심층학습(딥러닝) 활용 사례
심층학습은 사진, 그림, 음성, 음악, 비디오, 문서 등 데이터에서 패턴을 인식하는데 아주 뛰어납니다. 심층학습의 활용 사례를 살펴보겠습니다.
| 응용 분야 | 관련 산업 |
|---|---|
| 소리 | |
| 음성 인식 | 인터페이스, 자동차, 방범, IoT |
| 음성 검색 | 헤드폰, 통신 |
| 감정 분석 | 고객관리 (CRM) |
| 엔진 이상 탐지 | 자동차, 항공 |
| 사기 탐지 | 금융, 카드 |
| 시계열 데이터 | |
| 로그 분석/위험 탐지 | 데이터 센터, 보안, 금융 |
| 기업 리소스 설계 | 생산, 자동차, 유통 |
| 센서 기반 예측 분석 | IoT, 스마트 가전, 하드웨어 생산 |
| 경영/경제 분석 | 금융, 회계, 정부 |
| 추천 엔진 | E-커머스, 미디어, 소셜 네트워크 |
| 텍스트 | |
| 감정 분석 | 고객관리, 소셜미디어, 홍보 |
| 검색, 주제 탐지 | 금융 |
| 위험 탐지 | 소셜 미디어, 정부 |
| 사기 탐지 | 보험, 금융 |
| 이미지 | |
| 얼굴 인식 | |
| 이미지 검색 | 소셜 미디어, 검색 |
| 머신 비전 | 자동차, 항공 |
| 사진 군집화 | 통신, 헤드셋 |
| 비디오 | |
| 행동 인식 | 게임, 인터페이스 |
| 실시간 위험 탐지 | 보안, 공항 |
특징값 이해와 분석
전통적인 기계학습은 사람이 특징값(feature)을 이해하기 쉽다는 장점이 있습니다. 사람이 특징값을 직접 설계하기 때문에 기계학습 알고리즘이 입력을 어떻게 처리하고, 어떤 계산 과정을 거쳐서 결과를 출력하는지 쉽게 이해할 수 있기 때문에 상대적으로 분석도 용이합니다. 이런 면이 항상 좋은것만은 아닙니다. 라벨링이 되어있지 않은 데이터를 비지도학습(unsupervised learning)으로 해결하려는 경우에 어떻게 접근해야 의미있는 특징값을 구할 수 있는지 모르는 경우가 많은데, 이런 경우에 심층학습의 장점이 빛납니다. 데이타의 양과 종류가 늘어나고있는 상황에서 직접 특징값을 디자인하는 전통적인 방법은 현실적인 한계가 있습니다.
특징값을 자세히 분석해야하는 경우가 있습니다. 예를들면 법적인 이유로 알고리즘을 설명해야 하는 경우가 있습니다. 이런 경우엔 심층학습과 전통적인 기계학습을 같이 구현하면 비교/분석이 가능합니다. 또는 심층학습 결과물을 자세히 분석해 신경망이 어떻게 작동하는지를 알아내야합니다.
텍스트
고유명사 인식
고유명사 인식은 라벨링이 되어있지 않은 텍스트 데이터에서 사람 이름, 회사 이름, 도시 이름같은 고유명사를 추출하는 작업입니다. 이 결과물인 고유명사 정보는 각종 자연어 처리 및 데이터 마이닝 과정에서 유용하게 쓰입니다.
음성인식
심층학습을 이용한 음성인식은 오디오 신호에서 음성이 있는 구간을 찾아내고 해당 내용을 인식해 문자로 변환해줍니다. 음성인식은 스마트폰, IoT, 네비게이션 등 수많은 응용분야가 있습니다.
영상 처리
사물 인식
사물 인식은 사진이나 그림에 있는 자동차, 사람, 공, 동물같은 사물을 인식하는 작업입니다. 사물 인식은 소셜 네트워크의 얼굴인식이나 구글 포토의 얼굴, 사물 인식, 자동차 번호판 인식, 자동 주행 차량의 보행자 인식 등 다양하게 쓰입니다.
아래 그림은 신경망으로 각종 얼굴을 유사한 얼굴끼리 군집화한 것 입니다.
컴퓨터 비전 + 자연어 처리 Machine Vision + Natural-Language Processing
컴퓨터 비전의 발전은 가상 현실과 실제 현실의 벽을 허물고 있습니다. 심층학습은 가상 현실과 실제 현실에 존재하는 각종 사물을 인식하는데 쓰입니다.
그리고 그 정보로 가상 현실을 이해하고, 더 나아가 이해한 정보를 표현하는 방법을 배우고 이를 사용해 서로 소통하는 등 심층학습을 이용한 알고리즘의 발전 가능성은 무궁무진합니다.