소개글
"과제 수행을 위한 생성형 인공지능 활용을 반대한다"에 대한 내용입니다.
목차
1. 인공지능 개요
1.1. 인공지능의 정의와 개념
1.2. 약한 인공지능과 강한 인공지능의 비교
2. 인공지능 기술
2.1. 기계학습의 개념과 특징
2.2. 딥러닝 알고리즘의 개념과 특징
3. 인공지능의 활용
3.1. 인공지능과 다른 산업에 적용한 사례
3.2. 생성 AI의 정의 및 문화산업에 미치는 영향
4. 생체신호 기반 IT융합기술
4.1. 생체 신호 측정방법
4.2. 근전도(EMG)
4.2.1. 동작 인식
4.2.2. 의수
4.2.3. 근전도 기반 HCI
4.3. 뇌파(EEG)
4.3.1. 보건, 의료 분야
4.3.2. 감성 ICT
4.3.3. 뉴로마케팅
4.3.4. BCI
4.4. 심전도(ECG)
4.4.1. 국내 기술 동향
4.4.2. 해외 기술 동향
5. 참고 문헌
본문내용
1. 인공지능 개요
1.1. 인공지능의 정의와 개념
인공지능은 인간의 지능으로 할 수 있는 문장 이해, 영상인식, 음성인식, 학습 등을 컴퓨터가 실행하는 영역으로 "컴퓨터 두뇌"라고 할 수 있다. 인공지능 기술을 통해 직접 사람이 핸드폰을 작동하지 않고도 여러 기능을 사용할 수 있으며, 스마트 스피커에 인공지능 비서가 내장되어 원하는 상품을 소셜 미디어에서 찾아주기도 한다. 기술의 발전과 더불어 급속도로 진화하고 있는 인공지능에 많은 이가 주목하고 있다.
1.2. 약한 인공지능과 강한 인공지능의 비교
약한 인공지능과 강한 인공지능의 비교는 다음과 같다.
약한 인공지능은 기본적으로 인간의 지능 수준을 넘지 못하고 제한된 작업에만 사용되는 인공지능을 의미한다. 반면 강한 인공지능은 인간의 지능을 초월하여 다양한 작업을 수행하고 사람과 유사한 추론, 학습, 문제 해결 능력을 갖춘 인공지능을 말한다.
약한 인공지능은 사전에 정의된 규칙이나 알고리즘을 사용하여 작업을 수행한다. 그에 반해 강한 인공지능은 데이터 기반 학습을 통해 지식을 습득하고 문제를 해결한다.
약한 인공지능 또한 강한 인공지능과 마찬가지로 SF 영화 등 대중매체에서 다양한 모습으로 등장하는데, 강한 인공지능과 달리 '자아'가 없다는 차이점이 있다. 성능이 아무리 뛰어나더라도 '자아'가 없는 인공지능은 약한 인공지능이다.
강한 인공지능은 인간의 감성을 이해할 수 있는 수준으로, 약한 인공지능은 인간을 보조하는 수준으로 구분할 수 있다.
2. 인공지능 기술
2.1. 기계학습의 개념과 특징
기계학습은 인간이 학습을 하듯이 기계를 학습시키는 알고리즘을 의미한다. 기계학습의 핵심은 알고리즘을 통해 각종 데이터를 분석하고 이를 학습하여 학습한 내용을 바탕으로 판단한다는 것이다. 기계학습의 방법에는 크게 '지도학습', '비지도 학습', '강화 학습'으로 나뉜다.
지도학습은 입력과 정답의 관계를 제시한 데이터를 학습 데이터로 입력하여 이 관계를 재현하도록 특징을 추출하여 모델을 생성하는 학습이다. 비지도 학습은 아무런 설명도 없는 학습 데이터를 입력하여 추출된 특징의 패턴을 바탕으로 유사한 모델을 찾고 생성한다. 강화 학습은 추론 결과에 대해 평가를 함으로써 어떤 결과를 원하는지 제시하여 그 결과를 가장 잘 재현할 수 있는 추론 모델을 생성하는 방법이다.
기계학습은 복잡한 문제 해결에 한계가 있지만, 방대한 데이터를 정확하게 분석하고 패턴을 인식할 수 있기 때문에 예측과 결정을 내리는 데 도움을 줄 수 있다. 따라서 인공지능 기술의 발전에 따라 기계학습은 여러 분야에서 활용되고 있으며, 앞으로도 지속적으로 발전할 것으로 기대된다.
2.2. 딥러닝 알고리즘의 개념과 특징
딥러닝은 심층 신경망(DNN; Deep Neural Network)라고도 하는데, 기존 신경망에 층을 증가시킨 심층 신경망을 학습하여 패턴인식이나 추론에 사용하는 것을 말한다. 딥러닝 이전의 머신러닝에서는 기계에 학습을 시키기 위해서 데이터의 특정적인 표현 하나하나를 설명해 줘야 했다. 특히, 추상적인 표현을 학습시키는 것이 상당 부분 어려운 과제였다. 이에 반해 딥러닝은 이런 특징 정인 표현을 학습시키기 위해 충분히 데이터를 입력하면 스스로 특정적인 표현을 찾아내고 학습한다. 주도적으로 학습하기 때문에 학습을 위한 고도의 지식, 프로그래밍 능력은 필요로 하지 않는다. 딥러닝이 보여주는 좋은 성능이 여러 분야에서 사용되고 있다. 단, 접해보지 못한 데이터를 입력할 경우에는 치명적인 오류를 범할 수도 있는 문제가 있다. 이처럼 딥러닝 알고리즘은 기존 신경망 기반 기계학습에 다층 구조를 적용하여 자동으로 특징을 추출하고 학습할 수 있다는 특징을 가지고 있다.
3. 인공지능의 활용
3.1. 인공지능과 다른 산업에 적용한 사례
와이즈넛 중소기업중 Chatbot 기반의 AI활용을 통하여 국내 최대 매출을 보이고 있는 기업으로 'WISE I Chat'이라는 챗봇을 구현했다. 아이챗은 자연어 처리기반 질문의도를 파악하고 통계기간, 머신러닝 응답을 하고 정확한 답을 찾지 못했을 경우 실제 상담원에게 연결되고 그 결과를 다시 학습한다. 와이즈넛은 '강남봇'구축 이후 지속적인 지식 고도화 사업을 통해 사용자가 원하는 맞춤형 답변을 제공하며 챗봇 자동응답 품질의 최신성과 정합성을 유지하고 있다.
알파고는 구글의 인공지능 연구 및 개발 부문인 DeepMind에서 개발한 컴퓨터 프로그램이다. 알파고는 바둑에서 세계적인 프로 선수를 이기는 업적을 이루었고, 이후로도 다양한 보드게임에서 인공지능 기술을 적용하고 있다.
구글 어시스턴트는 음성 인식 기술과 자연어 처리 기술을 기반으로 한 개인 비서 서비스이다. 사용자의 음성 명령을 이해하고, ...
참고 자료
경영정보시스템. 김영평생교육원 교안. (2023)
장민흔 (2020). 인공지능 비서에 대한 소비자의 지각된 가치와 신뢰가 수용의도에 미치는 영향, 소비자생활정보학과 석사학위논문.
박원기 (2018). 딥러닝 소개와 금융업 적용 사례, 고려대학교 정책대학원 석사학위논문.
https://blog.naver.com/walter_-/223079617259
이진원. (2023, February 23). 포브스 코리아. https://jmagazine.joins.com/forbes/view/337513
김태원. (2023). Chat GPT와 생성AI가 가져올 문화예술의 미래. 한국문화정보원, 41. https://webzine.kcisa.kr/vol018/_file/issue_report.pdfAI모델의 등장과 패션산업. (2023, June 5). 패션비즈. https://m.fashionbiz.co.kr:6001/index.asp?idx=200550
육도경, & 손정우. (2018). 표면 근전도를 이용한 손동작 인식. 한국소음진동공학회논문집, 28(6), 670-676.
강현주. (2016). 근전도 생체신호를 활용한 수화 인식에 관한 연구. 과학기술정보통신부
장호명. (2020). 근전도 기반 다관절 의수의 설계 및 동작 구현. 금오공과대학교
최규호, 문해민, & 반성범. (2017). 생체신호 기반 바이오인식 시스템 기술 동향. 디지털융복합연구, 15(1), 381-391.
Sin, J. H., & Seo, E. M. (2007). BCI 기반 Entertainic 기술개발동향. The Magazine of the IEIE, 34(6), 71-82.
Ahn, M. K., & Jun, S. C. (2011). 뇌-컴퓨터 인터페이스 시스템의 원리 및 기술 동향. Communications of the Korean Institute of Information Scientists and Engineers, 29(4), 42-53.
민철홍, & 김태선. (2010). 심전도 기반 생체인식 알고리즘의 개발. 정보 및 제어 논문집, 232-233.
