3. • 사람의 손이 아닌 기계가 알아서 하면 인공지능이다.
• 전문가의 지식을 하드코딩 할 수도 있고(전문가 시스템)
• 데이터에서 로직을 찾을 수도 있다.(머신러닝)
인공지능(AI; Artificial Intelligence)
4. • 인공지능의 한 분야
• 데이터에서 가치를 찾아내는 것
• 아주 다양한 방법이 있다.
• SVM, 의사결정트리, Random Forest, Bayesian, K-Means Clustering,
K-NN, Neural Network
머신러닝(ML; Machine Learning)
5. • 신경망(NN; Neural Network)을 사용한 머신러닝 방법
• 신경망의 은닉층이 많아서(deep) DNN(Deep NN)이라 부른다
딥러닝(DL; Deep Learning)
28. • 장점 : 대상 함수의 내부를 몰라도 된다.
• 단점 : 비싸다
• 많은 데이터, 많은 연산량
딥러닝 장단점
29. • 기존의 방법으로 이미 풀린 문제는 ML
• 기존의 방법으로 못풀었는데 데이터가 있으면 DL
• 바둑, 얼굴인식, 물체인식, 음성인식, 번역
ML과 DL의 선택
30. model = build_model() // 모델 구성
for i in range(1000): // 모든 데이터에 대하여 1000번 반복
model.fit(datas)
model.save(‘my_model.h5’) // 저장. 파일 크기는 보통 100메가
단위
model = load(’my_model.h5’) // 저장된 모델 로딩
predicted = model.predict(input) // 예측 실행
딥러닝 실제 코드
31. • 2대 적용 분야 : 자연어, 영상
• 일부 작업은 이미 안정화 단계에 있다.
• 영상분류, 영상인식
• Keras의 배포본에 포함
딥러닝 트렌드
model = keras.vgg16.VGG16()
predicted = model.predict(image_data)
32. • 입출력 데이터 쌍을 구하기 어렵다.
• 특히 출력 데이터. 레이블링 데이터(labeling data)
딥러닝의 큰 단점
33. • 레이블링 데이터 문제를 해결하기 위한.
• 비지도 학습 : 모델 구조를 통해 레이블링 데이터 없이. GAN
• 강화 학습 : 환경과 동적으로 연동하여 레이블링 데이터를 취득.
비지도 학습, 강화 학습
34.
35. • 제어값을 입력으로 하고, PUE*를 출력으로 하여 학습
• 실제 데이터 사용
DNN 적용
*PUE(Power Usage Effectiveness) : 에너지 사용 효율도
42. • on/off의 binary 데이터
• 반복된 공정이고, 이로 인해 주기성이 있다.
• 센서들 사이에 순서가 있고, 의존성이 있다.
PLC 센서 데이터
43. • 딥러닝으로 순간정지를 예측하고 싶다.
• 그런데 데이터가 없다.
순간 정지 데이터의 분재
DNN
순간
정지
PLC
데이터
44. • 주기성 데이터는 신경망으로 학습이 잘된다.
• 노이즈가 섞였어도
노이즈 섞인 주기성 데이터 학습
45. • 실제 데이터는 노이즈(순간정지)가 많이 섞여 있다. 20% 이상
• 과거 40개를 입력으로 하고 이후 1개를 예측 한다.
주기성 데이터 학습
46. • 1개 뒤의 데이터를 예측할 수 있다.
• 실제 데이터와 예측된 값이 다르면 순간정지가 발생한 것이다.
학습된 모델
47.
48. • 수많은 센서들. 4000개 이상
• 어떤 센서가 순간정지에 영향을 끼쳤는 지 모름.
• 해당 센서를 탐지 가능하면, 미리 조치하고 발생을 방지할 수
있다.
순간 정지 원인 탐지
49. • 신호(출력과 관계를 갖는 입력 부분)이 동일하다면, 학습된
DNN의 출력은 모두 동일할 것이다.
• 다음 이미지는 모두 동일한 신호(고양이). 노이즈(배경)만 다르
다.
• 출력이 동일하도록 유지하면서 입력값을 억제하면, 신호만(고
양이 부분만) 추릴 수 있다.
신호와 노이즈
50. • 학습 완료후에, 입력 값 자체를 작게하는 다음의 cost function
을 주어 입력을 업데이트 한다.
• DNN의 학습이 아닌, 입력을 변경시킨다.
방법
51. • 특정 패턴의 존재여부를 학습
• 학습이 완료 된후 많은 패턴들 중에서 대상만 추출할 수 있다.
결과
52.
53. • 대표적 비지도 학습
• Generator, Discriminator 2개의 DNN을 엮은 구조의 모델
• 월 500개의 논문 발표
GAN(Generative Adversarial Network)