(과학 기술) 이종호, <인공 지능과 심층 학습>-기출 문제(2015 개정 천재 독서)

 

※ 다음 글을 읽고, 물음에 답하시오.

 

(가) 인공 지능이라는 용어는 1955년 존 매카시와 신경학 전문가인 마빈 민스키, 허버트 사이먼 등 10여 명이 컴퓨터에 인간의 지적 활동을 가르치는 연구 계획서를 작성하며 처음으로 사용하였다.

민스키는 인공 지능을 “사람이 수행했을 때 지능이 필요한 일을 기계에 수행시키고자 하는 학문과 기술”이라고 정의했다. 그러므로 인공 지능이란 사람의 경험과 지식을 바탕으로 하여 새로운 문제를 해결하는 능력, 시각과 음성 지각 능력, 자연 언어 이해 능력, 자율적으로 움직이는 능력 등을 실현 하는 기술이며 인공 지능 연구의 목표는 사람처럼 생각하는 기계를 개발하는 것이다. 여기서 기계라는 것은 프로그래밍 할 수 있는 컴퓨터를 말한다.

학자들은 인간처럼 생각하고 행동하는 시스템을 구축하기 위해 인간이 보고 듣고 생각해 행동으로 옮기는 과정을 정보의 흐름을 기준으로 하여 다음과 같이 정리했다. 우선 외부에서 들어오는 자극을 받아 그 뜻을 알아차리는 입력 과정이 이루어진다. 즉, 외부의 물리적 자극을 받아 생리학적인 신호로 변환하고 뇌에 전달하는 과정과 대뇌가 그것을 인지하는 과정이다. 정보가 입력되면 인지된 데이터나 정보를 적절한 위치에 저장하고 필요에 따라 꺼내 오도록 하며 사용 목적에 따라 정보를 적절히 변형하고 가공한다. 다음 단계는 정보를 분석하고 판단하는 단계이다. 이 단계에서는 일정한 순서와 기준에 따라 정보를 평가하고 다음 단계에서 어떻게 할지 결정한다. 그다음은 창조의 단계이다. 즉, 처리 분석 판단의 과정을 통해 전혀 새로운 지식이나 개념을 만들어 내는 것이다. 이를 정리해 출력하는 것이 마지막 단계이다.

(나) 컴퓨터는 인공 지능의 역사에서 큰 역할을 하였다. 컴퓨터가 등장하여 비로소 인간의 사고 과정, 뇌 구조와 기능, 그 속에서 일어나는 생리 현상에 대한 연구가 촉진되었다. 소프트웨어로 프로그램을 제어할 수 있게 되면서 전자 기계 부품, 즉 하드웨어로 구성된 논리 회로는 과거와 완전히 달라졌다. 그 결과 높은 수준의 복잡성과 유연성 그리고 외부 환경의 변화에 대응해 다음 작업을 판단하고 수행할 수 있는 능력을 지닌 기계가 사람의 지능에 도전하게 되었다.

학자들은 인간이 지닌 것과 같은 지식을 컴퓨터에 어떻게 넣어 주느냐를 고민하기 시작했다. 처음에는 인간의 지식 습득 과정을 그대로 답습하면 된다고 생각하였으나 현실 세계의 모든 지식을 컴퓨터에 입력하는 일은 실질적으로 불가능하였다. 그래서 학자들은 인간 두뇌의 신경망을 이용하면 어떤 정보를 기초로 하여 그것을 적시 적소에 활용하게 만들 수 있다고 생각하였다. 이런 생각에서 출발한 이론을 ‘신경망 이론’이라고 한다.

 

SMALL

신경망 이론은 워런 매컬러와 월터 피츠가 처음 제시하였다. 매컬러와 피츠는 생물학적인 신경망 이론을 단순화해서 논리, 산술, 기호 연산 기능을 구현할 수 있는 신경망 이론을 제시하였다. 그들은 마치 전기 스위치처럼 온(on)과 오프(off)로 작동하는 기본적인 기능이 있는 인공 신경을 그물망 형태로 연결하면, 그것이 사람의 뇌에서 동작하는 간단한 기능을 흉내 낼 수 있다는 것을 이론적으로 증명하였다.

신경망 이론을 발판으로 삼아 미국의 프랭크 로젠블랫은 사람처럼 시각적으로 사물을 인지하도록 훈련시킬 수 있는 프로그램인 ㉠‘퍼셉트론’을 개발했다. 이 프로그램은 인간의 신경 세포와 비슷한 방식으로 작동한다. 퍼셉트론의 각 단위는 여러 가지 입력 정보를 받아들인다. 이것들 이 합쳐져 사전에 정해 놓은 특정한 한곗값을 넘어서면 출력이 발생한다. 이것은 많은 가지 돌기가 자극받을 때 신경 세포가 신경 신호를 발산하는 것과 같다. 각각의 단위가 특정 입력 정보에 부여하는 상대적 중요도를 변화시킴으로써 퍼셉트론은 훈련을 통해 올바른 답을 얻을 수 있다. 퍼셉트론은 인공 신경망을 실제로 구현한 최초의 모델이다.

(다) 획기적인 인공 신경망 모델인 퍼셉트론을 활용한 ‘기계 학습’이 기술 혁명을 가져올 것으로 기대되었지만 그것이 대부분의 컴퓨터에 활용되지는 않았다. 퍼셉트론은 보통의 컴퓨터나 인간이 쉽게 푸는 기본적인 논리 문제조차 제대로 풀지 못했으며, 퍼셉트론으로 학습할 수 있는 정보는 매우 제한적이었다. 이러한 문제를 해결하기 위해 ㉡‘다층 퍼셉트론’이 제안되었다.

이후 다양한 학습 모델이 제안되었고, 많은 학자들은 기계가 좀 더 복잡한 문제를 풀 수 있게 하려고 기존 퍼셉트론의 입력층과 출력층 사이에 중간층을 삽입하고, 중간층의 신경망 층수를 늘려 나갔다. 그런데 신경망의 층수를 늘릴수록 기계가 판별을 제대로 하지 못하는 오류가 발생하여 학습 수행에 지장이 생겼다. 즉, 다층 퍼셉트론의 인공 신경망을 3층 이상으로 올리면 학습 수행이 어려워졌던 것이다. 이를 해결하기 위해 다양한 방법이 제안되어 점차적으로 학습의 오류율을 줄여 나갔으나 기계 학습은 1980~1990년대까지 발전한 후 답보 상태에 있었다.

일반적으로 기계 학습에 적용된 컴퓨터의 데이터 분류 방식은 ‘지도 학습’과 ‘비지도 학습’으로 나뉜다. 지도 학습은 컴퓨터에 먼저 분류 기준을 입력한 후에 컴퓨터에 정보를 가르치는 방식이다. 예를 들어, 사진을 주고 “이 사진은 고양이임.”이라고 알려 주면, 컴퓨터는 미리 학습된 결과를 바탕으로 하여 고양이 사진을 구분한다. 비지도 학습은 분류 기준 없이 정보를 입력하고 컴퓨터가 알아서 분류하게 하는 방식으로, 컴퓨터가 스스로 비슷한 군집을 찾아 데이터를 분류한다. “이 사진은 고양이임.” 이라는 배움의 과정 없이 “이 사진은 고양이 사진이군.”이라고 컴퓨터가 스스로 학습하는 것이다.

(라) 기계 학습은 2006년 캐나다의 제프리 힌턴에 의해 전기를 맞이하였다. 힌턴은 많은 층수의 다층 퍼셉트론도 사전 훈련, 즉 연산 과정에 여러 층을 두어 컴퓨터 스스로 정보를 잘게 조각내어 작은 판단을 내리게 하는 과정을 통해 효과적으로 학습시킬 수 있다고 하였다. 그리고 이와 같이 기존 기계 학습의 한계를 극복한 인공 신경망(심층 신뢰망)을 통해 이루어지는 기계 학습을 ㉢‘심층 학습’이라고 하였다.

힌턴은 다층 구조로 설계하여 깊어진 인공 신경망의 학습이 잘 이루어지지 않는 기존의 문제와 관련하여, 학습을 위한 데이터들을 비지도 학습을 통해 사전 훈련 하면 신경망이 깊어져도 학습이 잘된다는 것을 발견하였다. 힌턴은 필기체 디지털 이미지를 분류하는 작업에 이 심층 신뢰망 알고리즘을 적용해 1.2퍼센트라는 오류율을 보여 주었다. 이는 다른 기계 학습 알고리즘과 비교했을 때 가장 낮은 오류율이었으며, 이러한 결과는 자료로 활용할 수 있는 엄청난 양의 빅데이터와 이를 빠른 속도로 처리할 수 있는 컴퓨팅 능력이라는 두 요소 없이 이루어질 수 없는 발견이었다.

심층 학습은 비지도 학습 방법을 사용한 사전 훈련 과정으로 데이터를 손질해 인공 신경망 최적화를 수행한다. 특징 추출부터 학습까지 알고리즘에 포함한 것이 심층 학습의 특징이다. 심층 학습은 연산 과정에 여러 층을 두어 컴퓨터 스스로 정보를 잘게 조각내어 작은 판단을 내리고, 그것을 종합해 결과를 내놓는다. 즉 심층 학습은 다층 구조의 신경망을 기반으로 하는 기계 학습의 한 분야로, 다량의 데이터에서 높은 수준의 추상화 모델을 구축하는 기법이다. 심층 학습은 데이터를 컴퓨터가 처리할 수 있는 형태인 벡터나 그래프 등으로 표현하고 이를 학 습하는 모델을 구축하는 연구를 포함한다. 얼굴이나 표정을 인식하는 것과 같은 특정 학습 목표에 대해, 심층 학습은 학습을 위한 더 나은 표현 방법과 효율적인 모델 구축에 초점을 맞춘다. 이러한 심층 학습은 오늘날 다양한 분야에서 활용되고 있다.

- 이종호, 「인공 지능과 심층 학습」

 

 

<KSP 국어문제연구소>에서

수능 국어와 내신을 대비하기 위해

2015 개정 고등 국어 <독서(천재)> 기출 문제 중에서

(과학 기술) '인공 지능과 심층 학습'에 대한 부분만을

오려오려 한 세트로 묶어 보았습니다.

 

 

요즈음 내신 문제도 다른 작품과 비교하는 수능형 문제가 자주 출제되고 있습니다.

단순하게 교과서에 수록된 부분만을 공부한다면

좋은 결과를 얻지 못할 수가 있습니다.

폭넓게 공부하시고, 좋은 성적을 얻기 위해서!!는

다양한 문제 풀이가 필수라는 사실! 잊지 마세요~

 

<KSP 국어문제연구소>에서는

국어 수능과 내신을 준비하기 위해

2015 개정 고등 국어 <독서(천재)> 기출 문제 중에서

(과학 기술) '인공 지능과 심층 학습'에 대한 대비 문제를

준비하였습니다.

 

이 자료는 고등학교 내신 대비와 수능을 준비하는

모든 학생들을 위한 정선된 것입니다.

교재에 관련된 내용을 정확히 이해하고 있는지 확인해 보세요~

해설로 확실하게 이해하시고,

다양한 문제 풀이로 좋은 성적을 만들어 보세요~

<KSP 국어문제연구소>에서는

더 많은 국어 자료를 제공합니다!!!

 

 

<국어독학카페(네이버), 중고등국어독학카페(다음)>에는

문학, 독서, 화법, 작문, 문법(언어)에 관한 방대한 자료가 준비되어 있습니다.

국어 공부를 위한 학습 자료실!

<KSP 국어문제연구소>가 최선을 다해 국어 자료를 제공합니다.

 

<국어독학카페> 즐겨 찾기~~

https://cafe.naver.com/kspstudycafe

☛ 국어독학카페 : 네이버 카페

 

낱개로 문제나 국어 해설을 구입하고 싶으시면~~

국어 해설과 문제를 제공하는 홈페이지로 방문해 보세요~~​

<국해문> 즐겨 찾기!

www.kukhaemoon.com  

http://kukhaemoon.com/contents/

 

 

2002년부터 운영해 온 <국어독학카페>!!

역사와 전통은 그냥 만들어지는 것이 아니라는 것을

확실하게 깨닫게 될 것입니다.

 

​

#EBS수능특강문학해설 #EBS수능완성문학독서자료 #EBS연계교재변형문제 #국어독학카페 #국어문학기출문제 #화법과작문문제 #언어와매체내신대비자료 #고등국어문제 #중등국어내신대비자료 #문법문제 #화법과작문문제 #문법이론정리 #화법과작문내용정리 #고전소설문제와해설 #현대소설문제와해설 #현대시해설과문제 #수능기출해설과자료 #수능문학자료실 #학력평가자료 #모의고사기출문학해설 #모의고사문학변형문제 #모의고사기출변형문제 #2021학년도수능특강자료 #KSP국어문제연구소 #국어문제연구소 #2021학년도수특문학해설과문제 #2020년모의고사기출문학해설과변형문제판매 #2019년모의고사기출문학해설과변형문제판매 #2022학년도수능특강해설 #2022학년도수능특강변형문제 #2022학년도언어와매체변형문제 # 2022학년도수능특강화법과작문변형문제 #2022학년도수능완성지문해설과변형문제 #2021년9월고1,2,3학년모의고사 #수능평가원모의고사지문해설,변형문제 #EBS독해의원리변형문제 #2022학년도수능문학독서지문해설과변형문제 #2022학년도수능언어와매체, 화법과작문변형문제 #2022학년도기출모의고사변형문제 #EBS올림포스독서변형문제 #EBS독서독해의원리변형문제 #평가원모의고사변형문제 #평가원모의고사지문해설 #2023학년도수능특강문학지문해설과변형문제 #2023수특독서지문해설과변형문제 #2023수능특강화법과작문 #2023학년도수능특강언어와매체변형문제 #2022년3월고1,2,3학년모의고사 #2022년3월모의고사문학지문해설과변형문제 #2022년3월모의고사독서지문해설과변형문제 #2022년3월화법과작문변형문제 #2022년3월모의고사문법변형문제 #2022년3월언어와매체변형문제 #2022년4월고3모의고사 #2022년4월고3모의고사기출문학,독서해설과변형문제 # 2022년6월 모의고사해설과변형문제 #2023학년도 수능완성 해설과변형문제 #2022년7월고3모의고사지문해설과변형문제 #2022년9월평가원 모의고사 #2022년9월고1,고2모의고사 #2022년10월고3모의고사 #2023학년도수능기출 #2022년11월고1모의고사 #2022년11월고2모의고사