지난 몇 년 동안 전 세계는 인공 지능(AI)에 대한 관심이 폭발적으로 증가했습니다. 한때 SF 장르에만 국한되었던 개념이었던 AI는 일상 생활의 일부가 되었습니다. 우리는 뉴스에서 항상 그것에 대해 읽고 Uptown Funk의 선율에 맞춰 춤추는 무서운 로봇의 비디오를 봅니다. , 그리고 AI 애플리케이션이 일상 생활의 가장 예상치 못한 영역까지 어떻게 침투하고 있는지 들어보세요. 하지만 과장입니까?
그것은 수. Gartner's Hype Cycle for Emerging Technologies에 따르면 AI PaaS(Platform as a Service), 인공 일반 지능, 자율 주행, 딥 러닝을 포함한 민주화된 AI 트렌드는 모두 곡선의 다양한 지점에 있으며 Deep Neural Nets가 정점에 있습니다. 부풀려진 기대. 그러나 우리는 이미 매일 AI의 혜택을 받고 있습니다. Siri에서 Cortana, Alexa에 이르기까지 이제 스마트 비서와 대화할 수 있습니다. Google의 AI 기반 검색 엔진에서 Instagram 필터에 이르기까지, 우리는 이제 우리의 요구에 더 빠르고 관련성 높은 응답의 편리함을 누리고 있습니다. AI 혁신이 번창하고 있는 중국에서는 Face++의 안면 인식 기술과 같은 회사가 은행의 즉석 ID 인증을 지원하는 반면 TikTok과 같은 앱은 수백만 명의 십대에게 짧은 동영상을 제공합니다(실제로 그렇게 하는 데 상당한 논란이 있음).
나는 개인적으로 약간의 과장된 기대와 비즈니스가 있지만 AI가 미래입니다라고 믿습니다. . 저는 기술 혁명에 참여할 수 있는 일생에 한 번뿐인 기회를 포착하기 위해 초기 단계의 AI 스타트업을 설립했습니다. 전 VC 투자자로서 저는 AI에 대한 투자 기회를 지속적으로 찾고 있습니다. 따라서 나는 그 공간을 둘러싼 부정할 수 없는 소음에도 불구하고 AI 투자의 엄청난 급증도 정당하다고 믿습니다.
그러나 이것을 염두에 두고, 특히 투자 커뮤니티 사이에 이해의 격차가 여전히 크다는 사실에 놀랐습니다. 투자자들은 일에 돈을 투자하고 싶어하지만, 제 생각에는 이 분야에서 효과적인 투자자가 되기 위해 필요한 중요한 기본 지식이 부족한 경우가 많습니다. 따라서 이 기사의 목적은 이 흥미로운 분야에 투자하는 데 관심이 있는 사람들에게 유용한 컨텍스트와 정보를 공유하고 제공하는 것입니다. 다루는 주제의 폭을 감안할 때 제 생각을 두 부분으로 나누었습니다. 첫 번째 부분은 AI 여정을 시작하기 위해 알아야 할 몇 가지 필수 요소(101가지 종류)에 대해 논의하는 것이었습니다. 이 시리즈의 두 번째 부분은 보다 실용적이며 AI 투자를 평가하는 방법과 다양한 투자 방법에 대해 더 깊이 있게 다룰 것입니다.
주의 이 게시물은 기술적인 내용이 아닙니다. 투자자와 광범위한 금융 커뮤니티, 따라서 비기술적인 독자를 대상으로 합니다.
실제로 AI에 대한 정의는 여러 가지가 있으므로 정의하라는 요청을 받을 때 저는 종종 기본적으로 오래된 Wikipedia를 사용합니다. 비기술적 독자에게는 만족스러운 정의를 제공한다고 생각합니다.
<블록 인용>기계 지능이라고도 하는 인공 지능(AI)은 인간과 다른 동물이 보여주는 자연 지능과 달리 기계가 보여주는 지능입니다.
즉, 비자연 지능은 달성 방법에 관계없이 "인공" 지능입니다. AI를 달성하는 데 사용되는 기술에는 if-then 규칙, 논리, 의사 결정 트리, 회귀 및 딥 러닝을 포함한 머신 러닝이 포함됩니다. AI가 어떻게 작동하는지 설명하기 위해 제가 가장 좋아하고 재미있는 도구 중 하나는 컴퓨터가 Super Mario를 플레이하는 방법을 배우는 방법에 대한 동영상입니다.
AI에 대해 이야기할 때 항상 AI, 머신 러닝, 딥 러닝이라는 세 가지 핵심 용어를 듣게 될 것입니다. 때때로 서로 바꿔서 사용되지만 다릅니다. 간단히 말해서 기계 학습은 AI에서 사용되는 기술의 하위 집합입니다. 딥 러닝은 머신 러닝에 사용되는 기술의 하위 집합입니다. .
Nvidia 블로그는 세 가지 용어 사이의 관계를 잘 요약하고 있습니다. 또한 AI 개발의 세 가지 흐름에 대한 편리한 개요를 제공합니다. AI의 첫 번째 물결은 50년대와 60년대에 있었고 IBM 701이 체커 마스터 Robert Nealey를 상대로 체커 게임에서 승리한 것과 같은 첫 번째 주요 이정표를 보았습니다. 80년대와 90년대에 Deep Blue는 Chess에서 인간 마스터 Kasparov를 이겼습니다. 2016년 3월 알파고는 바둑 1위 이세돌을 이겼다. AI가 게임에서 인간 마스터를 이길 때마다 AI에 대한 새로운 과대 광고 무대가 촉발되었습니다. 그러면 기술이 대중의 기대에 부응하는 애플리케이션을 제공할 수 없었기 때문에 AI에 대한 과대 광고는 투자와 연구 보조금이 줄어들면서 AI 겨울로 바뀔 것입니다.
앞서 언급했듯이 머신 러닝은 AI의 하위 집합입니다. Nvidia에 따르면 머신 러닝의 가장 기본적인 것은 "알고리즘을 사용하여 데이터를 구문 분석하고, 데이터에서 학습한 다음 세상의 무언가에 대해 결정하거나 예측하는 방식입니다. 따라서 특정 작업을 수행하기 위해 특정 명령 세트로 소프트웨어 루틴을 수동으로 코딩하는 대신, 기계는 작업 수행 방법을 학습할 수 있는 능력을 제공하는 대량의 데이터와 알고리즘을 사용하여 '훈련'됩니다.” 기계 학습의 가장 일반적인 예는 스팸 필터입니다. Google의 스팸 필터는 "프린스", "나이지리아", "럭셔리 시계"와 같은 트리거 단어를 식별하여 스팸을 인식할 수 있습니다. 또한 사용자의 수동 스팸 분류에서 계속 "학습"할 수 있습니다. 예를 들어, "이 독점적인 항암제를 다음 은행 계좌로 받으려면 $1000를 보내십시오"라는 메시지가 포함된 이메일이 Google의 스팸 필터에 의해 누락되었습니다. 사용자가 스팸으로 분류하면 Gmail은 해당 이메일의 모든 키워드를 분석하고 앞으로 "$1000", "약물" 및 "은행 계좌"의 조합이 포함된 이메일을 스팸으로 취급하도록 "학습"합니다. 기계 학습을 수행하기 위해 전문가가 사용하는 많은 수학적 모델이 있습니다. 회귀, 물류, 베이지안 네트워크, 클러스터링.
AI의 이러한 물결은 딥 러닝의 인기에 의해 주도됩니다. . 머신 러닝의 하위 집합으로서 딥 러닝은 최근에 발명되지 않았습니다. 실제로 Wikipedia에 따르면 "1965년 Alexey Ivakhnenko와 Lapa가 지도, 심층, 피드포워드, 다층 퍼셉트론을 위한 최초의 일반 작업 학습 알고리즘을 발표했습니다." 그러나 컴퓨팅 성능과 데이터가 딥 러닝 기술의 대량 상용 응용을 지원할 만큼 충분히 발전하지 않았기 때문에 Geoffrey Hinton et al이 “A Fast Learning Algorithm for Deep Belief 그물.” 90년대 AI 겨울과 2000년대 전반기에도 불구하고 딥러닝의 3대 학자인 Geoffrey Hinton, Yann LeCun, Yoshua Bengio를 비롯한 몇몇 학자들은 학문 분야에서 딥러닝을 계속 연구하고 있습니다. 예를 들어, 클라우드 컴퓨팅 및 GPU와 같은 컴퓨팅 성능의 급격한 발전과 디지털 경제를 통한 빅 데이터의 가용성으로 인해 지난 10년 동안 딥 러닝 알고리즘을 구현할 수 있게 되었습니다. 예를 들어, Google의 자율주행 자동차 연구는 2009년에 시작되었습니다.
기술적으로 말하면 딥 러닝은 "다음을 수행하는 머신 러닝 알고리즘의 클래스:
핵심은 기존 기계 학습과 비교하여 "다중 계층"입니다. 예를 들어 고양이와 개를 어떻게 구별할 수 있습니까? 머신 러닝을 사용한다면 두 개의 귀, 털이 많은 얼굴, 눈과 코와 입 사이의 거리 등과 같이 개와 고양이 모두에게 공통적인 몇 가지 특징을 추출할 수 있습니다. 그리고 다음과 같은 결과를 얻을 수 있습니다. 사진은 50% 개, 50% 고양이입니다. 별로 유용하지 않습니다. 그러나 딥 러닝을 사용하면 고양이와 개의 구별되는 특징이 무엇인지조차 모릅니다. 정확한 출력 - 예. 개 90%, 고양이 10%. 아래 두 차트는 신경망이 "학습"하는 방법과 기존 기계 학습과 신경망의 차이점을 보여줍니다.
독자는 위의 내용을 읽은 후 머리를 긁적일 수 있습니다. 그러나 원래 목적으로 돌아가서:투자자의 관점에서 딥 러닝의 특별한 점은 무엇입니까? 이 질문에 대한 다양한 복잡한 기술 설명으로 답할 수 있지만, 간단히 말해서 왼쪽 아래의 그래프는 이를 명확하게 하는 데 큰 역할을 합니다. 딥 러닝은 다른 학습 알고리즘보다 훨씬 더 강력한 성능을 허용합니다. Microsoft 블로그(오른쪽 아래 차트)에 자세히 설명된 음성 인식의 예를 살펴보겠습니다. 원래 1988년 음성 인식 오류율은 60-70%인 반면 딥 러닝을 사용하는 새로운 Microsoft 시스템은 2014년에 6.3%에 불과했습니다.
저는 머신 러닝(딥 러닝 포함) 제품의 성공에 4가지 핵심 구성요소가 있다고 믿습니다:잘 정의된 바람직한 문제, 데이터, 알고리즘 및 컴퓨팅 성능 .
무엇보다도, AI 애플리케이션은 잘 정의된(구체적인) 바람직한(긴급하고 명확한 고객 불만 사항을 대상으로 하는) 문제를 해결해야 합니다. . 컴퓨터가 AI의 3가지 다른 물결(체커, 체스, 바둑)을 통해 하도록 배웠던 다른 게임에 대해 생각해 보십시오. 그것들은 매우 잘 정의된 문제였고 따라서 컴퓨터가 풀기 더 쉬웠습니다. 안면 인식, 기계 번역, 무인 자동차, 검색 엔진 최적화는 모두 바람직한 문제로 잘 정의되어 있습니다. 그러나 잘 정의된 바람직한 문제가 없기 때문에 예를 들어 일반 집 청소 로봇을 생산하기가 어렵습니다. 간단한 집안일, 예:컵을 모으고 세탁물을 바구니에 담는 것은 너무 많은 문제를 해결해야 합니다. 예를 들어, 어떤 물건을 집어야 하는지(컵, 더러운 세탁물, 깨끗하지 않은 세탁물 등), 어디로 가야 하는지, 어떻게 가야 하는지(가정의 장애물을 피하고 원하는 장소로 이동)를 식별하는 기계가 필요합니다. 위치), 컵이나 세탁물이 깨지지 않도록 원하는 힘으로 각 물체를 다루기 등
둘째, 기계 학습 알고리즘을 개발하려면 깨끗하고 레이블이 잘 지정된 데이터에 액세스해야 합니다. . 이는 이러한 알고리즘이 서로 다른 통계 모델에 레이블이 잘 지정된 대량의 데이터를 제공하여 필요한 예측 관계를 설정함으로써 구축되기 때문입니다. 이 데이터 수집 작업은 개발 중인 상용 응용 프로그램에 따라 어려울 수도 쉬울 수도 있습니다. 예를 들어, 와인 포도 밭에 대한 컴퓨터 비전 알고리즘을 개발하는 데 필요한 데이터를 수집하기 위해 내 스타트업은 다른 품종과 더 어려운 스틸(다른 계절)이 있는 여러 위치의 현장 이미지가 필요했습니다. 각 시즌이 1년이기 때문에 만족스러운 제품을 얻기까지 몇 년이 걸릴 것입니다. 대조적으로 중국에서 좋은 얼굴 인식 알고리즘을 개발하려면 예를 들어 천만 개의 이미지, 베이징의 번화한 거리에 일주일 동안 카메라를 설치하면 작업이 완료됩니다. 또 다른 예는 중국의 1위 AI 기반 맞춤형 뉴스 수집기인 Toutiao입니다. 이 서비스는 개인 뉴스 선호도에 대해 학습하고 가장 관련성이 높은 뉴스만 보여줍니다. 이 경우 데이터를 수집하는 것이 훨씬 더 쉽습니다. 각 뉴스 카테고리에서 읽은 기사 수, 각 기사에서 보낸 시간 등
셋째, AI 비즈니스는 강력하고 확장 가능한 알고리즘을 개발해야 합니다. . 이를 달성하기 위해 세 가지 필수 요소가 있습니다. 레이블이 잘 지정된 대량의 데이터(위에서 논의한 대로), 올바른 인재, 딥 러닝이 문제를 해결하는 올바른 기술이라는 확신입니다. AI 비즈니스는 필요한 알고리즘을 개발하기 위해 적절한 인재를 보유해야 하지만 고도로 전문화되고 비용이 많이 들고 희소합니다. 예를 들어, 제가 스타트업을 위해 고용하려고 할 때 최소한 알고리즘 프로토타입을 개발하려면 데이터 과학자(보통 박사), 프레임워크를 설계하려면 엔지니어, 코딩하려면 프로그래머(TensorFlow, Python, C++ 등)가 필요하다는 것을 발견했습니다. 확장 가능한 프로그램으로 만들고 사람들이 그것들을 함께 묶습니다(제품 관리자, UX, UI 등).
또 다른 고려 사항은 컴퓨팅 성능입니다. . 왜요? 딥 러닝 신경망은 다른 AI 방법보다 훨씬 더 많은 계산이 필요하기 때문입니다. 예를 들어, 이미지에서 개를 식별하는 동일한 작업의 경우 비 딥 러닝 알고리즘을 사용하여 모델을 훈련하려면 1GB의 데이터 세트가 있는 경우 10개의 통계 모델이 필요할 수 있습니다. 심층 신경망 모델에는 100GB의 데이터 세트를 통해 실행되는 1000개의 통계 모델이 필요할 수 있습니다. 결과는 네트워크를 사용하는 것이 더 좋지만 필요한 계산 능력은 훨씬 더 큽니다. 결과적으로 이러한 모델에는 개인용 컴퓨터에서 수행하는 것과 같은 한 대의 컴퓨터가 필요하지만 각 GPU가 계산의 5%를 처리하는 분산 컴퓨팅이 필요하므로 20개의 GPU가 함께 필요한 계산 볼륨을 처리할 수 있습니다. 이는 다시 자체 GPU 클러스터 서버를 구축하거나 AWS와 같은 플랫폼에서 컴퓨팅 성능을 임대해야 함을 의미합니다. 공평하게 컴퓨팅의 단위 비용은 지속적으로 감소해야 하지만(무어의 법칙에 따라) 클라우드 컴퓨팅 또는 자체 서버의 컴퓨팅 성능은 비용이 많이 듭니다.
많은 산업과 소비자 인터넷의 디지털화로 인해 의도적으로 수집되고 깔끔하게 정리된 디지털 데이터가 대량으로 제공되기 때문에 지금이 AI 혁신과 신생 기업을 보기에 가장 좋은 시기라고 생각하는 사람이 많습니다. Nvidia의 GPU와 Intel의 FPGA의 개발로 필요한 계산을 훨씬 저렴하고 빠르게 수행할 수 있습니다. 따라서 현재 AI 혁신의 물결은 딥 러닝의 중요한 발전에 의해 주도됩니다. .
그러나 AI 응용 프로그램이 성공하려면 잘 정의된 바람직한 문제, 데이터, 알고리즘 및 상당한 컴퓨팅 성능이 필요합니다. AI를 사용하여 비즈니스 역량을 강화하는 것을 고려하는 이 기사를 읽는 경영진의 경우 위에서 언급한 4가지 핵심 구성 요소도 적용됩니다.
AI에 대해 더 자세히 알아보려면 어떻게 해야 하나요? AI에 대해 배울 수 있는 책, 세미나, Coursera 코스, 연구 논문 및 Deep Learning과 같은 조직이 많이 있습니다. 이 기사의 초점은 AI의 기초를 알고 싶어하는 투자자를 위한 것이기 때문에 위협으로서의 AI의 잠재력, 업계의 미래 전망, AI 투자, 장점과 같은 AI의 뜨거운 주제는 많이 다루지 않았습니다. 다양한 알고리즘(예:CNN)의 단점, 프로토타입 대 확장, 주요 프로그래밍 언어 등. 이 시리즈의 2부에서는 투자자의 관점에서 AI 기업을 평가하는 방법에 대해 알아볼 것입니다.