딥러닝 왜 이렇게 다들 어렵게 가르침 (딥러닝 강의 0강)

⏱ 02:44딥러닝은 머신러닝의 하위 분야로, 뇌 신경망을 본뜬 뉴럴 네트워크로 학습한다. 강의는 사람이 특징을 정해 주는 전통적 머신러닝과 달리, 딥러닝은 많은 데이터에서 특징을 스스로 찾는다고 설명한다. 개·고양이 분류와 알파고의 시행착오를 예로 들며, 사전 전문지식이 적어도 다양한 분야에 적용할 수 있다고 강조한다.

⏱ 00:10활용 사례로 구글 번역, 자연스러운 음성 합성, 디자인의 HTML 코드 변환, 어도비의 얼굴 보정 탐지·히트맵·실행 취소를 소개한다. 특히 이미지 인식을 이용한 자율주행과 한글 시퀀스를 영어 시퀀스로 바꾸는 번역에 유용하다. 이후 강의는 중학교 수준으로 설명하되 일차·이차함수와 파이썬 기초를 전제하며, 다음 강의는 기초 이론부터 진행한다.

⏱ 00:00구글 딥마인드가 이세돌을 이긴 게 벌써 2016년이에요. 오래전이죠. 그 이후로 우리나라뿐 아니라 전 세계적으로 딥러닝 붐이 일어났습니다. 실제로 지금은 딥러닝으로 만든 제품이 굉장히 많아요. 구글 번역도 딥러닝으로 만든 것이고요. TTS 엔진도 있죠. 우리가 텍스트를 입력하면 컴퓨터가 사람이 말하는 것처럼 소리로 바꿔 주는 기술을 TTS라고 합니다. 여기에 딥러닝을 적용했더니 실제로 사람처럼 말하게 된 거예요. [음성 합성 시연: “아, 아…” 이후 발화는 자막만으로 판독하기 어려움. 음악.] 실제로 컴퓨터가 말하고 있는 겁니다. 이전의 TTS 엔진들은 “인간 시대의 끝” 같은 말을 해도 굉장히 사이버틱한 느낌이었는데, 딥러닝을 적용하니까 소리가 굉장히 부드러워졌어요.

⏱ 00:50마이크로소프트에서는 딥러닝으로 스스로 코드를 짜는 AI를 만들어 버렸습니다. 예를 들어 ‘스케치 투 코드(Sketch2Code)’라는 실험적인 사이트가 나와 있는데요. 여러분이 손으로 그린 디자인을 올리면, 그 디자인대로 HTML 코드를 짜 줍니다. 여러분이 손수 HTML을 코딩할 일이 없는 거예요. 또 다른 논문에서는 혼자 파이썬 코드를 짜서 문제를 푸는 AI도 만들어졌다고 하네요. [이 대목에서 언급한 문제의 종류는 원문 자막이 ‘찍어 운전 문제’로 인식되어 정확히 판독하기 어려움.]

⏱ 01:15어도비도 연구를 굉장히 많이 합니다. 사내 개발자들이 모여 딥러닝 알고리즘으로 새로운 논문도 많이 쓰는데, 그중 가장 신기한 것이 어도비가 만든 딥러닝 AI예요. 2019년에 ‘프로젝트 어바웃 페이스(Project About Face)’라는 이름으로 발표한 겁니다. 우리가 포토샵으로 얼굴을 보정하잖아요. 이런 식으로 보정한 사진을 검증할 수 있는 AI가 있으면 어떨까요? 사진이 보정됐는지 안 됐는지를 판단해 주는 거예요. 실제로 어도비에서 연구하는 연구원이 이것을 만들어 딥러닝으로 학습을 시켰습니다. 보정한 사진을 집어넣으면 AI가 알아서 판정해 줍니다. 이 사진이 보정되었을 확률이 몇 퍼센트인지 딱 나오는 거예요.

⏱ 02:02더 신기한 것은 어디가 보정됐는지 히트맵으로 표시해 준다는 점입니다. 실제로 이 사진은 눈하고 턱선을 좀 깎았거든요. 그랬더니 이 부분이 이렇게 깎였다고 알려 주네요. 더 신기한 것은 실행 취소, 그러니까 언두(Undo) 버튼도 제공한다는 겁니다. 이 사진을 보정 전 사진으로 되돌리는 작업을 해 주는 거죠. 그러면 우리가 보정 전 사진도 미리 볼 수 있는 겁니다. 신기하죠? 아마 이제 인스타그램이 망할 일만 남은 것 같아요. 이런 것들이 모두 딥러닝의 도움을 받아 제작한 AI들입니다.

⏱ 02:33그럼 딥러닝이 뭐냐고요? 저는 이렇게 정리하고 싶습니다. ‘빡대가리도 할 수 있는 머신러닝’이 바로 딥러닝이라고 보시면 돼요. 머신러닝이라는 장르가 있고, 그 안에 딥러닝이라는 하위 장르가 있는 겁니다. 이것을 쓰면 여러분도 머신러닝을 할 수 있어요. 왜 그런지 설명하려면 먼저 머신러닝이 무엇인지 알아야겠죠. 머신러닝은 컴퓨터한테 학습을 시키는 겁니다. 개와 고양이 사진이 있다고 해 봅시다. “이게 개인지 고양이인지 한번 분류해 봐라” 하고 컴퓨터한테 명령을 내리는 거예요.

⏱ 03:05그리고 어떤 것이 개의 특징인지, 어떤 것이 고양이의 특징인지 100만 장의 사진을 통해 학습을 시키는 겁니다. 컴퓨터가 직접 개와 고양이를 구분할 수 있는 능력을 키워 주는 것이 머신러닝이라고 보시면 돼요. 그런데 딥러닝은 왜 더 쉬울까요? 전통적인 머신러닝은 원래 이렇게 합니다. 개와 고양이를 구분하는 문제라면, 우선 여러분이 개와 고양이의 특징을 구분해 줘야 해요. “개는 키가 이렇다”, “고양이는 털이 이렇다” 하는 식으로 먼저 가이드라인을 주는 것이 좋습니다. 그 가이드라인의 완성도에 따라서 실제 머신러닝의 성공률이나 정확도도 높아지게 됩니다.

⏱ 03:53그런데 딥러닝은 그런 가이드라인이 필요 없어요. 가이드라인도 컴퓨터가 알아서 찾는 방식으로 머신러닝을 진행합니다. 딥러닝으로 개와 고양이를 구분하는 문제를 푼다고 가정해 봅시다. 맨 처음에는 “개는 발톱이 기네”, “고양이는 혀를 이렇게 내밀고 있네” 하는 식으로 이상한 특성을 추출할 수도 있겠죠. 하지만 사진을 100만 장, 1,000만 장씩 집어넣으면 결국 스스로 개와 고양이의 특성을 잘 파악하게 됩니다. 이게 딥러닝을 하는 방법이에요. 여러분이 개와 고양이에 대한 정보를 전혀 알 필요가 없고, 데이터를 많이 집어넣으면 딥러닝이 알아서 해 주는 겁니다.

⏱ 04:33약간 과장된 설명이지만, 가장 좋은 예시는 아마 구글 알파고일 것 같습니다. 바둑 AI를 옛날의 전통적인 머신러닝 방식으로 만들었다면 먼저 바둑 두는 법에 대한 가이드라인을 줬을 거예요. “상대가 여기다 바둑돌을 두면 너는 그다음에 여기다 둬야 승률이 높을 것이다” 하는 식으로요. 그런데 딥러닝에서는 그렇게 할 필요가 없다는 겁니다. 수백만 번의 시행착오, 즉 트라이얼 앤드 에러(trial and error)를 통해 스스로 바둑 두는 알고리즘을 터득하는 거예요. 그게 큰 차이입니다. 이걸 보면 딥러닝의 장점이 뭘까요? 기존 머신러닝보다 적용할 수 있는 범위가 훨씬 넓어진다는 거예요. 내가 기존의 사전 지식이 없어도, 바둑을 몰라도 바둑 인공지능을 만들 수 있다는 겁니다.

⏱ 05:20내가 유방암에 관해 하나도 몰라도 유방암 AI를 만들 수 있다는 거예요. 유방암을 혼자서 진단할 수 있는 AI요. 유방암에 걸린 사진, CT 촬영 사진이 많이 있으면 된다는 겁니다. 그래서 실제로 방구석에서 풀을 뜯고 있는 대학생들이 암을 찾는 AI를 만들어 대회에 참가하기도 해요. 그게 가능하다는 거죠. 딥러닝을 조금 더 정확히 정의하면, 뉴럴 네트워크(neural network)라는 것을 써서 머신러닝을 돌리는 것이라고 보시면 됩니다. 뉴럴 네트워크는 뇌의 신경망을 말합니다. 머신러닝 알고리즘을 뇌의 신경망과 비슷하게 디자인해 놓고, 거기다가 머신러닝을 돌리는 거예요. 그게 딥러닝입니다.

⏱ 05:57신경망이 뭔지, 우리 뇌가 어떻게 동작하는지 아세요? 뇌는 뉴런과 시냅스를 통해 움직입니다. 뉴런과 시냅스가 이렇게 생겼고요. 이것들을 통해 생각을 끄집어내고, 신호를 어디론가 보내고, 기억을 저장하는 식으로 동작한다고 보시면 돼요. 그 모양을 본떠 머신러닝 알고리즘에 적용한 겁니다. 뇌의 신경망을 타고 학습이 이루어지도록 알고리즘을 짜 놓으면 그게 딥러닝이라는 거예요. “이렇게 하면 사람처럼 생각하지 않을까?” 하는 기대감으로 적용해 봤는데, 생각보다 결과가 좋아서 쓰는 겁니다. 딥러닝으로 많은 문제를 풀 수 있지만, 그중에서도 특히 잘하는 분야들이 있어요.

⏱ 06:40첫 번째는 이미지를 구분하는 문제입니다. 사진을 보고 그 안에서 고양이나 개를 찾는 거예요. 이런 일을 잘하면 뭐가 좋을까요? 이것을 잘 쓰는 분야가 자율주행입니다. 차 앞에 카메라를 달아 놓고 1초에 30번, 60번씩 계속 사진을 찍어요. 그러면 AI가 그 사진을 보고 분석하기 시작합니다. “저기 지나가는 건 사람이네”, “저기 지나가는 건 차네” 하고 알아보는 겁니다. 그런 다음 내가 어떻게 행동할지를 판단하는 거예요. 그게 자율주행이잖아요. 이런 부분에서 딥러닝이 굉장히 유용하게 쓰이고 있습니다.

⏱ 07:15두 번째는 순서가 있는 데이터를 추론하거나 분석하는 일입니다. 이런 일을 하고 싶을 때도 딥러닝이 굉장히 유용해요. 이것을 잘 쓰는 분야가 바로 번역 아닐까요? 한글로 된 데이터가 있으면 이것은 순서가 있는 데이터죠. 어순이 굉장히 중요하잖아요. 이 데이터를 가지고 또 다른 순서가 있는 데이터, 즉 시퀀스 데이터를 만들어 내는 겁니다. 한글 시퀀스로 영어 시퀀스를 어떻게 만드느냐고요? 딥러닝을 쓰시면 돼요. 이런 것도 여러분이 한글이나 영어에 대한 사전 지식이 별로 없어도 누구나 만들 수 있다는 겁니다. 편리하겠죠?

⏱ 07:48이번에는 오리엔테이션이라 여기까지만 설명드리겠습니다. 앞으로는 딥러닝에 대해 개념 설명부터 쭉 진행할 거예요. 그런데 강의를 어느 수준으로 진행하는지도 중요하겠죠. 강의 수준에는 대학교나 대학원 수준부터 유치원 수준까지 여러 선택지가 있을 것 같습니다. 저는 그중에서 딱 중학교 수준으로 설명해 드릴 거예요. 중학교 수준의 어휘를 사용해서 설명하겠습니다. 중학교를 나온 사람이라면 누구나 이해할 수 있을 거예요. 아마 시중에 있는 것 중에서 가장 쉬운 강의가 아닐까 싶습니다.

⏱ 08:22여러분, 일차함수와 이차함수는 아시죠? 중학교 수준으로 설명해 드린다고 했으니까, 일차함수와 이차함수는 알고 있다고 가정하고 진행하겠습니다. 그런데 “저는 중학교 수학 시간에 자서 그걸 모르는데요” 하는 분이라면 죄송합니다. 빨리 강의를 끄시기 바랍니다. 빨리 X 버튼을 누르거나 뒤로 가기를 해 주세요. 그리고 실제로 코드를 짜서 딥러닝을 돌려 볼 건데, 이때는 파이썬을 쓸 겁니다.

⏱ 08:43파이썬을 처음부터 제가 가르쳐 드리면 너무 시간이 오래 걸리겠죠. 그래서 파이썬은 다른 곳에서 배워 오시고요. 이 정도의 파이썬 지식을 알고 있는 분들께 이 강의를 추천하고 있습니다. [필요한 파이썬 지식의 구체적인 목록은 원문 자막에 제시되지 않음.] 그러면 다음 강의부터 실제로 딥러닝의 기초 이론을 설명해 드릴 예정입니다. 당장 실제로 코드를 짤 일은 없으니까 가볍게 한번 들어 보시면 되겠습니다.