퓨샷, 제로샷 및 전이 학습 이해하기

인공지능(AI) 시스템은 최소한의 인간 개입만으로 얼굴 인식, 이미지 분류, 자동차 주행과 같은 복잡한 작업을 처리할 수 있습니다. AI는 데이터를 연구하고 패턴을 인식하며, 해당 패턴을 활용해 예측하거나 결정을 내리는 방식으로 이를 수행합니다. AI가 발전함에 따라, AI 모델이 놀라운 효율성으로 학습하고 적응하며 작업을 수행하는 더욱 정교한 방식들이 등장하고 있습니다.

예를 들어, 컴퓨터 비전은 기계가 세상의 시각적 정보를 해석하고 이해할 수 있도록 하는 AI의 한 분야입니다. 전통적인 컴퓨터 비전 모델 개발은 학습을 위해 대규모의 주석이 달린 데이터셋에 크게 의존합니다. 이러한 데이터를 수집하고 라벨링하는 작업은 시간 소모적이며 비용이 많이 들 수 있습니다.

이러한 문제를 해결하기 위해 연구자들은 제한된 예시로부터 학습하는 Few-shot 학습(FSL), 보지 못한 객체를 식별하는 Zero-shot 학습(ZSL), 그리고 사전 학습된 모델의 지식을 새로운 작업에 적용하는 전이 학습(TL)과 같은 혁신적인 접근 방식을 도입했습니다.

이 글에서는 이러한 학습 패러다임이 어떻게 작동하는지 살펴보고, 주요 차이점을 강조하며, 실제 적용 사례를 확인해 보겠습니다. 그럼 시작해 볼까요!

Link to this section학습 패러다임 개요#

컴퓨터 비전과 관련하여 Few-shot 학습, Zero-shot 학습, 전이 학습이 무엇이며 어떻게 작동하는지 알아보겠습니다.

Link to this sectionFew-shot 학습#

Few-shot 학습은 소수의 예시만을 사용하여 새로운 객체를 인식하도록 시스템을 학습시키는 방법입니다. 예를 들어, 펭귄, 펠리컨, 퍼핀 사진을 모델에 몇 장 보여주면(이 작은 그룹을 "서포트 세트"라고 함), 모델은 이 새들이 어떻게 생겼는지 학습합니다.

나중에 모델에 펭귄과 같은 새로운 사진을 보여주면, 모델은 이 새로운 사진을 서포트 세트의 사진들과 비교하여 가장 가까운 일치 항목을 선택합니다. 대량의 데이터를 수집하기 어려울 때, 시스템이 적은 예시로도 여전히 학습하고 적응할 수 있기 때문에 이 방법이 유용합니다.

그림 1. Few-shot 학습 작동 방식 개요.

Link to this sectionZero-shot 학습#

Zero-shot 학습은 기계가 이전에 본 적 없는 대상을 별도의 예시 없이도 인식할 수 있게 하는 방법입니다. 연결 고리를 만드는 데 도움이 되도록 설명과 같은 의미론적 정보를 활용합니다.

예를 들어, 기계가 "작고 털이 많은", "큰 야생 고양이", "긴 얼굴"과 같은 특징을 이해하여 고양이, 사자, 말과 같은 동물에 대해 학습했다면, 이 지식을 활용하여 호랑이와 같은 새로운 동물을 식별할 수 있습니다. 호랑이를 한 번도 본 적이 없더라도 "검은 줄무늬가 있는 사자 같은 동물"이라는 설명을 사용하여 정확하게 식별할 수 있습니다. 이를 통해 기계는 많은 예시 없이도 더 쉽게 학습하고 적응할 수 있습니다.

그림 2. Zero-shot 학습은 설명을 사용하여 새로운 객체를 식별합니다.

Link to this section전이 학습#

전이 학습은 모델이 한 작업에서 배운 지식을 활용하여 유사한 새로운 작업을 해결하도록 돕는 학습 패러다임입니다. 이 기술은 객체 탐지, 이미지 분류, 패턴 인식과 같은 컴퓨터 비전 작업에서 특히 유용합니다.

예를 들어, 컴퓨터 비전에서 사전 학습된 모델은 동물과 같은 일반적인 객체를 인식할 수 있으며, 전이 학습을 통해 미세 조정(fine-tuning)되어 특정 견종을 식별하는 등의 작업을 수행할 수 있습니다. 이전 작업의 지식을 재사용함으로써 전이 학습은 더 작은 데이터셋으로 컴퓨터 비전 모델을 더 쉽게 학습시킬 수 있게 하여 시간과 노력을 절약해 줍니다.

그림 3. 전이 학습 작동 방식 개요.

전이 학습을 지원하는 모델이 무엇인지 궁금하실 수 있습니다. Ultralytics YOLO11은 이를 수행할 수 있는 컴퓨터 비전 모델의 좋은 예입니다. 이 모델은 대규모의 일반적인 데이터셋에서 먼저 사전 학습된 최첨단 객체 탐지 모델입니다. 그 후, 특정 작업을 위해 더 작고 전문화된 데이터셋에서 미세 조정 및 맞춤형 학습을 수행할 수 있습니다.

Link to this section학습 패러다임 비교#

Few-shot 학습, Zero-shot 학습, 전이 학습에 대해 살펴보았으니, 이제 이들이 어떻게 다른지 비교해 보겠습니다.

그림 4. Few-shot, Zero-shot, 전이 학습 간의 주요 차이점. 이미지 작성자 제공.

Few-shot 학습은 라벨링된 데이터가 적을 때 유용합니다. AI 모델이 단 몇 가지 예시만으로 학습할 수 있게 해줍니다. 반면 Zero-shot 학습은 라벨링된 데이터를 전혀 요구하지 않습니다. 대신 설명이나 맥락을 사용하여 시스템이 새로운 작업을 처리하도록 돕습니다. 한편, 전이 학습은 사전 학습된 모델의 지식을 사용하여 최소한의 추가 데이터로도 새로운 작업에 빠르게 적응할 수 있도록 하는 다른 접근 방식을 취합니다. 각 방법은 사용하는 데이터 유형과 작업에 따라 고유한 강점을 가집니다.

Link to this section다양한 학습 패러다임의 실제 적용 사례#

이러한 학습 패러다임은 이미 많은 분야에서 변화를 일으키며 혁신적인 솔루션으로 복잡한 문제를 해결하고 있습니다. 실제 환경에서 어떻게 적용될 수 있는지 더 자세히 살펴보겠습니다.

Link to this sectionFew-shot 학습을 통한 희귀 질환 진단#

Few-shot 학습은 의료 분야, 특히 의료 영상 분야에서 판도를 바꾸고 있습니다. 방대한 양의 데이터 없이도 몇 가지 예시나 설명만으로 희귀 질환을 진단하도록 의사를 도울 수 있습니다. 희귀 질환은 대규모 데이터셋을 수집하기가 어려운 경우가 많아 데이터가 제한적일 때 특히 유용합니다.

예를 들어, SHEPHERD는 Few-shot 학습과 생물의학 지식 그래프를 사용하여 희귀 유전 질환을 진단합니다. 환자의 증상, 검사 결과와 같은 정보를 알려진 유전자 및 질병 네트워크에 매핑합니다. 이를 통해 데이터가 제한적인 상황에서도 유전적 원인을 찾아내고 유사한 사례를 찾는 데 도움을 줍니다.

그림 5. Shepherd 모델은 최소한의 데이터를 사용하여 희귀 질환을 진단합니다.

Link to this sectionZero-shot 학습을 통한 식물 질병 탐지 개선#

농업에서 식물 질병을 신속하게 식별하는 것은 매우 중요합니다. 탐지가 지연되면 광범위한 작물 피해, 수확량 감소, 상당한 재정적 손실로 이어질 수 있기 때문입니다. 전통적인 방법은 종종 대규모 데이터셋과 전문가 지식에 의존하는데, 특히 원격지나 자원이 제한된 지역에서는 항상 활용하기 어려울 수 있습니다. 바로 이때 Zero-shot 학습과 같은 AI의 발전이 중요한 역할을 합니다.

농부가 토마토와 감자를 재배하다가 잎이 노랗게 변하거나 갈색 반점이 생기는 증상을 발견했다고 가정해 보겠습니다. Zero-shot 학습은 대규모 데이터셋 없이도 역병과 같은 질병을 식별하는 데 도움을 줄 수 있습니다. 증상에 대한 설명을 사용하여 모델은 이전에 본 적 없는 질병을 분류할 수 있습니다. 이 접근 방식은 빠르고 확장 가능하며, 농부들이 다양한 식물 문제를 탐지할 수 있게 해줍니다. 이는 작물 건강을 더 효율적으로 모니터링하고, 적시에 조치를 취하며, 손실을 줄이는 데 도움을 줍니다.

그림 6. 식물 질병 식별을 위한 Zero-shot 학습 활용.

Link to this section자율주행 차량과 전이 학습#

자율주행 차량은 안전하게 주행하기 위해 다양한 환경에 적응해야 하는 경우가 많습니다. 전이 학습은 차량이 처음부터 학습을 시작하지 않고도 이전 지식을 활용하여 새로운 조건에 빠르게 적응하도록 돕습니다. 차량이 시각 정보를 해석하도록 돕는 컴퓨터 비전과 결합하여, 이러한 기술은 다양한 지형과 기상 조건에서 더 원활한 주행을 가능하게 하며 자율주행의 효율성과 신뢰성을 높여줍니다.

실제 적용 사례 중 하나는 Ultralytics YOLO11을 사용하여 주차 공간을 모니터링하는 주차 관리 시스템입니다. 사전 학습된 객체 탐지 모델인 YOLO11은 전이 학습을 통해 미세 조정되어 주차 공간의 비어 있거나 점유된 상태를 실시간으로 식별할 수 있습니다. 주차장 이미지의 작은 데이터셋으로 모델을 학습시키면, 모델은 빈 공간, 점유된 자리, 예약 구역까지 정확하게 탐지하는 방법을 배웁니다.

그림 7. Ultralytics YOLO11을 이용한 주차 관리.

다른 기술과 통합된 이 시스템은 운전자를 가장 가까운 빈 공간으로 안내하여 검색 시간과 교통 혼잡을 줄이는 데 도움을 줄 수 있습니다. 전이 학습은 YOLO11의 기존 객체 탐지 기능을 기반으로 하여 처음부터 시작하지 않고도 주차 관리의 특정 요구 사항에 적응할 수 있게 함으로써 이를 가능하게 합니다. 이 접근 방식은 시간과 자원을 절약하는 동시에 주차 운영을 개선하고 전체 사용자 경험을 향상하는 매우 효율적이고 확장 가능한 솔루션을 제공합니다.

Link to this section학습 패러다임의 떠오르는 트렌드#

컴퓨터 비전 분야에서 학습 패러다임의 미래는 더욱 지능적이고 지속 가능한 비전 AI 시스템을 개발하는 방향으로 나아가고 있습니다. 특히 한 가지 성장하는 트렌드는 Few-shot 학습, Zero-shot 학습, 전이 학습을 결합한 하이브리드 접근 방식의 사용입니다. 이러한 방법들의 강점을 결합함으로써 모델은 최소한의 데이터로 새로운 작업을 학습하고 다양한 영역에 걸쳐 지식을 적용할 수 있습니다.

흥미로운 사례로 적응형 딥 임베딩을 사용하여 이전 작업의 지식과 소량의 새로운 데이터를 활용해 모델을 미세 조정함으로써 제한된 데이터셋에서도 더 쉽게 작업할 수 있도록 만드는 방법이 있습니다.

이와 유사하게, X-shot 학습은 데이터 양이 각기 다른 작업을 처리하도록 설계되었습니다. 이는 모델이 제한적이거나 노이즈가 있는 라벨과 명확한 지침으로부터 학습하는 약한 지도 학습(weak supervision)을 사용하여, 이전 예시가 거의 없거나 전혀 없는 경우에도 빠르게 적응할 수 있도록 합니다. 이러한 하이브리드 접근 방식은 서로 다른 학습 방법을 통합하는 것이 AI 시스템이 문제를 더 효과적으로 해결하도록 어떻게 도울 수 있는지 보여줍니다.

Link to this section핵심 요약#

Few-shot 학습, Zero-shot 학습, 전이 학습은 각각 컴퓨터 비전의 특정 문제를 해결하며, 이에 따라 서로 다른 작업에 적합합니다. 올바른 접근 방식은 특정 애플리케이션과 사용 가능한 데이터 양에 따라 다릅니다. 예를 들어, Few-shot 학습은 데이터가 제한적일 때 잘 작동하며, Zero-shot 학습은 본 적 없거나 익숙하지 않은 클래스를 처리하는 데 훌륭합니다.

앞으로 이러한 방법을 결합하여 비전, 언어, 오디오를 통합하는 하이브리드 모델을 만드는 것이 주요 초점이 될 것으로 보입니다. 이러한 발전은 AI 시스템을 더욱 유연하고 효율적으로 만들고 복잡한 문제를 해결할 수 있게 하여, 이 분야에서 혁신을 위한 새로운 가능성을 열어줄 것입니다.

우리 커뮤니티에 가입하고 GitHub 저장소를 확인하여 AI에 대해 더 자세히 알아보세요. 자율주행 차량의 AI와 농업 분야의 컴퓨터 비전이 어떻게 미래를 바꾸고 있는지 배워보세요. 시작하려면 YOLO 라이선스 옵션을 확인해 보세요!