Blog

AI 종류

인공지능(AI)은 굉장히 넓은 분야이며, 다양한 기준에 따라 여러 종류로 나눌 수 있습니다. 크게는 AI의 능력 수준에 따라 분류하거나, AI가 **문제를 해결하는 방식(방법론)**에 따라 분류할 수 있습니다.

1. AI 능력 수준에 따른 분류

AI의 현재와 미래 발전 단계를 예측하며 분류하는 방식입니다.

  • 1.1. 약 인공지능 (Narrow AI 또는 Weak AI / ANI: Artificial Narrow Intelligence)

    • 특징: 특정하고 한정된 작업만을 수행하도록 설계된 AI입니다. 인간과 같은 일반적인 지능이나 의식을 가지고 있지 않으며, 미리 정의된 규칙이나 학습된 패턴 내에서만 작동합니다.

    • 예시:

      • 음성 인식 시스템 (Siri, Google Assistant)
      • 이미지 인식 및 분류
      • 추천 시스템 (넷플릭스, 유튜브, 쇼핑몰)
      • 체스나 바둑 같은 게임 AI (알파고)
      • 자율주행 자동차의 특정 기능 (차선 유지, 주차 보조)
      • 스팸 메일 필터

    • 현재: 우리가 일상생활에서 접하는 대부분의 AI는 약 인공지능에 해당합니다.

  • 1.2. 강 인공지능 (General AI 또는 Strong AI / AGI: Artificial General Intelligence)

    • 특징: 인간이 수행할 수 있는 모든 지적인 작업을 수행할 수 있는 AI를 목표로 합니다. 학습, 이해, 추론, 문제 해결, 새로운 지식 습득 등 인간과 유사한 수준의 인지 능력을 갖추는 것이 목표입니다. 아직 현실에서는 구현되지 않았습니다.
    • 예시 (개념적): 스스로 새로운 분야를 학습하고, 창의적인 문제 해결 능력을 가지며, 다양한 분야의 지식을 통합하여 추론하는 AI.

  • 1.3. 초 인공지능 (Super AI / ASI: Artificial Super Intelligence)

    • 특징: 인간의 모든 인지 능력을 훨씬 뛰어넘는 지능을 가진 AI입니다. 과학적 발견, 예술 창작, 사회 문제 해결 등 모든 면에서 인간보다 월등한 능력을 발휘할 것으로 가정합니다. 아직은 SF의 영역입니다.
    • 예시 (개념적): 인류의 미래를 결정하거나 우주의 비밀을 푸는 등 인간의 능력으로는 불가능한 수준의 지적 활동을 수행하는 AI.

2. AI 방법론 (구현 방식)에 따른 분류

AI를 구현하는 기술적인 접근 방식에 따라 나눌 수 있습니다.

  • 2.1. 머신러닝 (Machine Learning)

    • 특징: 명시적으로 프로그래밍되지 않고도 데이터로부터 학습하여 성능을 향상시키는 AI 분야입니다. 데이터 패턴을 인식하고 예측하는 데 중점을 둡니다.
    • 세부 유형:
      • 지도 학습 (Supervised Learning): 정답(레이블)이 있는 데이터를 통해 학습합니다. (예: 이미지 분류, 스팸 메일 감지)
        • 분류(Classification): 데이터를 특정 범주로 분류 (고양이/개, 스팸/정상)
        • 회귀(Regression): 연속적인 값 예측 (집값 예측, 주가 예측)
      • 비지도 학습 (Unsupervised Learning): 정답(레이블)이 없는 데이터를 통해 숨겨진 패턴이나 구조를 찾아냅니다. (예: 고객 세분화, 이상 탐지)
        • 군집화(Clustering): 비슷한 데이터끼리 묶음
        • 차원 축소(Dimensionality Reduction): 데이터의 복잡도 줄이기
      • 강화 학습 (Reinforcement Learning): 시행착오를 통해 학습합니다. 보상 시스템을 통해 최적의 행동 전략을 찾아냅니다. (예: 로봇 제어, 게임 AI, 자율주행)

  • 2.2. 딥러닝 (Deep Learning)

    • 특징: 머신러닝의 한 분야로, 인간 뇌의 신경망을 모방한 인공 신경망(Artificial Neural Network), 특히 여러 층(Layer)으로 구성된 **심층 신경망(Deep Neural Network)**을 사용하여 학습합니다. 복잡한 패턴과 특징을 자동으로 학습하는 데 뛰어난 성능을 보입니다.
    • 주요 아키텍처:
      • CNN (Convolutional Neural Network): 주로 이미지, 영상 처리 (이미지 인식, 안면 인식)
      • RNN (Recurrent Neural Network) / LSTM (Long Short-Term Memory): 주로 시퀀스 데이터, 시계열 데이터, 자연어 처리 (음성 인식, 번역)
      • Transformer: RNN의 한계를 극복하며 자연어 처리 분야에서 혁신을 가져옴 (GPT-3/4, Bard, BERT 등 대규모 언어 모델의 기반)
      • GAN (Generative Adversarial Network): 새로운 이미지, 오디오, 비디오 생성

  • 2.3. 자연어 처리 (Natural Language Processing, NLP)

    • 특징: 인간의 언어를 컴퓨터가 이해하고 생성하며 조작할 수 있도록 하는 AI 분야입니다.
    • 예시: 번역, 챗봇, 감성 분석, 텍스트 요약, 음성 인식, 언어 모델(LLM).

  • 2.4. 컴퓨터 비전 (Computer Vision)

    • 특징: 컴퓨터가 이미지와 비디오에서 정보를 ‘보고’, ‘이해’하고, ‘해석’할 수 있도록 하는 AI 분야입니다.
    • 예시: 안면 인식, 객체 탐지, 이미지 분류, 의료 영상 분석, 자율주행 차량의 환경 인식.

  • 2.5. 로보틱스 (Robotics)

    • 특징: 로봇의 설계, 구성, 작동 및 응용에 관련된 분야로, 종종 AI 기술(특히 강화 학습, 컴퓨터 비전)과 결합되어 자율적인 행동 능력을 갖게 됩니다.
    • 예시: 산업용 로봇, 휴머노이드 로봇, 드론, 로봇 청소기.

  • 2.6. 전문가 시스템 (Expert Systems)

    • 특징: 특정 전문 분야의 인간 전문가 지식을 규칙 기반으로 컴퓨터에 저장하고, 이를 통해 문제 해결이나 의사 결정을 돕는 초기 형태의 AI입니다. (요즘은 머신러닝 기반 AI에 의해 많이 대체되고 있습니다.)
    • 예시: 의료 진단 보조 시스템, 금융 컨설팅 시스템.

이 외에도 지식 표현 및 추론, 계획, 최적화 등 다양한 AI 연구 분야가 있습니다. AI 기술은 계속해서 발전하고 융합되며 새로운 형태로 진화하고 있습니다.