요즘 한국인 최초로 노벨 문학상을 수상받으신 한강 작가님의 이야기로 떠들썩합니다.
하지만 저는 이번에 올해의 다른 노벨상 수상자에 대해 이야기하려고 합니다.
바로 노벨 물리학상을 수상받으신 제프리 힌튼 토론토대 교수와 존 홉필드 프린스턴대 교수입니다.
이분들은 오늘날 ChatGPT 같은 생성형 AI 기술의 기반을 만드셨습니다.
스웨덴 한림원은 이분들의 AI 기술에 대한 공헌을 수상 이유로 밝혔습니다.
그렇다면 이분들은 구체적으로 어떤 연구를 하고 어떤 기술을 개발하셨을까요?
인간의 뇌를 본 딴 인공신경망
두 분은 모두 AI가 사람처럼 판단하게 해주는
인공신경망이라는 것을 연구하셨습니다.
인공신경망은 데이터가 입력되는 입력층,
데이터 분석 후 결과를 내보내는 출력층,
입력층과 출력층 사이에 N개로 이루어진 은닉층으로 구성됩니다.
각 층은 여러 개의 노드로 구성되는데 이 노드들은 인간의 뇌 속 뉴런을 모방한 거예요.
위의 이미지에서 각 층의 노드들이 다음 층의 노드들과 연결된 것을 볼 수 있습니다.
여기서 가장 중요한 것은 은닉층입니다.
데이터 분석과 분류의 대부분의 작업은 은닉층에서 이루어집니다.
중요한 것은 더 중요하게
이런 연결들에는 가중치가 붙어서 입력받은 데이터 값에 곱해진 다음 뒤의 노드로 전해집니다.
이런 가중치를 두는 이유는 중요한 것을 더 중요하게, 연관된 것을 더 연관되게 만들기 위해서입니다.
우리가 국어, 영어, 수학 시험을 보고 각 점수가 80점, 70점, 30점이 나왔다고 합시다.
평균 점수를 구할 때 이런 식을 사용하게 됩니다.
(80+70+30)/3=180/3=60
이걸 달리 표현하면 이렇게 됩니다.
(80 * (1/3))+(70 * (1/3))+(30 * (1/3))
이 식에서는 각 점수에 1/3이라는 가중치가 붙은 것입니다.
만약 어떤 학교에서 국어 점수를 더 중요하게 평가한다고 가정하면
그 학교는 국어 점수에 붙는 가중치를 높여서 다음과 같이 평가 점수를 낼 수 있습니다.
(80 * (3/5)) + (70 * (1/5))+(30 * (1/5)) = 68
이처럼 가중치를 조절함으로써
더 중요하고 연관된 데이터를 더 중요하게 처리하는 것이 인공신경망 기술입니다.
분석에 사용되는 노드의 수는 많을수록 성능이 좋아지지만
분석 시간이 오래 걸릴 수 있습니다.
가중치의 경우 AI의 학습에 의해 최적의 수치가 결정된다고 합니다.
힌튼 교수님과 홉필드 교수님은 기존에 주목받지 못하던
인공 신경망 이론을 발전시켜
AI 기술의 주류가 되도록 만들었다고 합니다.
직접 체험해 보자
위의 설명만으로 만족하시지 못한 분들은
아래 주소를 통해 직접 인공신경망을 체험해 볼 수 있습니다!
Tensorflow — Neural Network Playground
Tinker with a real neural network right here in your browser.
playground.tensorflow.org