고 널리 사용 가능한 리소스와 지원을 제공하는 Python
• 사용자 친화적이고 플랫폼 독립적인 Java
• 대용량 데이터 세트를 처리하기 위해 만들어진 R
• 1966년 최초의 챗봇 치료사 엘리자를 만드는 데 사용된 프롤로그
• Fortran에 이어 두 번째로 오래된 프로그래밍 언어인 Lisp
• 데이터베이스 관리에 사용되는 SQL 

학습을 위해 AI는 데이터 형태의 입력이 필요합니다. 데이터 구조는 효과적으로 사용하기 위해 데이터를 구성하는 다양한 방법입니다. AI 분야에서 경력을 시작하려면 프로그램에 가장 적합한 데이터 구조를 사용하고 적용하는 방법을 이해해야 합니다. 가장 일반적인 유형의 데이터 구조는 다음과 같습니다.

• 정렬
• 연결된 목록
• 스택
• 대기줄
• 이진트리
• 이진 검색 트리
• 더미
• 해싱
• 그래프
• 행렬

알고리즘

알고리즘 은 계산을 수행하기 위한 단계별 방법을 제공합니다. 기계 학습을 용이하게 하려면 컴퓨터가 스스로 학습할 수 있는 알고리즘을 설계해야 합니다. 알고리즘은 데이터 마이닝 및 패턴 인식을 사용하여 권장 사항을 만들 수 있습니다. 이것은 앱이 시청할 프로그램을 추천하는 방법과 Facebook이 피드에 표시할 내용을 결정하는 방법입니다.

알고리즘은 주택 융자 승인 및 징역형 결정과 같은 보다 중대한 목적에도 사용됩니다.알고리즘은 강력한 도구이지만 때때로 보이는 것처럼 객관적이지 않으며 방대한 양의 데이터로 인해 가짜 상관관계가발생할 수 있습니다.따라서 알고리즘은 인간 마음의 현명한 판단으로 조정되어야 합니다.

 

에이스 AI 이론 

전제 조건을 배웠다면 AI 이론에 뛰어들 준비가 된 것입니다. 대면 수업을 통해 AI를 배우든, 자기 주도형 온라인 과정을 통해 또는 YouTube 비디오를 통해 단편적으로 AI를 배우든 상관없이 동일한 기본 이론 개념을 다루어야 합니다. 다음은 학습해야 할 가장 중요한 원칙 중 일부입니다.

문제 해결

AI의 목적은 알고리즘 및 휴리스틱을 비롯한 여러 기술을 포함하는 문제를 해결하는 것입니다. AI 시스템에는 에이전트와 해당 환경이 포함됩니다. AI에서 에이전트는 결정을 내리는 프로그램입니다. AI의 문제 해결 에이전트는 목표 달성에 집중합니다. 목표가 설정되면 문제 공식화를 통해 문제를 해결하기 위한 프로세스가 생성됩니다. 여기에는 다음과 같은 여러 구성 요소가 포함됩니다. 

• 에이전트의 초기 상태
• 상담원이 취할 수 있는 조치
• 각 작업을 설명하는 트랜잭션 모델
• 목표가 달성되었는지 확인하는 목표 테스트
• 각 행동 경로의 비용

추리

추론은 기존 지식을 바탕으로 결론을 도출하거나 예측하는 과정입니다. 기계는 생각할 수 없기 때문에 알고리즘을 통해 이런 종류의 추론을 수행하도록 프로그래밍해야 합니다. 결론에 도달하기 위해 AI를 프로그래밍할 때 다음과 같은 여러 추론 방법 중 하나를 기반으로 작업을 완료하는 방법을 AI에 가르쳐야 합니다.

 

연역적 추리. 이러한 유형의 추론은 기존 데이터를 사용하여 인수의 전제가 유효한지 확인합니다. 일반적인 원칙을 특정 사례에 적용하는 일종의 추론입니다. 입문 논리 과정을 수강한 적이 있다면 아마도 기본적인 연역적 추론 예를 기억할 것입니다. 

 

귀납적 추론. 연역적 추론과 달리 귀납적 추론은 특정 관찰에서 일반적인 결론을 도출합니다. 귀납적 추론에서는 모든 관찰이 참인 경우에도 결론이 거짓일 수 있습니다. 예를 들어, 이웃에 있는 모든 개가 갈색인 것을 알아차리고 모든 개가 갈색이라는 잘못된 결론에 도달할 수 있습니다. AI에서 감독 학습은 귀납적 추론을 사용하여 특정 데이터에서 일반화합니다. 데이터베이스가 더 포괄적일수록 더 잘 일반화됩니다. 

 

귀추적 추론. 귀추적 추론은 관찰에 가장 잘 맞는 결론을 이끌어내는 과정입니다. 이러한 유형의 추론은 의사가 의학적 진단을 내리는 데 사용됩니다. 귀추적 추론은 연역적 추론과 유사하지만 전제가 결론을 보장하지는 않습니다. AI에서 이러한

유형의 추론은 진단 보조 프로그램에서 환자가 나타내는 증상을 기반으로 진단을 제안하는 데 사용될 수 있습니다.

 

상식적인 추론. 상식적 추론은 경험에 의존하는 비공식적 유형의 추론입니다. 형식적인 규칙이 아닌 현명한 판단을 통해 문제 해결 가능성을 높이기 위한 상식적인 규칙인 휴리스틱 지식과 휴리스틱 규칙으로 구현합니다. 상식적 추론은 컴퓨터가 인간과 보다 효과적으로 의사소통할 수 있도록 돕기 위해 자연어 처리의 AI 분야에서 가장 널리 사용됩니다. 

 

단조로운 추론. 단조 추론에서는 일단 결론에 도달하면 추가 사실이 추가되더라도 절대 변하지 않습니다. 예를 증명하는 모든 정리는 단조 추론을 사용하고 있습니다. 예를 들어, "지구는 태양 주위를 돈다."

AI에서 단조 추론은 콘텐츠 필터링과 같은 애플리케이션에 사용될 수 있습니다. 부적절한 콘텐츠가 포함된 웹사이트는 걸러질 것이며 웹사이트에 적절한 콘텐츠가 많이 있더라도 그 결정은 절대 바뀌지 않을 것입니다. 

 

비단조적 추론. 비단조적 추론에서는 새로운 정보가 추가되면 결론이 무효화될 수 있습니다. 불완전하고 불확실한 모델은 비단조적 추론을 사용합니다. 이러한 유형의 추론은 로봇 내비게이션 시스템과 같은 AI 애플리케이션에 유용합니다