You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
164 lines
13 KiB
164 lines
13 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
|
|
"translation_date": "2025-09-05T10:49:35+00:00",
|
|
"source_file": "1-Introduction/2-history-of-ML/README.md",
|
|
"language_code": "ko"
|
|
}
|
|
-->
|
|
# 머신 러닝의 역사
|
|
|
|
|
|
> 스케치노트: [Tomomi Imura](https://www.twitter.com/girlie_mac)
|
|
|
|
## [강의 전 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/N6wxM4wZ7V0 "초보자를 위한 머신 러닝 - 머신 러닝의 역사")
|
|
|
|
> 🎥 위 이미지를 클릭하면 이 강의를 다루는 짧은 영상을 볼 수 있습니다.
|
|
|
|
이 강의에서는 머신 러닝과 인공지능의 역사에서 주요 이정표를 살펴봅니다.
|
|
|
|
인공지능(AI) 분야의 역사는 머신 러닝의 역사와 밀접하게 얽혀 있습니다. 머신 러닝을 뒷받침하는 알고리즘과 계산적 발전이 AI의 개발로 이어졌기 때문입니다. 이 두 분야가 독립적인 연구 영역으로 구체화되기 시작한 것은 1950년대이지만, 중요한 [알고리즘적, 통계적, 수학적, 계산적, 기술적 발견](https://wikipedia.org/wiki/Timeline_of_machine_learning)은 이 시기 이전에도 존재했으며, 이 시기와 겹치기도 했습니다. 사실, 사람들은 [수백 년 동안](https://wikipedia.org/wiki/History_of_artificial_intelligence) '생각하는 기계'라는 아이디어에 대해 고민해 왔습니다. 이 글은 '생각하는 기계'라는 개념의 역사적 지적 기반을 논의합니다.
|
|
|
|
---
|
|
## 주목할 만한 발견들
|
|
|
|
- 1763, 1812 [베이즈 정리](https://wikipedia.org/wiki/Bayes%27_theorem)와 그 선구자들. 이 정리와 그 응용은 사전 지식을 바탕으로 사건이 발생할 확률을 설명하는 추론의 기초를 제공합니다.
|
|
- 1805 [최소제곱법](https://wikipedia.org/wiki/Least_squares) 프랑스 수학자 Adrien-Marie Legendre에 의해 개발됨. 이 이론은 회귀 단원에서 배우게 될 데이터 적합에 도움을 줍니다.
|
|
- 1913 [마르코프 체인](https://wikipedia.org/wiki/Markov_chain), 러시아 수학자 Andrey Markov의 이름을 딴 것으로, 이전 상태를 기반으로 가능한 사건의 연속을 설명합니다.
|
|
- 1957 [퍼셉트론](https://wikipedia.org/wiki/Perceptron), 미국 심리학자 Frank Rosenblatt이 발명한 선형 분류기의 일종으로, 딥러닝 발전의 기초가 됩니다.
|
|
|
|
---
|
|
|
|
- 1967 [최근접 이웃](https://wikipedia.org/wiki/Nearest_neighbor), 원래 경로를 매핑하기 위해 설계된 알고리즘. 머신 러닝에서는 패턴을 감지하는 데 사용됩니다.
|
|
- 1970 [역전파](https://wikipedia.org/wiki/Backpropagation), [피드포워드 신경망](https://wikipedia.org/wiki/Feedforward_neural_network)을 훈련하는 데 사용됩니다.
|
|
- 1982 [순환 신경망](https://wikipedia.org/wiki/Recurrent_neural_network), 피드포워드 신경망에서 파생된 인공 신경망으로, 시간적 그래프를 생성합니다.
|
|
|
|
✅ 조금 더 조사해 보세요. 머신 러닝과 AI의 역사에서 중요한 다른 날짜는 무엇인가요?
|
|
|
|
---
|
|
## 1950: 생각하는 기계
|
|
|
|
Alan Turing은 2019년 [대중 투표](https://wikipedia.org/wiki/Icons:_The_Greatest_Person_of_the_20th_Century)에서 20세기의 가장 위대한 과학자로 선정된 놀라운 인물로, '생각할 수 있는 기계'라는 개념의 기초를 마련한 공로를 인정받고 있습니다. 그는 이 개념에 대한 경험적 증거를 얻기 위해 [튜링 테스트](https://www.bbc.com/news/technology-18475646)를 만들었으며, 이는 NLP 강의에서 탐구하게 될 것입니다.
|
|
|
|
---
|
|
## 1956: 다트머스 여름 연구 프로젝트
|
|
|
|
"다트머스 여름 연구 프로젝트는 인공지능 분야의 획기적인 사건이었으며, 여기서 '인공지능'이라는 용어가 처음 만들어졌습니다." ([출처](https://250.dartmouth.edu/highlights/artificial-intelligence-ai-coined-dartmouth))
|
|
|
|
> 학습의 모든 측면이나 지능의 다른 특징은 원칙적으로 매우 정확하게 설명될 수 있으며, 이를 통해 기계가 이를 모방하도록 만들 수 있습니다.
|
|
|
|
---
|
|
|
|
수석 연구자인 수학 교수 John McCarthy는 "학습의 모든 측면이나 지능의 다른 특징은 원칙적으로 매우 정확하게 설명될 수 있으며, 이를 통해 기계가 이를 모방하도록 만들 수 있다"는 가설을 바탕으로 연구를 진행하기를 희망했습니다. 참가자들 중에는 이 분야의 또 다른 거장인 Marvin Minsky도 포함되어 있었습니다.
|
|
|
|
이 워크숍은 "상징적 방법의 부상, 제한된 도메인에 초점을 맞춘 시스템(초기 전문가 시스템), 연역적 시스템 대 귀납적 시스템"을 포함한 여러 논의를 시작하고 장려한 것으로 평가받고 있습니다. ([출처](https://wikipedia.org/wiki/Dartmouth_workshop))
|
|
|
|
---
|
|
## 1956 - 1974: "황금기"
|
|
|
|
1950년대부터 70년대 중반까지, AI가 많은 문제를 해결할 수 있을 것이라는 낙관론이 높았습니다. 1967년 Marvin Minsky는 "한 세대 안에 ... '인공지능'을 만드는 문제는 실질적으로 해결될 것이다"고 자신 있게 말했습니다. (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
|
|
|
|
자연어 처리 연구가 번성했고, 검색이 정교해지고 강력해졌으며, '마이크로월드'라는 개념이 만들어져 간단한 작업이 평범한 언어 지시를 사용해 완료될 수 있었습니다.
|
|
|
|
---
|
|
|
|
정부 기관의 연구 자금이 풍부했고, 계산과 알고리즘에서 진보가 이루어졌으며, 지능형 기계의 프로토타입이 만들어졌습니다. 이러한 기계들 중 일부는 다음과 같습니다:
|
|
|
|
* [Shakey 로봇](https://wikipedia.org/wiki/Shakey_the_robot), '지능적으로' 작업을 수행하는 방법을 결정하고 이동할 수 있었습니다.
|
|
|
|
|
|
> 1972년의 Shakey
|
|
|
|
---
|
|
|
|
* Eliza, 초기 '채터봇'으로 사람들과 대화하고 원시적인 '치료사' 역할을 할 수 있었습니다. NLP 강의에서 Eliza에 대해 더 배우게 될 것입니다.
|
|
|
|
|
|
> Eliza의 한 버전, 채터봇
|
|
|
|
---
|
|
|
|
* "블록스 월드"는 블록을 쌓고 정렬할 수 있는 마이크로월드의 예로, 기계가 결정을 내리는 방법을 가르치는 실험이 테스트될 수 있었습니다. [SHRDLU](https://wikipedia.org/wiki/SHRDLU)와 같은 라이브러리를 사용한 발전은 언어 처리를 더욱 발전시켰습니다.
|
|
|
|
[](https://www.youtube.com/watch?v=QAJz4YKUwqw "SHRDLU와 함께하는 블록스 월드")
|
|
|
|
> 🎥 위 이미지를 클릭하면 영상: SHRDLU와 함께하는 블록스 월드를 볼 수 있습니다.
|
|
|
|
---
|
|
## 1974 - 1980: "AI 겨울"
|
|
|
|
1970년대 중반까지 '지능형 기계'를 만드는 복잡성이 과소평가되었고, 사용 가능한 컴퓨팅 능력으로 인해 그 약속이 과장되었다는 것이 명백해졌습니다. 자금이 고갈되고 이 분야에 대한 신뢰가 감소했습니다. 신뢰에 영향을 미친 몇 가지 문제는 다음과 같습니다:
|
|
---
|
|
- **제한 사항**. 컴퓨팅 능력이 너무 제한적이었습니다.
|
|
- **조합 폭발**. 컴퓨터에 더 많은 것을 요구할수록 훈련해야 할 매개변수의 양이 기하급수적으로 증가했지만, 컴퓨팅 능력과 역량은 병행하여 발전하지 않았습니다.
|
|
- **데이터 부족**. 알고리즘을 테스트, 개발 및 개선하는 과정을 방해하는 데이터 부족이 있었습니다.
|
|
- **우리가 올바른 질문을 하고 있는가?**. 연구자들이 접근 방식에 대해 비판을 받기 시작하면서, 제기된 질문 자체가 의문시되었습니다:
|
|
- 튜링 테스트는 '중국어 방 이론'을 포함한 여러 아이디어를 통해 의문을 제기받았습니다. 이 이론은 "디지털 컴퓨터를 프로그래밍하면 언어를 이해하는 것처럼 보일 수 있지만 실제 이해를 생성할 수는 없다"고 주장했습니다. ([출처](https://plato.stanford.edu/entries/chinese-room/))
|
|
- ELIZA와 같은 인공지능을 사회에 도입하는 윤리가 도전받았습니다.
|
|
|
|
---
|
|
|
|
동시에 다양한 AI 학파가 형성되기 시작했습니다. ["지저분한 AI vs. 깔끔한 AI"](https://wikipedia.org/wiki/Neats_and_scruffies) 관행 간의 이분법이 확립되었습니다. _지저분한_ 연구소는 원하는 결과를 얻을 때까지 프로그램을 몇 시간 동안 조정했습니다. _깔끔한_ 연구소는 "논리와 공식적인 문제 해결"에 초점을 맞췄습니다. ELIZA와 SHRDLU는 잘 알려진 _지저분한_ 시스템이었습니다. 1980년대에는 ML 시스템을 재현 가능하게 만들려는 수요가 증가하면서, 결과가 더 설명 가능한 _깔끔한_ 접근 방식이 점차 주류로 자리 잡았습니다.
|
|
|
|
---
|
|
## 1980년대 전문가 시스템
|
|
|
|
이 분야가 성장함에 따라 비즈니스에 대한 이점이 명확해졌고, 1980년대에는 '전문가 시스템'의 확산도 이루어졌습니다. "전문가 시스템은 최초로 성공적인 형태의 인공지능(AI) 소프트웨어 중 하나였습니다." ([출처](https://wikipedia.org/wiki/Expert_system))
|
|
|
|
이 유형의 시스템은 실제로 _하이브리드_로, 비즈니스 요구 사항을 정의하는 규칙 엔진과 규칙 시스템을 활용하여 새로운 사실을 추론하는 추론 엔진으로 구성됩니다.
|
|
|
|
이 시기에는 신경망에 대한 관심도 증가했습니다.
|
|
|
|
---
|
|
## 1987 - 1993: AI '냉각기'
|
|
|
|
전문가 시스템 하드웨어의 확산은 지나치게 전문화되는 부작용을 낳았습니다. 개인용 컴퓨터의 부상은 이러한 대형, 전문화된 중앙 시스템과 경쟁했습니다. 컴퓨팅의 민주화가 시작되었으며, 이는 결국 빅데이터의 현대적 폭발로 이어졌습니다.
|
|
|
|
---
|
|
## 1993 - 2011
|
|
|
|
이 시기는 데이터와 컴퓨팅 능력 부족으로 인해 이전에 발생했던 문제를 해결할 수 있는 새로운 시대를 열었습니다. 데이터의 양이 급격히 증가하고 더 널리 이용 가능해졌으며, 특히 2007년경 스마트폰의 등장으로 인해 긍정적이든 부정적이든 영향을 미쳤습니다. 컴퓨팅 능력은 기하급수적으로 확장되었고, 알고리즘도 함께 발전했습니다. 이 분야는 과거의 자유분방한 시기를 지나 진정한 학문으로서 성숙해지기 시작했습니다.
|
|
|
|
---
|
|
## 현재
|
|
|
|
오늘날 머신 러닝과 AI는 우리의 삶의 거의 모든 부분에 영향을 미칩니다. 이 시대는 이러한 알고리즘이 인간의 삶에 미치는 위험과 잠재적 영향을 신중히 이해할 것을 요구합니다. Microsoft의 Brad Smith는 "정보 기술은 프라이버시와 표현의 자유와 같은 기본적인 인권 보호의 핵심으로 이어지는 문제를 제기합니다. 이러한 문제는 이러한 제품을 만드는 기술 회사의 책임을 높이며, 우리의 관점에서는 신중한 정부 규제와 허용 가능한 사용에 대한 규범 개발을 요구합니다"라고 말했습니다. ([출처](https://www.technologyreview.com/2019/12/18/102365/the-future-of-ais-impact-on-society/))
|
|
|
|
---
|
|
|
|
미래가 어떻게 될지는 아직 알 수 없지만, 이러한 컴퓨터 시스템과 그들이 실행하는 소프트웨어 및 알고리즘을 이해하는 것이 중요합니다. 이 커리큘럼이 여러분이 더 나은 이해를 얻고 스스로 판단할 수 있도록 돕기를 바랍니다.
|
|
|
|
[](https://www.youtube.com/watch?v=mTtDfKgLm54 "딥러닝의 역사")
|
|
> 🎥 위 이미지를 클릭하면 영상: Yann LeCun이 이 강의에서 딥러닝의 역사를 논의합니다.
|
|
|
|
---
|
|
## 🚀도전
|
|
|
|
이 역사적 순간 중 하나를 깊이 파고들어 그 뒤에 있는 사람들에 대해 더 알아보세요. 매력적인 인물들이 있으며, 어떤 과학적 발견도 문화적 공백 속에서 만들어지지 않았습니다. 무엇을 발견했나요?
|
|
|
|
## [강의 후 퀴즈](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
## 복습 및 자기 학습
|
|
|
|
다음 항목을 시청하고 들어보세요:
|
|
|
|
[Amy Boyd가 AI의 진화를 논의하는 팟캐스트](http://runasradio.com/Shows/Show/739)
|
|
|
|
[](https://www.youtube.com/watch?v=EJt3_bFYKss "Amy Boyd의 AI 역사")
|
|
|
|
---
|
|
|
|
## 과제
|
|
|
|
[타임라인 만들기](assignment.md)
|
|
|
|
---
|
|
|
|
**면책 조항**:
|
|
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전을 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 책임을 지지 않습니다. |