머신 러닝: 비지도, 지도 및 강화 접근 방식

인공지능은 비지도, 지도, 강화 학습을 통해 스스로 학습하고 다양한 작업을 수행하기 때문에 개발 과정에서 윤리적 고려가 필요합니다.

### 머신 러닝의 기본과 미래 이해하기
* 🧠 인공 지능은 스스로 학습하며 설계자가 프로세스에 대한 정확한 지식 없이도 작동하는 경우가 많으며, **고유한 규칙과 전략을 만들기 위해 간단한 지침 세트에 의존**합니다.
* 🎓 머신 러닝은 **비지도 학습, 지도 학습, 강화 학습**의 세 가지 기본 유형을 포함하며, 각각 다른 작업에 적합하고 다양한 수준의 인간 개입이 필요합니다.
* 🔍 비지도 학습에서는 기계가 데이터를 분석하여 **사람의 지도 없이도 일반적인 유사성과 패턴**을 식별합니다.
* 📊 지도 학습은 **레이블이 지정된 데이터를 기반**으로 알고리즘을 만드는 것으로, 의사와 컴퓨터 과학자가 프로그램을 개선하고 업데이트하는 과정에 적극적으로 참여합니다.
* 🔄 강화 학습은 **반복적인 접근 방식**을 사용하여 피드백을 수집하고 개별 응답을 기반으로 **개인화된 치료 계획**을 수립합니다.
* 연구자들은 이러한 기술을 복잡한 AI 시스템에 결합하여 **서로를 감독하고 가르칠 수 있는 프로그램**을 개발할 수 있습니다.
* 🧠 가장 유망한 모델은 뇌의 신경망을 모방하여 **수백만 개의 연결**을 사용하여 이미지 인식 및 언어 번역과 같은 작업을 수행합니다.
* 🔒 AI의 결정이 삶의 다양한 측면에 점점 더 많은 영향을 미치면서 **머신러닝을 더욱 투명하고 윤리적**으로 만들기 위한 노력이 진행 중입니다.

Today, artificial intelligence helps doctors diagnose patients, pilots fly commercial aircraft, and city planners predict traffic. But no matter what these AIs are doing, the computer scientists who designed them likely don’t know exactly how they’re doing it. This is because artificial intelligence is often self-taught, working off a simple set of instructions to create a unique array of rules and strategies. So how exactly does a machine learn? There are many different ways to build self-teaching programs. But they all rely on the three basic types of machine learning: unsupervised learning, supervised learning, and reinforcement learning. To see these in action, let’s imagine researchers are trying to pull information from a set of medical data containing thousands of patient profiles. First up, unsupervised learning. This approach would be ideal for analyzing all the profiles to find general similarities and useful patterns. Maybe certain patients have similar disease presentations.

or perhaps a treatment produces
specific sets of side effects. This broad pattern-seeking approach 
can be used to identify similarities between patient profiles 
and find emerging patterns, all without human guidance. But let's imagine doctors are looking
for something more specific. These physicians want 
to create an algorithm for diagnosing a particular condition. They begin by collecting two sets of data— medical images and test results
from both healthy patients and those diagnosed with the condition. Then, they input this data into a program designed to identify features
shared by the sick patients but not the healthy patients. Based on how frequently 
it sees certain features, the program will assign values to those
features’ diagnostic significance, generating an algorithm 
for diagnosing future patients. However, unlike unsupervised learning, doctors and computer scientists have 
an active role in what happens next. Doctors will make the final diagnosis and check the accuracy 
of the algorithm’s prediction. Then computer scientists can use
the updated datasets

to adjust the program’s parameters 
and improve its accuracy. This hands-on approach is called
supervised learning. Now, let’s say these doctors want 
to design another algorithm to recommend treatment plans. Since these plans
will be implemented in stages, and they may change depending on each
individual's response to treatments, the doctors decide to use
reinforcement learning. This program uses an iterative approach
to gather feedback about which medications, dosages, 
and treatments are most effective. Then, it compares that data 
against each patient’s profile to create their unique, optimal 
treatment plan. As the treatments progress and the program
receives more feedback, it can constantly update 
the plan for each patient. None of these three techniques are
inherently smarter than any other. While some require more or less 
human intervention, they all have their own strengths
and weaknesses, which makes them best suited
for certain tasks. However, by using them together, researchers can build complex AI systems.

where individual programs can supervise and teach each other. For example, when our unsupervised learning program finds groups of patients that are similar, it could send that data to a connected supervised learning program. That program could then incorporate this information into its predictions. Or perhaps dozens of reinforcement learning programs might simulate potential patient outcomes to collect feedback about different treatment plans. There are numerous ways to create these machine-learning systems, and perhaps the most promising models are those that mimic the relationship between neurons in the brain. These artificial neural networks can use millions of connections to tackle difficult tasks like image recognition, speech recognition, and even language translation. However, the more self-directed these models become, the harder it is for computer scientists to determine how these self-taught algorithms arrive at their solution. Researchers are already looking at ways to make machine learning more transparent. But as AI becomes more involved in our everyday lives,

these enigmatic decisions have increasingly large impacts on our work, health, and safety. So as machines continue learning to investigate, negotiate, and communicate, we must also consider how to teach them to teach each other to operate ethically.

How does artificial intelligence learn? - Briana Brownell

TED-Ed’s mission is to create lessons worth sharing. Feed and expand your curiosity with our award-winning animated shorts - published on YouTube and available with supplemental learning materials on ed.ted.com.

Want to suggest an idea for a TED-Ed animation, nominate an educator or animator? Visit our website at: http://ed.ted.com/get_involved.

Consider backing us on Patreon. By doing so, you directly support our nonprofit mission to create free, high-quality educational content: https://www.patreon.com/teded

For more information on using TED-Ed content for commercial purposes (e.g. employee learning, in a film, or in an online course), please submit a Media Request using this link: https://media-requests.ted.com/ 


TED-Ed

인공 지능은 개발자가 완전히 이해하지 못하는 신비한 방식으로 작동하는 경우가 많습니다.

머신 러닝은 비지도 학습, 지도 학습, 강화 학습 방법을 사용하여 AI를 학습시킵니다.

비지도 학습은 데이터의 일반적인 패턴과 유사성을 식별하는 데 사용되며, 지도 학습은 레이블이 지정된 데이터를 기반으로 특정 알고리즘을 생성하는 데 사용됩니다.

반면 강화 학습은 AI의 결과물을 기반으로 결정을 내리고 검증하기 위해 사람이 적극적으로 개입해야 합니다.

AI에서 다양한 학습 접근 방식의 역할

지도 학습은 프로그램 매개변수를 조정하고 정확도를 개선하는 데 사용되며, 강화 학습은 환자 피드백을 기반으로 지속적으로 업데이트할 수 있는 치료 계획을 설계하는 데 사용됩니다.

연구자들은 이러한 기술을 함께 사용하여 프로그램이 서로를 감독하고 가르치는 복잡한 AI 시스템을 구축할 수 있습니다.

머신러닝 시스템을 만드는 데 가장 유망한 모델은 뇌의 뉴런 간의 관계를 모방하는 모델이지만, 자기 주도적 알고리즘의 투명성은 컴퓨터 과학자들에게 여전히 과제로 남아 있습니다.

수수께끼 같은 결정은 업무, 건강, 안전에 큰 영향을 미칩니다.

기계가 윤리적으로 조사하고, 협상하고, 소통하도록 가르치고, 서로가 윤리적으로 작동하도록 가르쳐야 합니다.

이는 머신러닝이 계속 발전함에 따라 매우 중요합니다.