코그넥스 블로그

산업 자동화 검사에서 AI, 머신러닝, 딥 러닝 사이의 차이점은?

AI vs deep learning vs machine learning

특히 공장 자동화 검사에서 인공 지능(AI)에 대해 이야기할 때 마케팅과 분리하기 어려운 경우가 간혹 있습니다. 여러 가지 측면에서 AI는 이미 우리 일상 생활의 일부가 되었지만, 동시에 다른 여러 측면에서 이 기술은 여전히 미래적인 개념으로 남아 있습니다.

이메일 클라이언트에 적용된 스팸 필터는 AI를 활용하기 때문에 여러분이 원하지 않는 정크 이메일을 읽지 않아도 됩니다. 다른 한편으로, 스타워즈에서 등장하는 C-3PO 같이 튜링 테스트를 통과할 수 있는 로봇은 여전히 공상과학이나 TV 프로그램에서나 존재합니다. 지난 몇 년 동안 AI의 실용성은 연산 능력과 클라우드 스토리지의 급속한 비용 개선은 물론, 이미지, 텍스트, 소프트웨어 트랜잭션 등을 통한 데이터 생산 증가로 인해 폭발적으로 향상 되었습니다.

AI, 머신러닝, 딥러닝 등과 같은 용어는 너무 자주 각 용어가 의미하는 상황에 대한 설명이나 맥락 없이 비슷한 의미로 사용됩니다. 머신러닝과 딥러닝을 포함한 인공 지능의 미세한 차이점을 이해하면 이 기술이 오늘날의 생산업체와 공장에 어떻게 도움이 되고 어떻게 도움이 되지 않는지 좀 더 쉽게 이해할 수 있습니다.

인공 지능 − 논리로 작업 프로그래밍하기

가장 먼저, 인공 지능은 컴퓨터 시스템이 인간 수준 또는 그보다 더 훌륭하게, 사람처럼 작업(이미지 분류, 음성 인식, 언어 번역 등)을 수행하는 컴퓨터 과학의 한 분야입니다. 이 로직 개념은 1950년대 컴퓨터 과학의 개척 시기에 탄생했습니다.

AI는 좁은 의미의 AI와 넓은 의미의 AI 두 가지로 분류할 수 있습니다. 넓은 의미의 AI 는 인간처럼 행동하고 생각하는 미래적인 개념의 로봇을 의미합니다. 언젠가는 우리가 자각이 있는 로봇을 만나겠지만 이 글의 목적에 따라 우리는 컴퓨터가 사람 같이 특정 작업을 수행할 수 있도록 설계된 컴퓨터 시스템인 좁은 의미의 AI 에 집중할 것입니다.

AI는 진정한 의미에서 스마트 알고리즘 생성 방식입니다. 초창기에 AI는 단순히 프로그래밍한 컴퓨터 명령어들의 집합일 뿐이었습니다. 이제 AI는 복잡한 로직 집합에서부터 인간의 프로그래밍을 최소화하면서 참조 예제에 기초해서 결과를 도출하는 셀프 학습이 가능한 알고리즘까지 어떤 것이라도 될 수 있습니다.

실제 세계에서 신호등 작동이 AI의 한 사례가 될 수 있습니다. 한 때 사람이 직접 적색 신호등에서 녹색 신호등으로 바꾸어야 했던 신호등은 이제 스마트 로직 및 프로그래밍을 통해서 45초 동안 녹색등이 켜진 후에 적색등으로 바뀝니다. 이 방식은 고정 시간 제어라고 합니다. 운전자를 대상으로 녹색등을 길게 유지시키는 조율 제어와 같은 교통 신호등 프로그래밍 방식도 있습니다. 기본적으로 신호등은 특정한 작업을 수행하도록 프로그래밍되어 사람들이 더 이상 수작업으로 제어할 필요가 없습니다.

머신러닝 − 인공 지능의 적용

머신러닝은 AI의 하위 집합으로 개발되었으며 AI 실현을 위한 기술로 고려됩니다. 머신러닝은 컴퓨터 시스템에게 데이터를 통해 학습하고 의사 결정을 내릴 수 있도록 하는 알고리즘을 이용하는 방식입니다.

지난 몇 년간 의사 결정 알고리즘에는 의사결정 트리, 클러스터 분석, 강화학습, 베이시안 네트워크 등이 포함되었습니다. 신호등 예제로 다시 돌아가면 머신러닝 알고리즘은 하루 중 시간대 또는 교통 혼잡에 기초해서 적색등에서 녹색등으로 전환하는 최적의 시간 패턴을 결정할 수 있습니다. 이 방식은 네바다주 라스베이거스와 같은 도시에서 머신러닝으로 교통 체증을 40% 줄이기 위해 이미 시범 운영 하고 있습니다. 머신러닝은 도시들이 단순히 신호등을 프로그래밍하는 수준에서 벗어나 자동차에서 생성된 데이터를 활용해서 프로그래밍한 로직에서 최적의 의사 결정을 내릴 수 있도록 지원합니다.

마지막으로, 머신 비전은 머신러닝을 가장 잘 사용하는 사례들 중 하나입니다. 카메라로 포착된 이미지 데이터와 분류기, 위치 확인 도구, 광학문자 인식 등 이러한 이미지에 적용된 다양한 알고리즘들을 통해 머신 비전 소프트웨어는 부품의 존재 여부, 두 경계선 사이의 폭 측정, 타이어 상의 특정 문자열 파악 등을 수행할 수 있습니다.

코그넥스에서는 머신 비전을 검사 난제를 해결하기 위한 전통적 또는 규칙 기반 방식이라고 부릅니다. 기술적인 알고리즘인 이 규칙은 부품의 가장 자리 두 개를 찾고 이 가장자리 사이의 너비를 결정하는 특정 작업을 프로그래밍하기 위해 인간이 사용하는 소프트웨어 도구입니다. 이런 규칙 기반 방식은 이 범주에 포함되기는 하지만 머신러닝이나 AI라고 생각하지 않습니다.

딥러닝 − 차세대 검사 방식으로의 진화

딥러닝 알고리즘은 기술의 지속적인 발전 덕분에 유명해진 최신 인공 지능 하위 집합입니다. 딥러닝은 머신러닝에서 발전된 기술을 기반으로 하지만 몇 가지 차이가 있습니다.

딥러닝은 컴퓨터 알고리즘으로 작업을 프로그래밍하는 과정을 인간에게 의존하지 않고 인간의 학습을 흉내낸 예제 기반 접근 방식을 통해서 결과에 도달합니다. 딥러닝 기반 검사 애플리케이션은 신경망을 활용함으로써 연결을 수행하고 대규모 데이터 집합에서 패턴을 파악합니다.

예를 들어 생산업체가 생산하는 제품에서 결함을 감지하려고 한다고 생각해 봅시다. 이 문제는 전통적인 머신 비전을 통해서 처리할 수 있을 수도 있습니다. 전통적인 비전 기술에서는 엔지니어들이 발생할 수 있는 수 백가지 변화 - 결함 크기와 유형, 결함의 위치 등 - 에 대처하는 검사를 직접 프로그래밍해야 합니다. 결국 본질적인 변동 때문에 프로그래밍과 유지 모두를 위해 매우 시간이 오래 걸리는 애플리케이션이 될 수 밖에 없습니다.

딥러닝 기반 방식으로 알고리즘은 사용자가 제공하는 예제를 받아서 자동으로 검사 중인 부품을 이해합니다. 이 솔루션은 약간의 변동을 감안해서 우수한 부품은 어떻게 생겼는지 학습하는 검사를 생성함으로써 긁힘, 이물질, 기타 시각적 결함 등으로 결함이 있어 보이는 물체를 표시할 수 있습니다. 그 후에 사용자는 도구가 학습할 더 많은 데이터를 제공함으로써 솔루션을 개선할 수 있습니다. 딥러닝 애플리케이션이 더 많은 데이터를 확보할 수록 시간 경과에 따라 비정상적인 상황을 더 잘 포착할 수 있습니다.

공장 자동화 검사의 미래

인공지능이 여러 회사들이 사용하는 마케팅적 접근 때문에 계속 본질이 가려지는 측면이 있지만 특히 공장 자동화 설정에서는 인공지능이 무엇이고 어떤 일을 할 수 있고 어떤 일은 할 수 없는지 이해하는 것이 중요합니다.

미래에는 이 검사가 예제 기반인지 규칙 기반인지, 아니면 이 두 가지 방식의 조합인지의 여부는 중요하지 않을 수도 있습니다. 그러나 당분간 각 접근 방식은 자체적인 강점과 약점이 있으며 따라서 적절하게 사용되어야 합니다.

예제 기반 및 규칙 기반 검사 사이의 차이에 대해 보다 자세하게 학습하려면 다음 무료 전자책을 다운로드 받으십시오: Deep Learning vs. Machine Vision.

 

추가 게시물 -

산업 자동화 검사에서 AI, 머신러닝, 딥 러닝 사이의 차이점은?

AI vs deep learning vs machine learning

특히 공장 자동화 검사에서 인공 지능(AI)에 대해 이야기할 때 마케팅과 분리하기 어려운 경우가 간혹 있습니다. 여러 가지 측면에서 AI는 이미 우리 일상 생활의 일부가 되었지만, 동시에 다른 여러 측면에서 이 기술은 여전히 미래적인 개념으로 남아 있습니다.

이메일 클라이언트에 적용된 스팸 필터는 AI를 활용하기 때문에 여러분이 원하지 않는 정크 이메일을 읽지 않아도 됩니다. 다른 한편으로, 스타워즈에서 등장하는 C-3PO 같이 튜링 테스트를 통과할 수 있는 로봇은 여전히 공상과학이나 TV 프로그램에서나 존재합니다. 지난 몇 년 동안 AI의 실용성은 연산 능력과 클라우드 스토리지의 급속한 비용 개선은 물론, 이미지, 텍스트, 소프트웨어 트랜잭션 등을 통한 데이터 생산 증가로 인해 폭발적으로 향상 되었습니다.

AI, 머신러닝, 딥러닝 등과 같은 용어는 너무 자주 각 용어가 의미하는 상황에 대한 설명이나 맥락 없이 비슷한 의미로 사용됩니다. 머신러닝과 딥러닝을 포함한 인공 지능의 미세한 차이점을 이해하면 이 기술이 오늘날의 생산업체와 공장에 어떻게 도움이 되고 어떻게 도움이 되지 않는지 좀 더 쉽게 이해할 수 있습니다.

인공 지능 − 논리로 작업 프로그래밍하기

가장 먼저, 인공 지능은 컴퓨터 시스템이 인간 수준 또는 그보다 더 훌륭하게, 사람처럼 작업(이미지 분류, 음성 인식, 언어 번역 등)을 수행하는 컴퓨터 과학의 한 분야입니다. 이 로직 개념은 1950년대 컴퓨터 과학의 개척 시기에 탄생했습니다.

AI는 좁은 의미의 AI와 넓은 의미의 AI 두 가지로 분류할 수 있습니다. 넓은 의미의 AI 는 인간처럼 행동하고 생각하는 미래적인 개념의 로봇을 의미합니다. 언젠가는 우리가 자각이 있는 로봇을 만나겠지만 이 글의 목적에 따라 우리는 컴퓨터가 사람 같이 특정 작업을 수행할 수 있도록 설계된 컴퓨터 시스템인 좁은 의미의 AI 에 집중할 것입니다.

AI는 진정한 의미에서 스마트 알고리즘 생성 방식입니다. 초창기에 AI는 단순히 프로그래밍한 컴퓨터 명령어들의 집합일 뿐이었습니다. 이제 AI는 복잡한 로직 집합에서부터 인간의 프로그래밍을 최소화하면서 참조 예제에 기초해서 결과를 도출하는 셀프 학습이 가능한 알고리즘까지 어떤 것이라도 될 수 있습니다.

실제 세계에서 신호등 작동이 AI의 한 사례가 될 수 있습니다. 한 때 사람이 직접 적색 신호등에서 녹색 신호등으로 바꾸어야 했던 신호등은 이제 스마트 로직 및 프로그래밍을 통해서 45초 동안 녹색등이 켜진 후에 적색등으로 바뀝니다. 이 방식은 고정 시간 제어라고 합니다. 운전자를 대상으로 녹색등을 길게 유지시키는 조율 제어와 같은 교통 신호등 프로그래밍 방식도 있습니다. 기본적으로 신호등은 특정한 작업을 수행하도록 프로그래밍되어 사람들이 더 이상 수작업으로 제어할 필요가 없습니다.

머신러닝 − 인공 지능의 적용

머신러닝은 AI의 하위 집합으로 개발되었으며 AI 실현을 위한 기술로 고려됩니다. 머신러닝은 컴퓨터 시스템에게 데이터를 통해 학습하고 의사 결정을 내릴 수 있도록 하는 알고리즘을 이용하는 방식입니다.

지난 몇 년간 의사 결정 알고리즘에는 의사결정 트리, 클러스터 분석, 강화학습, 베이시안 네트워크 등이 포함되었습니다. 신호등 예제로 다시 돌아가면 머신러닝 알고리즘은 하루 중 시간대 또는 교통 혼잡에 기초해서 적색등에서 녹색등으로 전환하는 최적의 시간 패턴을 결정할 수 있습니다. 이 방식은 네바다주 라스베이거스와 같은 도시에서 머신러닝으로 교통 체증을 40% 줄이기 위해 이미 시범 운영 하고 있습니다. 머신러닝은 도시들이 단순히 신호등을 프로그래밍하는 수준에서 벗어나 자동차에서 생성된 데이터를 활용해서 프로그래밍한 로직에서 최적의 의사 결정을 내릴 수 있도록 지원합니다.

마지막으로, 머신 비전은 머신러닝을 가장 잘 사용하는 사례들 중 하나입니다. 카메라로 포착된 이미지 데이터와 분류기, 위치 확인 도구, 광학문자 인식 등 이러한 이미지에 적용된 다양한 알고리즘들을 통해 머신 비전 소프트웨어는 부품의 존재 여부, 두 경계선 사이의 폭 측정, 타이어 상의 특정 문자열 파악 등을 수행할 수 있습니다.

코그넥스에서는 머신 비전을 검사 난제를 해결하기 위한 전통적 또는 규칙 기반 방식이라고 부릅니다. 기술적인 알고리즘인 이 규칙은 부품의 가장 자리 두 개를 찾고 이 가장자리 사이의 너비를 결정하는 특정 작업을 프로그래밍하기 위해 인간이 사용하는 소프트웨어 도구입니다. 이런 규칙 기반 방식은 이 범주에 포함되기는 하지만 머신러닝이나 AI라고 생각하지 않습니다.

딥러닝 − 차세대 검사 방식으로의 진화

딥러닝 알고리즘은 기술의 지속적인 발전 덕분에 유명해진 최신 인공 지능 하위 집합입니다. 딥러닝은 머신러닝에서 발전된 기술을 기반으로 하지만 몇 가지 차이가 있습니다.

딥러닝은 컴퓨터 알고리즘으로 작업을 프로그래밍하는 과정을 인간에게 의존하지 않고 인간의 학습을 흉내낸 예제 기반 접근 방식을 통해서 결과에 도달합니다. 딥러닝 기반 검사 애플리케이션은 신경망을 활용함으로써 연결을 수행하고 대규모 데이터 집합에서 패턴을 파악합니다.

예를 들어 생산업체가 생산하는 제품에서 결함을 감지하려고 한다고 생각해 봅시다. 이 문제는 전통적인 머신 비전을 통해서 처리할 수 있을 수도 있습니다. 전통적인 비전 기술에서는 엔지니어들이 발생할 수 있는 수 백가지 변화 - 결함 크기와 유형, 결함의 위치 등 - 에 대처하는 검사를 직접 프로그래밍해야 합니다. 결국 본질적인 변동 때문에 프로그래밍과 유지 모두를 위해 매우 시간이 오래 걸리는 애플리케이션이 될 수 밖에 없습니다.

딥러닝 기반 방식으로 알고리즘은 사용자가 제공하는 예제를 받아서 자동으로 검사 중인 부품을 이해합니다. 이 솔루션은 약간의 변동을 감안해서 우수한 부품은 어떻게 생겼는지 학습하는 검사를 생성함으로써 긁힘, 이물질, 기타 시각적 결함 등으로 결함이 있어 보이는 물체를 표시할 수 있습니다. 그 후에 사용자는 도구가 학습할 더 많은 데이터를 제공함으로써 솔루션을 개선할 수 있습니다. 딥러닝 애플리케이션이 더 많은 데이터를 확보할 수록 시간 경과에 따라 비정상적인 상황을 더 잘 포착할 수 있습니다.

공장 자동화 검사의 미래

인공지능이 여러 회사들이 사용하는 마케팅적 접근 때문에 계속 본질이 가려지는 측면이 있지만 특히 공장 자동화 설정에서는 인공지능이 무엇이고 어떤 일을 할 수 있고 어떤 일은 할 수 없는지 이해하는 것이 중요합니다.

미래에는 이 검사가 예제 기반인지 규칙 기반인지, 아니면 이 두 가지 방식의 조합인지의 여부는 중요하지 않을 수도 있습니다. 그러나 당분간 각 접근 방식은 자체적인 강점과 약점이 있으며 따라서 적절하게 사용되어야 합니다.

예제 기반 및 규칙 기반 검사 사이의 차이에 대해 보다 자세하게 학습하려면 다음 무료 전자책을 다운로드 받으십시오: Deep Learning vs. Machine Vision.

 

추가 게시물 -

제품 지원 및 교육 신청

MyCognex 가입

질문이 있으십니까?

전 세계 어디에서든 코그넥스 담당자들이 여러분의 비전과 산업용 바코드 판독 관련 문제를 지원합니다.

연락처