코그넥스 블로그

알파고가 딥러닝 기반 산업 자동화에 대해 생산업계에 알려 준 것들

alphaGo and deep learning

2016년 봄, 전세계 최고 바둑 기사들 중 한 명인 이세돌은 다섯 게임으로 진행되는 경기에서 자신을 완벽하게 이겼을 뿐만 아니라 지금까지 치뤄온 경기들 중 최고의 승부를 펼치게 되는 경쟁자와 일전을 준비하고 있었습니다.

이 경쟁자는 누구였을까요? 이 경쟁자는 Google DeepMind 팀에서 개발한 알파고라고 부르는 인공 지능 컴퓨터 시스템이었습니다.

바둑은 고대 중국에서 개발된 추상화된 전쟁 형식의 보드 게임으로 그 복잡성은 체스보다 훨씬 높습니다. 바둑판 상에서 일어날 수 있는 경우의 수는 우주 내에 존재하는 원자의 개수보다 더 많으며 바둑계에서는 대부분의 사람들이 컴퓨터가 최고 수준의 인간 기사와 경쟁할 수 있으려면 의사 결정 상의 복잡성 때문에 몇 십년이 지나야 가능할 것이라고 생각했었습니다.

불행하게도 이세돌이 알게 된 것처럼, 컴퓨터는 바둑을 매우 잘 둘 수 있고 경기 수준도 매우 높습니다. 사실 이세돌은 최근 AI가 절대로 물리칠 수 없는 존재라고 이야기하면서 바둑 기사 은퇴를 발표하기도 했습니다.

인간의 직관을 흉내내는 딥러닝

알파고는 딥러닝을 통해 바둑을 두는 방법을 학습했습니다. 먼저 이 컴퓨터 시스템에 게임 데이터를 투입해서 기본적인 움직임과 전략을 학습시킨 후 딥러닝을 이용해서 실제 경기 플레이 데이터를 스스로 학습시켰습니다. 알파고는 신경망 두 개로 구동되었는데 하나는 정책 네트워크 로 다음 번 수를 선택하고, 다른 하나는 가치 네트워크 로 각 위치에서의 경기 승자를 예측합니다.

경기가 진행되면서 알파고의 신경망은 다음번 수는 물론, 최종 승자를 예측하기 위해 조정 및 업데이트됩니다. 각 반복마다 시스템의 성취도가 조금씩 개선되고 셀프 플레이 경기의 품질이 증가하면서 신경망이 점점 더 정교해지고 보다 강한 버전의 알파고로 성장합니다.

이세돌은 테니스의 로저 페더러, 골프의 타이거우즈, 농구의 르브론 제임스와 같은 위대한 스포츠맨과 같은 수준이라고 할 수 있습니다. 이미 널리 알려진 이 알파고와의 경기는 보다 우수한 AI 기반 적수에게 참패한 것이라고 해석하는 사람들이 많습니다. 그러나 동시에 이 경기로 인해 인간 대 기계의 대결을 상상하는 사람들도 많아졌습니다. 이 경기를 보는 또 다른 시각은 양자가 각각 한 번씩 플레이를 하는 방식에서는 중요한 두 번의 결정이 이루어진다는 측면에서, 인공 지능이 인간을 대체하기 보다는 딥러닝과 신경망 같은 도구로 인간을 강화시키는 산업 자동화의 미래라는 시각입니다.

알파고는 제 2국 37수에서 바둑판 오른쪽 위에 어깨짚기 라고 하는 예상하지 못한 수를 두었습니다. 이 수는 일반적인 경기 진행에서는 매우 보기 드문 수였기 때문에 이세돌은 15분 동안 마음을 가다듬었습니다. 해설자는 이 수를 아름답지만, 매우 이상한 수 라서 실수 일 수도 있다고 해설했습니다. 하지만 이 해설자는 컴퓨터가 할 수 있는 정보처리를 할 수 없었을 뿐입니다. 결국 이 수는 10,000가지 경우의 수들 중 완벽하게 이길 수 있는 한 가지 방향이었습니다.

제4국 87수에서 이와 비슷한 상황이 발생했지만 이번에는 이세돌이 컴퓨터를 당황시키기 위해 신의 한수 를 구사했습니다. 알파고는 이 수를 인간이 10,000번 중에 한 번 정도로 선택할 수 있는 경우로 파악했기 때문에 이 수에 대응하지 못해서 오랜 시간을 소비했습니다. 이세돌은 나중에 2국에서 컴퓨터가 펼친 예상하지 못한 한 수 때문에 대국을 보다 잘 파악할 수 있었고 자신의 변칙적인 수를 통해 승리할 수 있었다고 말했습니다.

Christopher Moyer가 The Atlantic에서 언급한 대로, 이 바둑 대국들을 통해 우리가 상기해야 할 중요한 내용은 DeepMind의 AI가 바둑을 정복할 수 있다는 점이 아니라 AI가 바둑보다 더 쉬운, 훨씬 많은 일들을 정복할 수 있으며 인간의 창의성과 직관을 흉내낼 수 있는 기계의 능력에 이러한 혁신적인 발전을 우리가 적용하는 방식은 사실 상 무한하다 는 것입니다.

공장에서의 딥러닝

인간을 이긴 알파고를 움직이는 기술은 동떨어진 미래의 기술이 아닙니다. 이 기술은 이미 현실 속에서 움직이고 있습니다. 물론 자동차, 소비자용 전자 제품, 생명 과학 등과 같은 산업 전반에서 공장 자동화용 딥러닝 및 신경망에 기초한 수많은 검사 애플리케이션이 이미 존재합니다. 부품 결함이나 이상을 인지하는 능력은 공장 내에서 딥러닝 애플리케이션을 적용하는 완벽한 사례라고 볼 수 있습니다.

그리고 알파고가 스스로 성능을 개선하기 위해서 새로운 데이터 스트림을 사용하는 것처럼 공장 자동화 팀은 딥러닝과 연속 데이터 스트림을 활용해서 부품 검사, 최종 확인 어셈블리 공정, 결함 감지, 기타 중요 공장 애플리케이션을 개선할 수 있습니다. 인간은 AI 시스템이 자신을 지원하도록 AI 시스템을 학습시키고 작업을 수행함으로써 생산 분야에서의 다음 번 머신 비전 혁신을 실현하고 있습니다.

알파고를 통해 증명된 것처럼 딥러닝은 인간의 창의성 및 의사결정 능력을, 하루 24시간, 주 7일, 1년 365일 동안 가능한 컴퓨터 시스템의 신뢰성 및 확장성과 결합합니다. AI는 사람들이 보다 효율적으로 일할 수 있도록 하는 도구이지만, 사람들이 가능하다고 생각했던 것보다 더 훌륭하게 일을 수행할 수 있도록 지원할 수 있습니다.

저희 무료 전자책, Machine Vision vs Deep Learning을 통해 복잡한 생산 검사를 해결하기 위해 딥러닝을 활용하는 방법을 학습하십시오.

추가 게시물 -

알파고가 딥러닝 기반 산업 자동화에 대해 생산업계에 알려 준 것들

alphaGo and deep learning

2016년 봄, 전세계 최고 바둑 기사들 중 한 명인 이세돌은 다섯 게임으로 진행되는 경기에서 자신을 완벽하게 이겼을 뿐만 아니라 지금까지 치뤄온 경기들 중 최고의 승부를 펼치게 되는 경쟁자와 일전을 준비하고 있었습니다.

이 경쟁자는 누구였을까요? 이 경쟁자는 Google DeepMind 팀에서 개발한 알파고라고 부르는 인공 지능 컴퓨터 시스템이었습니다.

바둑은 고대 중국에서 개발된 추상화된 전쟁 형식의 보드 게임으로 그 복잡성은 체스보다 훨씬 높습니다. 바둑판 상에서 일어날 수 있는 경우의 수는 우주 내에 존재하는 원자의 개수보다 더 많으며 바둑계에서는 대부분의 사람들이 컴퓨터가 최고 수준의 인간 기사와 경쟁할 수 있으려면 의사 결정 상의 복잡성 때문에 몇 십년이 지나야 가능할 것이라고 생각했었습니다.

불행하게도 이세돌이 알게 된 것처럼, 컴퓨터는 바둑을 매우 잘 둘 수 있고 경기 수준도 매우 높습니다. 사실 이세돌은 최근 AI가 절대로 물리칠 수 없는 존재라고 이야기하면서 바둑 기사 은퇴를 발표하기도 했습니다.

인간의 직관을 흉내내는 딥러닝

알파고는 딥러닝을 통해 바둑을 두는 방법을 학습했습니다. 먼저 이 컴퓨터 시스템에 게임 데이터를 투입해서 기본적인 움직임과 전략을 학습시킨 후 딥러닝을 이용해서 실제 경기 플레이 데이터를 스스로 학습시켰습니다. 알파고는 신경망 두 개로 구동되었는데 하나는 정책 네트워크 로 다음 번 수를 선택하고, 다른 하나는 가치 네트워크 로 각 위치에서의 경기 승자를 예측합니다.

경기가 진행되면서 알파고의 신경망은 다음번 수는 물론, 최종 승자를 예측하기 위해 조정 및 업데이트됩니다. 각 반복마다 시스템의 성취도가 조금씩 개선되고 셀프 플레이 경기의 품질이 증가하면서 신경망이 점점 더 정교해지고 보다 강한 버전의 알파고로 성장합니다.

이세돌은 테니스의 로저 페더러, 골프의 타이거우즈, 농구의 르브론 제임스와 같은 위대한 스포츠맨과 같은 수준이라고 할 수 있습니다. 이미 널리 알려진 이 알파고와의 경기는 보다 우수한 AI 기반 적수에게 참패한 것이라고 해석하는 사람들이 많습니다. 그러나 동시에 이 경기로 인해 인간 대 기계의 대결을 상상하는 사람들도 많아졌습니다. 이 경기를 보는 또 다른 시각은 양자가 각각 한 번씩 플레이를 하는 방식에서는 중요한 두 번의 결정이 이루어진다는 측면에서, 인공 지능이 인간을 대체하기 보다는 딥러닝과 신경망 같은 도구로 인간을 강화시키는 산업 자동화의 미래라는 시각입니다.

알파고는 제 2국 37수에서 바둑판 오른쪽 위에 어깨짚기 라고 하는 예상하지 못한 수를 두었습니다. 이 수는 일반적인 경기 진행에서는 매우 보기 드문 수였기 때문에 이세돌은 15분 동안 마음을 가다듬었습니다. 해설자는 이 수를 아름답지만, 매우 이상한 수 라서 실수 일 수도 있다고 해설했습니다. 하지만 이 해설자는 컴퓨터가 할 수 있는 정보처리를 할 수 없었을 뿐입니다. 결국 이 수는 10,000가지 경우의 수들 중 완벽하게 이길 수 있는 한 가지 방향이었습니다.

제4국 87수에서 이와 비슷한 상황이 발생했지만 이번에는 이세돌이 컴퓨터를 당황시키기 위해 신의 한수 를 구사했습니다. 알파고는 이 수를 인간이 10,000번 중에 한 번 정도로 선택할 수 있는 경우로 파악했기 때문에 이 수에 대응하지 못해서 오랜 시간을 소비했습니다. 이세돌은 나중에 2국에서 컴퓨터가 펼친 예상하지 못한 한 수 때문에 대국을 보다 잘 파악할 수 있었고 자신의 변칙적인 수를 통해 승리할 수 있었다고 말했습니다.

Christopher Moyer가 The Atlantic에서 언급한 대로, 이 바둑 대국들을 통해 우리가 상기해야 할 중요한 내용은 DeepMind의 AI가 바둑을 정복할 수 있다는 점이 아니라 AI가 바둑보다 더 쉬운, 훨씬 많은 일들을 정복할 수 있으며 인간의 창의성과 직관을 흉내낼 수 있는 기계의 능력에 이러한 혁신적인 발전을 우리가 적용하는 방식은 사실 상 무한하다 는 것입니다.

공장에서의 딥러닝

인간을 이긴 알파고를 움직이는 기술은 동떨어진 미래의 기술이 아닙니다. 이 기술은 이미 현실 속에서 움직이고 있습니다. 물론 자동차, 소비자용 전자 제품, 생명 과학 등과 같은 산업 전반에서 공장 자동화용 딥러닝 및 신경망에 기초한 수많은 검사 애플리케이션이 이미 존재합니다. 부품 결함이나 이상을 인지하는 능력은 공장 내에서 딥러닝 애플리케이션을 적용하는 완벽한 사례라고 볼 수 있습니다.

그리고 알파고가 스스로 성능을 개선하기 위해서 새로운 데이터 스트림을 사용하는 것처럼 공장 자동화 팀은 딥러닝과 연속 데이터 스트림을 활용해서 부품 검사, 최종 확인 어셈블리 공정, 결함 감지, 기타 중요 공장 애플리케이션을 개선할 수 있습니다. 인간은 AI 시스템이 자신을 지원하도록 AI 시스템을 학습시키고 작업을 수행함으로써 생산 분야에서의 다음 번 머신 비전 혁신을 실현하고 있습니다.

알파고를 통해 증명된 것처럼 딥러닝은 인간의 창의성 및 의사결정 능력을, 하루 24시간, 주 7일, 1년 365일 동안 가능한 컴퓨터 시스템의 신뢰성 및 확장성과 결합합니다. AI는 사람들이 보다 효율적으로 일할 수 있도록 하는 도구이지만, 사람들이 가능하다고 생각했던 것보다 더 훌륭하게 일을 수행할 수 있도록 지원할 수 있습니다.

저희 무료 전자책, Machine Vision vs Deep Learning을 통해 복잡한 생산 검사를 해결하기 위해 딥러닝을 활용하는 방법을 학습하십시오.

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