In addition to AI, there are several other closely related topics that are good to know at least by name. These include machine learning, data science, and deep learning.
AI에 더해서, 최소한 이름이라도 알아두면 좋은 관련 토픽이 있습니다. 머신러닝, 데이터 사이언스, 그리고 딥러닝입니다.
Machine learning can be said to be a subfield of AI, which itself is a subfield of computer science (such categories are often somewhat imprecise and some parts of machine learning could be equally well or better belong to statistics). Machine learning enables AI solutions that are adaptive. A concise definition can be given as follows:
머신러닝은 AI의 하위 분야라고 말할 수도 있고, 컴퓨터 과학의 세부 영역이라고 할 수도 있습니다. (사실 이런 분류가 아주 정확한 것은 아닙니다. 머신러닝은 부분적으로 통계에 속하거나 통계에 더 어울리는 경우도 있습니다.) 머신러닝은 AI 솔루션을 가능하게 합니다. 머신러닝에 대한 정확한 정의는 다음과 같습니다.
Systems that improve their performance in a given task with more and more experience or data.
많은 경험과 데이터를 가지고 주어진 과제에 대한 수행 능력을 향상시키는 시스템
Deep learning is a subfield of machine learning, which itself is a subfield of AI, which itself is a subfield of computer science. We will meet deep learning in some more detail in Chapter 5, but for now let us just note that the “depth” of deep learning refers to the complexity of a mathematical model, and that the increased computing power of modern computers has allowed researchers to increase this complexity to reach levels that appear not only quantitatively but also qualitatively different from before.
As you notice, science often involves a number of progressively more special subfields, subfields of subfields, and so on. This enables researchers to zoom into a particular topic so that it is possible to catch up with the ever increasing amount of knowledge accrued over the years, and produce new knowledge on the topic — or sometimes, correct earlier knowledge to be more accurate.
딥러닝은 머신러닝의 하위 분과이고 인공지능의 하위 분과이면서 컴퓨터 과학의 하위 분과입니다. 딥러닝에 대해서는 챕터 5에서 자세하게 다룰 예정이므로 딥러닝에서 “딥(깊은)”이 수학 모델의 복잡함을 의미한다는 것을 알아 둡시다. 또 현대 컴퓨터의 향상된 계산 능력이 연구자가 정량적인 복잡성은 물론, 정성적인 복잡성까지 제고할 수 있게 만들었다는 점도 함께 알아 둡시다.
아시다시피, 과학 영역에는 이처럼 특정 분류의 하위 분류, 해당 하위 분류의 하위 분류가 계속해서 만들어집니다. 이것은 연구자가 특정한 주제를 깊이 있게 관찰해 새로운 주제에 대한 지식을 생산하게 하고, 때로는 이전의 지식을 더 정확하게 만들 수 있게도 합니다.
Data science is a recent umbrella term (term that covers several subdisciplines) that includes machine learning and statistics, certain aspects of computer science including algorithms, data storage, and web application development. Data science is also a practical discipline that requires understanding of the domain in which it is applied in, for example, business or science: its purpose (what "added value" means), basic assumptions, and constraints. Data science solutions often involve at least a pinch of AI (but usually not as much as one would expect from the headlines).
데이터 사이언스는 비교적 최근에 등장한 광범위한 단어로 머신러닝, 통계, 알고리즘과 데이터 저장 그리고 데이터 웹 개발 부분을 포함하는 단어입니다. 데이터 사이언스는 해당 분과가 활용되는 영역을 이해해야 하는 실용 학문입니다. 예를 들어 비즈니스나 과학에서는 그 목적('added value'가 어떤 의미인지), 기초 가설과 제한이 무엇인지 이해해야 합니다.
데이터 사이언스 솔루션은 종종 AI 기술을 포함하기도 합니다. (기사 헤드라인이 말하는 것처럼 많은 부분은 아닐 경우가 더 많기는 합니다.)
Robotics means building and programming robots so that they can operate in complex, real-world scenarios. In a way, robotics is the ultimate challenge of AI since it requires a combination of virtually all areas of AI. For example:
로봇 공학은 로봇을 설계하고 프로그래밍하여 그들이 복잡한 현실 세계에서 작동할 수 있게 하는 것을 말합니다. 어떤 면에서 로봇 공학은 사실상 모든 분야의 AI 결합을 요구하기 때문에 AI의 궁극적인 도전 과제라고도 말할 수 있습니다. 예를 들어,
Computer vision and speech recognition for sensing the environment
Natural language processing, information retrieval, and reasoning under uncertainty for processing instructions and predicting consequences of potential actions
Cognitive modeling and affective computing (systems that respond to expressions of human feelings or that mimic feelings) for interacting and working together with humans
환경을 감지하는 컴퓨터 비전과 음성 인식
자연어 처리, 정보 검색, 명령을 처리하고 잠정적인 행동의 결과를 예측하는 불확실한 상황에서의 추론
사람과 상호 작용하고 협업하기 위한 인지적 모델링과 감정 컴퓨팅(사람의 감정 표현에 반응하고 감정을 모방하는 시스템)
Many of the robotics-related AI problems are best approached by machine learning, which makes machine learning a central branch of AI for robotics.
로봇 공학과 관련된 AI 과제의 대부분을 머신러닝으로 해결하므로, 머신러닝은 로봇 공학을 위한 AI 중추 역할을 합니다.
In brief, a robot is a machine comprising sensors (which sense the environment) and actuators (which act on the environment) that can be programmed to perform sequences of actions. People used to science-fictional depictions of robots will usually think of humanoid machines walking with an awkward gait and speaking in a metallic monotone. Most real-world robots currently in use look very different as they are designed according to the application. Most applications would not benefit from the robot having human shape, just like we don't have humanoid robots to do our dishwashing but machines in which we place the dishes to be washed by jets of water.It may not be obvious at first sight, but any kind of vehicles that have at least some level of autonomy and include sensors and actuators are also counted as robotics. On the other hand, software-based solutions such as a customer service chatbot, even if they are sometimes called `software robots´, aren´t counted as (real) robotics.
로봇은 환경을 감지하는 센서와 환경에 반응하는 작동기로 구성된, 일련의 행동을 수행할 수 있도록 만든 기계입니다. 공상 과학 서사에서의 로봇 묘사에 익숙한 사람들은 로봇을 두고 이상하게 걷는 인간을 닮은 기계나, 딱딱하고 단조롭게 말하는 기계를 떠올립니다.
하지만 실생활에 맞게 디자인된 현실의 로봇은 아주 다른 모습을 하고 있습니다. 인간을 닮은 로봇이 설거지를 하는 대신 물 줄기가 그릇을 씻을 수 있도록 그릇을 배치하는 것처럼 대부분의 응용 기술은 인간 형태의 로봇을 필요로 하지 않습니다.
명확하지 않을 수 있지만, 어느 정도의 자율성을 가진 센서와 작동기가 있다면 그 어떤 종류의 운송 수단도 로봇이라고 말할 수 있습니다. 반면 고객 상담 챗봇과 같은 소프트웨어 기반의 솔루션은 '소프트웨어 로봇'이라고 불리지만, 진짜 로봇 공학은 아닙니다.
A taxonomy is a scheme for classifying many things that may be special cases of one another. We have explained the relationships between a number of disciplines or fields and pointed out, for example, that machine learning is usually considered to be a subfield of AI.
A convenient way to visualize a taxonomy is an Euler diagram. An Euler diagram (closely related to the more familiar Venn diagrams) consists of shapes that corresponds on concepts, which are organized so that overlap between the shapes corresponds to overlap between the concepts (see for example Wikipedia: Euler Diagram).
Notice that a taxonomy does not need to be strictly hierarchical. A discipline can be a subfield of more than one more general topic: for example, machine learning can also be thought to be a subfield of statistics. In this case, the subfield concept would be placed in the overlap between the more general topics.
Your task: Construct a taxonomy in the Euler diagram example given below showing the relationships between the following things: AI, machine learning, computer science, data science, and deep learning.
분류학은 특정한 케이스를 다른 케이스와 구분하게 만드는 분류 체계입니다. 지금까지 머신러닝이 AI의 하위 체계라는 식으로 여러 분야의 상관 관계에 대해 설명했습니다.
오일러 다이어그램(Euler Diagram)은 분류학을 시각화하는 편리한 방법입니다. 오일러 다일러그램은 우리에게 익숙한 벤 다이어그램과도 관련이 있는데, 개념 간의 중첩을 잘 표현합니다. 오일러 다이어그램에서 모양이 중첩된 영역은 곧 개념이 중첩되어 있다는 것을 의미합니다. (위키피디아의 오일러 다이어그램 페이지를 참고하시면 됩니다.)
분류학은 엄격하게 계층화 되어 있을 필요는 없습니다. 머신러닝이 AI의 하위 체계이지만, 통계학의 하위 체계이기도 한 것처럼, 특정 항목은 하나 이상의 상위 주제를 가질 수 있습니다. 이런 경우에 하위 항목은 둘 이상의 상위 주제가 중첩되는 영역에 위치합니다.
과제: 인공지능, 머신러닝, 컴퓨터 과학, 데이터 사이언스, 딥러닝 개념 간의 관계를 보여주는 오일러 다이어그램을 구성해 봅시다.