딥러닝(DL)

딥러닝(DL)은 다층 신경망을 사용하여 방대한 양의 데이터로부터 학습하는 머신러닝(ML)의 특화된 하위 분야입니다. 인간 두뇌의 구조에서 영감을 받은 DL 모델(종종 심층 신경망이라고 함)은 데이터의 계층적 표현을 자동으로 학습하도록 설계되었습니다. 즉, 초기 레이어는 단순한 특징을 학습하고 후속 레이어는 이를 결합하여 점점 더 복잡한 패턴을 학습합니다. 이러한 기능 덕분에 DL은 인공 지능(AI), 특히 컴퓨터 비전(CV) 및 자연어 처리(NLP)와 같은 복잡한 영역에서 주요 발전을 이끄는 원동력이 되었습니다.

딥러닝 작동 방식

딥러닝의 핵심은 입력 레이어와 출력 레이어 사이에 여러 개의 숨겨진 레이어가 있는 신경망인 심층 신경망입니다. 딥러닝의 "심층"은 이 깊이를 나타냅니다. 각 레이어에는 활성화 함수에 의해 제어되는 수학적 연산을 입력에 적용하는 처리 장치(뉴런)가 포함되어 있습니다. 훈련 중에 네트워크에는 대규모 데이터 세트가 공급되고 역전파라는 알고리즘이 사용되어 네트워크의 내부 매개변수 또는 가중치를 조정합니다. 일반적으로 경사 하강법과 같은 최적화 알고리즘에 의해 안내되는 이 조정 프로세스는 손실 함수에 의해 정의된 대로 모델의 예측과 실제 실측값 간의 차이를 최소화합니다. 이를 통해 네트워크는 명시적으로 프로그래밍하지 않고도 복잡한 패턴을 자동으로 검색할 수 있습니다. 현대 DL을 대중화하는 데 도움이 된 주요 역사적 논문은 ImageNet 데이터 세트에서 최첨단 결과를 달성한 2012년 AlexNet 논문입니다.

딥러닝 vs. 머신러닝

딥 러닝은 머신 러닝의 하위 집합이지만, 주요 차이점은 데이터 표현 방식에 있습니다. 기존 ML 방법은 종종 수동 특성 엔지니어링에 크게 의존합니다. 여기서 도메인 전문가는 모델이 정확한 예측을 수행하도록 돕기 위해 원시 데이터에서 특성을 꼼꼼하게 만듭니다. 대조적으로 DL 모델은 자동 특성 추출을 수행합니다. 심층 네트워크의 계층적 구조를 통해 데이터에서 직접 관련 특성을 학습할 수 있습니다. 따라서 DL은 수동 특성 엔지니어링이 종종 비현실적인 이미지, 텍스트 및 오디오와 같은 비정형 데이터를 처리하는 데 특히 강력합니다. 예를 들어 이미지 인식에서 DL 모델은 첫 번째 레이어에서 가장자리와 텍스처를 식별하고, 중간 레이어에서 눈과 코와 같은 객체의 부분을 식별한 다음, 더 깊은 레이어에서 얼굴과 같은 전체 객체를 식별하는 방법을 학습할 수 있습니다.

응용 분야 및 예시

딥러닝의 복잡한 데이터 처리 능력은 여러 산업 및 애플리케이션에서 채택되도록 이끌었습니다. 다음은 두 가지 주요 예시입니다.

1. 자율 주행 차량: 자율 주행 자동차는 실시간 인식을 위해 DL에 크게 의존합니다. 최첨단 DL 모델 제품군인 Ultralytics YOLO 모델은 보행자, 다른 차량 및 교통 표지판을 식별하기 위한 객체 탐지에 사용됩니다. 마찬가지로 DL은 안전한 내비게이션에 중요한 주행 가능한 도로 표면을 주변과 구별하기 위해 이미지 분할에 사용됩니다. 자율 주행 자동차에서 AI 사용에 대해 자세히 알아보십시오.
2. 의료 영상 분석: 헬스케어 분야에서 DL 모델은 의료 스캔을 분석하여 방사선 전문의를 지원합니다. 시각 분야에서 널리 사용되는 DL 아키텍처인 합성곱 신경망(CNN)은 뇌 MRI에서 종양과 같은 이상 징후나 X-ray에서 질병 징후를 높은 정확도로 탐지하도록 학습할 수 있습니다. 이는 뇌종양 탐지와 같은 애플리케이션에서 볼 수 있듯이 조기 진단과 향상된 환자 결과로 이어질 수 있습니다.

도구 및 프레임워크

DL 모델 개발은 다양한 소프트웨어 라이브러리 및 플랫폼에서 지원됩니다. 널리 사용되는 오픈 소스 프레임워크는 다음과 같습니다.

• PyTorch: 유연성과 Python 우선 접근 방식으로 잘 알려져 있습니다(PyTorch 홈페이지). Ultralytics 모델은 PyTorch를 사용하여 구축되었습니다.
• TensorFlow: Google AI에서 개발했으며 포괄적인 생태계를 제공합니다(TensorFlow 홈페이지).
• Keras: TensorFlow 위에서 실행될 수 있는 고급 API로, 사용자 친화적인 것으로 알려져 있습니다(Keras 홈페이지).

Ultralytics HUB와 같은 플랫폼은 특히 YOLO11과 같은 모델을 사용하는 컴퓨터 비전 작업을 위해 사용자 지정 모델 훈련, 배포 및 DL 모델 관리를 위한 통합 환경을 제공합니다. 효과적인 개발에는 종종 엄격한 하이퍼파라미터 튜닝, 성능 지표 이해, 효율적인 모델 훈련을 위한 GPU 가속 활용과 같은 방법이 포함됩니다. 이러한 복잡한 시스템의 개발 및 배포는 종종 MLOps 사례를 통해 관리됩니다.